一、介绍

TangoFlux是通过流匹配和 Clap-Ranked 首选项优化，实现超快速、忠实的文本到音频生成的模型。

• 本模型由 Stability AI 提供支持
• 🚀 TangoFlux 可以在单个 A40 GPU 上在 ~3 秒内生成长达 34.1kHz 的立体声音频。

二、部署

安装方式非常简单

1.克隆并安装环境

pip install git+https://github.com/declare-lab/TangoFlux

2.推理

TangoFlux 可以生成长达 30 秒的音频。使用 Python API 时，必须将 duration 传递给函数。请注意，持续时间应在 1 到 30 之间。model.generate

Web 界面

运行以下命令以启动 Web 界面。

tangoflux-demo

首次运行web界面的启动命令后，项目会自动下载所需的模型，此时需要保持网络畅通，耐心等待：

出现ip地址即端口号后即可进行访问。

命令行界面

使用 CLI 从文本直接生成音频。

tangoflux "Hammer slowly hitting the wooden table" output.wav --duration 10 --steps 50

Python 接口

import torchaudio
from tangoflux import TangoFluxInferencemodel = TangoFluxInference(name='declare-lab/TangoFlux')
audio = model.generate('Hammer slowly hitting the wooden table', steps=50, duration=10)torchaudio.save('output.wav', audio, 44100)

官方评估表明，使用 50 个步骤进行推理会产生最佳结果。CFG 等级为 3.5、4 和 4.5 可产生相似的质量输出。25 步推理以更快的速度产生类似的音频质量。

训练

官方使用 Hugging Face 的包进行多 GPU 训练。Run 以设置您的运行配置。默认的 accelerate 配置位于 文件夹中。请在 中指定训练文件的路径。的样本 和 已提供。将它们替换为您自己的音频。accelerate``accelerate config``configs``configs/tangoflux_config.yaml``train.json``val.json

tangoflux_config.yaml 定义训练文件路径和模型超参数：

CUDA_VISIBLE_DEVICES=0,1 accelerate launch --config_file='configs/accelerator_config.yaml' tangoflux/train.py   --checkpointing_steps="best" --save_every=5 --config='configs/tangoflux_config.yaml'

要执行 DPO 训练，请修改训练文件，使每个数据点都包含“chosen”、“reject”、“caption”和“duration”字段。请在 中指定训练文件的路径。中提供了一个示例。将其替换为您自己的音频。configs/tangoflux_config.yaml``train_dpo.json

CUDA_VISIBLE_DEVICES=0,1 accelerate launch --config_file='configs/accelerator_config.yaml' tangoflux/train_dpo.py   --checkpointing_steps="best" --save_every=5 --config='configs/tangoflux_config.yaml'

评估脚本

TangoFlux 与其他音频生成模型

这些关键比较指标包括：

• Output Length : Represents the duration of the generated audio.
• FD openl3 : Fréchet Distance.
• KL passt : KL divergence.
• CLAP score : Alignment score.

所有推理时间都在同一个 A40 GPU 上观察到。可训练参数的计数在 #Params 列中报告。

型	参数	期间	步骤	FD 系列openl3 ↓	吉隆坡通行证 ↓	拍得分 ↑	是 ↑	推理时间 （s）
AudioLDM 2 (Large)	712 米	10 秒	200	108.3	1.81	0.419	7.9	24.8
Stable Audio Open	1056 米	47 秒	100	89.2	2.58	0.291	9.9	8.6
Tango 2	866 米	10 秒	200	108.4	1.11	0.447	9.0	22.8
TangoFlux（基础）	515 分钟	30 秒	50	80.2	1.22	0.431	11.7	3.7
TangoFlux	515 分钟	30 秒	50	75.1	1.15	0.480	12.2	3.7