初めに
Audio生成でかなり精度が高いモデルが出たので触ってみます
開発環境
- Google Colob T4(Free)
ライブラリのインストール
# 必要なパッケージのインストール
!pip install torch torchaudio einops stable-audio-tools
シークレットトークンの設定
from google.colab import drive drive.mount('/content/drive') import os from google.colab import auth # Colabのシークレットに設定したトークンを取得 auth.authenticate_user() token = os.getenv('HF_TOKEN') if token is None: raise ValueError("HF_TOKENが設定されていません。Colabのシークレット機能を使用して設定してください。") os.environ['HF_TOKEN'] = token !pip install huggingface_hub
モデルのロードおよび生成
import torch import torchaudio from einops import rearrange from stable_audio_tools import get_pretrained_model from stable_audio_tools.inference.generation import generate_diffusion_cond from huggingface_hub import login # Hugging Faceにログイン login(token=os.environ['HF_TOKEN']) # Download model model, model_config = get_pretrained_model("stabilityai/stable-audio-open-1.0") sample_rate = model_config["sample_rate"] sample_size = model_config["sample_size"] model = model.to(device) # Set up text and timing conditioning conditioning = [{ "prompt": "128 BPM tech house drum loop", "seconds_start": 0, "seconds_total": 30 }] # Generate stereo audio output = generate_diffusion_cond( model, steps=100, cfg_scale=7, conditioning=conditioning, sample_size=sample_size, sigma_min=0.3, sigma_max=500, sampler_type="dpmpp-3m-sde", device=device ) # Rearrange audio batch to a single sequence output = rearrange(output, "b d n -> d (b n)") # Peak normalize, clip, convert to int16, and save to file output = output.to(torch.float32).div(torch.max(torch.abs(output))).clamp(-1, 1).mul(32767).to(torch.int16).cpu() torchaudio.save("output.wav", output, sample_rate)