大家好，我是千与千寻，好久不见了，很多粉丝私信我说，千寻哥这是去哪了？难道被野外捕捉了。
哈哈哈，当然不是了，千寻依然在学习ChatGPT的道路上和大家一起学习，一起搞钱！
但是我觉得无论作为一名出色的研发工程师还是自媒体博主，都需要经常的对自己过去的生活以及工作输出进行总结。
千寻对多去的一段时间的输出内容进行了反思，同时也和星主进行了沟通。我发现的我输出的技术文章，存在两个明显的弊端：
1.技术门槛略高
我本人目前在互联网大厂担任算法工程师，所以我的思维就是程序员思维，觉得越复杂的项目，才有意义。但是代码门槛越高，同时受众群体也就越少，很多同学表示看不懂。
2.实用性不强
这里我觉得说白了，就是不赚钱，就想我们对自己不关心的事情，往往没有什么热情。所以我准备将后续的ChatGPT项目全部融入“使用价值”，同时照顾“非程序员”群体。
简单来说，就是后续的ChatGPT项目我将赋予更强的使用价值。不是项目可以用来赚钱，要不就是可以自己DIY，发挥星友们的创造力！
好的，我们直接进入正题，今天千寻哥给大家带来的ChatGPT项目，Audiocraft智能音乐生成工具！
Audiocraft的应用
拒绝废话!Audiocraft 是一个PyTorch的代码库，其内部包含用于音频生成的深度学习研究。
今天主要讲解的是MusicGen的代码工具，这是一种目前为止，最先进的可控文本到音乐模型。
MusicGen模型简单理解为是一个单级子回归的 Transformer 生成模型，在32kHz EnCodec 分词器上训练得到，具备 4 个以 50Hz 采样的码本。
MusicGen的模型训练
所有算法模型的训练，包括我们所使用的ChatGPT模型都是需要海量数据的。MusicGen的训练集是“两万小时时长的音乐数据集”，全部的数据集都是在32kHz下重新采样，每一个音乐都有对应的文本描述。
除训练数据集以外，Meta官方还搭配了测试数据集MusicCaps。
MusicCaps 由 5500 条专业作曲家谱写的 10 秒长的音乐构成。
音乐的编码阶段，通过实验对四种不同的方式进行了测试。
Transformer 部分训练了 300M、1.5B、3.3B 三个不同参数量的自回归式 Transformer。
Audiocraft的功能演示
Audiocraft模型与musicGen音乐生成工具到底有什么功能？
我们进行AI音乐生成工具的训练过程，我们使用的训练数据集是音乐描述转为音乐生成。其音乐生成工具的预测过程则是“根据音乐描述生成对应的音乐配乐”。
PC端本地部署应用
这个就是为算法工程师的程序员朋友们准备的了，使用huggingface社区的模型部署工具可能效果不是很理想。
这里同时也准备了如果自己进行本地PC端的部署教程
1.使用Anaconda工具创建一个虚拟环境 命名为“musicgen”，python版本为3.9。执行命令行：
conda create -n musicgen python=3.9
-
安装模型运行的环境依赖
pip install 'torch>=2.0'
# Then proceed to one of the following
pip install -U audiocraft # stable release
pip install -U git+https://git@github.com/facebookresearch/audiocraft#egg=audiocraft # bleeding edge
pip install -e . # or if you cloned the repo locally
3.下载模型的配置权重
4.使用API接口进行指定音乐的生成
import torchaudio
from audiocraft.models import MusicGen
from audiocraft.data.audio import audio_write
model = MusicGen.get_pretrained('melody')
model.set_generation_params(duration=8) # generate 8 seconds.
wav = model.generate_unconditional(4) # generates 4 unconditional audio samples
descriptions = ['happy rock', 'energetic EDM', 'sad jazz']
wav = model.generate(descriptions) # generates 3 samples.
melody, sr = torchaudio.load('./assets/bach.mp3')
# generates using the melody from the given audio and the provided descriptions.
wav = model.generate_with_chroma(descriptions, melody[None].expand(3, -1, -1), sr)
for idx, one_wav in enumerate(wav):
# Will save under {idx}.wav, with loudness normalization at -14 db LUFS.
audio_write(f'{idx}', one_wav.cpu(), model.sample_rate, strategy="loudness", loudness_compressor=True)
5.谷歌实验室运行应用
执行全部以下命令：
# Adapted from https://github.com/camenduru/MusicGen-colab
%cd /content
!git clone https://github.com/facebookresearch/audiocraft
%cd /content/audiocraft
!pip install -r requirements.txt
# Click on the gradio link that appear.
!python app.py --share
colab环境中的运行效果：
矩形方框中表示模型部署于以上链接之中。点击链接，即可进入网页中进行点击调用，十分方便，如下图为点击链接后的界面画面。
正好进入我们的重点，MusicGen这个GPT模型到底怎么用，实现什么功能，怎么为我们产业（搞钱）赋能？
别急，我们进入重点环节！
Audiocraft模型社区使用教程
进入MusicGen社区应用，点此链接
首先是界面应用的功能介绍，如下图所示
（1）音乐内容描绘：
文本描述生成音乐的特点，英文最好，中文也可以识别，描述待生成的旋律特点，比如摇滚，流行，沉重。
（2）待改良的音乐：
原始的音乐，文件格式为.mp3格式文件，可以理解为原始的旋律音乐。
（3）最终生成的目标音乐：
最终的目标，验证是否满意。
好玩的来了！精彩测试项目效果！
测试用例1：
An 80s driving pop song with heavy drums and synth pads in the background
翻译：一首 80 年代流行歌曲，背景是沉重的鼓和合成器垫
原始音乐文件：
改良音乐文件：
测试用例2：
A cheerful country song with acoustic guitars
翻译：一首带有原声吉他的欢快乡村歌曲
原始音乐文件：
改良音乐文件：
除了改良已有音乐旋律的功能，MusicGen大模型还可以凭空生成描述的音乐旋律。
测试用例3：
lofi slow bpm electro chill with organic samples
翻译：lofi 慢速 bpm 电冷却有机样品
生成音乐文件：
MusicGen赋能短视屏制作
小红书、抖音，快手是目前做流量首选的平台，很多时候，小红书采用图片+配乐+文本，这种看似简单的方式。
但是别忘了，正因为组成结构的简单，所以想在目前日益火爆的短视频市场，能够称为“黑马”。这里举一个例子，做一个很简单的短视频Demo。
这张图片，希望配乐一个“励志，并且感动的音乐”，使用基础的底层音乐进行改良。
使用MusicGen进行短视频的配乐生成：
最终的短视频效果：
希望这次星主能给一个精华，哈哈哈，用了飞书文档优化体验，对内容进行深入的价值挖掘。
其实人生不就是一场“边学习，边进步”，不断找回正确方向的旅程吗，大家端午安康！
我是千与千寻，一个只讲干活的码农，我们下期见!
本文由 mdnice 多平台发布
