🚀 BigVGAN：大规模训练的通用神经声码器

BigVGAN是一种经过大规模训练的通用神经声码器，可用于音频生成，能将输入的音频特征转换为高质量的音频波形。

作者信息

Sang - gil Lee, Wei Ping, Boris Ginsburg, Bryan Catanzaro, Sungroh Yoon

相关链接

[论文] - [代码] - [[展示]](https://bigvgan - demo.github.io/) - [项目页面] - [[权重]](https://huggingface.co/collections/nvidia/bigvgan - 66959df3d97fd7d98d97dc9a) - [演示]

论文影响力

[](https://paperswithcode.com/sota/speech - synthesis - on - libritts?p=bigvgan - a - universal - neural - vocoder - with - large)

模型图示

🚀 快速开始

最新消息

• 2024年7月 (v2.3)：
  • 进行了全面重构和代码改进，提高了代码的可读性。
  • 实现了抗锯齿激活的全融合CUDA内核，并进行了推理速度基准测试。
• 2024年7月 (v2.2)： 仓库现在包含一个使用Gradio的交互式本地演示。
• 2024年7月 (v2.1)： BigVGAN现已与🤗 Hugging Face Hub集成，可轻松使用预训练检查点进行推理。我们还在Hugging Face Spaces上提供了一个交互式演示。
• 2024年7月 (v2)： 我们发布了BigVGAN - v2以及预训练检查点。以下是主要亮点：
  • 用于推理的自定义CUDA内核：我们提供了一个用CUDA编写的融合上采样 + 激活内核，以加快推理速度。我们的测试表明，在单个A100 GPU上速度可提高1.5 - 3倍。
  • 改进的判别器和损失函数：BigVGAN - v2使用多尺度子带CQT判别器和多尺度梅尔频谱图损失进行训练。
  • 更大的训练数据：BigVGAN - v2使用包含多种音频类型的数据集进行训练，包括多种语言的语音、环境声音和乐器声音。
  • 我们提供了使用多种音频配置的BigVGAN - v2预训练检查点，支持高达44 kHz的采样率和512倍的上采样率。

📦 安装指南

本仓库包含预训练的BigVGAN检查点，可轻松进行推理，并额外支持huggingface_hub。

如果您对模型训练和其他功能感兴趣，请访问官方GitHub仓库获取更多信息：https://github.com/NVIDIA/BigVGAN

git lfs install
git clone https://huggingface.co/nvidia/bigvgan_v2_24khz_100band_256x

💻 使用示例

基础用法

以下示例描述了如何使用BigVGAN：从Hugging Face Hub加载预训练的BigVGAN生成器，从输入波形计算梅尔频谱图，并使用梅尔频谱图作为模型输入生成合成波形。

device = 'cuda'

import torch
import bigvgan
import librosa
from meldataset import get_mel_spectrogram

# 实例化模型。您可以选择设置use_cuda_kernel=True以加快推理速度。
model = bigvgan.BigVGAN.from_pretrained('nvidia/bigvgan_v2_24khz_100band_256x', use_cuda_kernel=False)

# 移除模型中的权重归一化并设置为评估模式
model.remove_weight_norm()
model = model.eval().to(device)

# 加载wav文件并计算梅尔频谱图
wav_path = '/path/to/your/audio.wav'
wav, sr = librosa.load(wav_path, sr=model.h.sampling_rate, mono=True) # wav是形状为[T_time]且值在[-1, 1]之间的np.ndarray
wav = torch.FloatTensor(wav).unsqueeze(0) # wav是形状为[B(1), T_time]的FloatTensor

# 从真实音频中计算梅尔频谱图
mel = get_mel_spectrogram(wav, model.h).to(device) # mel是形状为[B(1), C_mel, T_frame]的FloatTensor

# 从梅尔频谱图生成波形
with torch.inference_mode():
    wav_gen = model(mel) # wav_gen是形状为[B(1), 1, T_time]且值在[-1, 1]之间的FloatTensor
wav_gen_float = wav_gen.squeeze(0).cpu() # wav_gen是形状为[1, T_time]的FloatTensor

# 您可以将生成的波形转换为16位线性PCM
wav_gen_int16 = (wav_gen_float * 32767.0).numpy().astype('int16') # wav_gen现在是形状为[1, T_time]且数据类型为int16的np.ndarray

高级用法

使用自定义CUDA内核进行合成

您可以在实例化BigVGAN时使用参数use_cuda_kernel来应用快速CUDA推理内核：

import bigvgan
model = bigvgan.BigVGAN.from_pretrained('nvidia/bigvgan_v2_24khz_100band_256x', use_cuda_kernel=True)

首次应用时，它会使用nvcc和ninja构建内核。如果构建成功，内核将保存到alias_free_activation/cuda/build，模型会自动加载该内核。代码库已使用CUDA 12.1进行测试。

请确保您的系统中同时安装了这两个工具，并且系统中安装的nvcc版本与您的PyTorch版本相匹配。

如需详细信息，请参阅官方GitHub仓库：https://github.com/NVIDIA/BigVGAN?tab=readme-ov-file#using-custom-cuda-kernel-for-synthesis

📚 详细文档

预训练模型

我们在[Hugging Face Collections](https://huggingface.co/collections/nvidia/bigvgan - 66959df3d97fd7d98d97dc9a)上提供了预训练模型。您可以在列出的模型仓库中下载生成器权重（名为bigvgan_generator.pt）及其判别器/优化器状态（名为bigvgan_discriminator_optimizer.pt）的检查点。

📄 许可证

本项目采用MIT许可证，详情请见许可证链接。