CVAE_Music_Generation
генерация фортепианной музыки через спектрограммы
2 мин чтенияобновлено
Автор GiangSon-5 опубликовал обученную с нуля свёрточную нейросеть для генерации и реконструкции фортепианных фрагментов. Модель основана на архитектуре CVAE (Conditional Variational Autoencoder — условный вариационный автоэнкодер, который сжимает звук в компактное скрытое пространство и умеет создавать из него новые сэмплы) и насчитывает всего 18,91 млн параметров. В отличие от крупных трансформеров, работающих с сырым аудио или MIDI-токенами, здесь сеть оперирует двумерными Mel-спектрограммами (визуальным представлением частот звука во времени) длиной 3 секунды. Разработка пригодится исследователям генеративного звука, студентам и разработчикам, которым нужна лёгкая и прозрачная модель для экспериментов со звуковыми представлениями.
Ключевые особенности
- Компактный размер: весит 72,14 МБ (18,91 млн параметров) и запускается даже на CPU или слабых видеокартах.
- Обучена с нуля: тренировалась 100 эпох на 60 608 трёхсекундных сегментах из 997 фортепианных записей (частота дискретизации 22 050 Гц).
- Стабильное скрытое пространство: автор избежал «коллапса апостериорного распределения» (posterior collapse), сохранив гладкую 128-мерную геометрию для сэмплирования новых фрагментов.
- Честный разбор ограничений: в карточке приведён подробный анализ качества реконструкции на отложенной выборке с описанием сильных и слабых сторон модели.
Что можно сделать
- Генерировать новые мотивы: сэмплировать случайные векторы из нормального распределения и получать 3-секундные фортепианные Mel-спектрограммы для дальнейшего перевода в звук через вокодер.
- Сжимать и восстанавливать аудио: пропускать реальные фортепианные отрывки через энкодер и декодер, исследуя сжатие тембра и гармоник в 128-мерный вектор.
- Доработать архитектуру: взять готовый файл
model_architecture.pyкак базу для экспериментов — например, заменить MSE-потери, чтобы убрать размытие резких ударов молоточков.
Пример
import os, sys, torch
from huggingface_hub import hf_hub_download
repo = "GiangSon-5/CVAE_Music_Generation"
arch = hf_hub_download(repo_id=repo, filename="model_architecture.py")
weights = hf_hub_download(repo_id=repo, filename="cvae_music_model.pth")
sys.path.insert(0, os.path.dirname(arch))
from model_architecture import CVAE
model = CVAE(d_model=64, latent_dim=128, n_mels=256, n_frames=130, n_genres=1).eval()
model.load_state_dict(torch.load(weights, map_location="cpu"))
z_cond = torch.cat((torch.randn(1, 128), torch.tensor([[1.0]])), dim=1)
dec_in = model.decoder_input(z_cond).view(1, 256, model.n_mels_down, model.n_frames_down)
spec = model.decoder(dec_in)[:, :, :256, :130] # форма (1, 1, 256, 130)
Подробнее
Метрики на тестовой выборке (32 сегмента): итоговый loss 412.07 (MSE реконструкции 386.00 или ~0.0097 на пиксель, KLD 26.07).Обучение: 100 эпох на 1× NVIDIA L4 (24 ГБ VRAM) с точностью TF32 + BF16 заняло ~104 минуты.
Ограничения: модель выдаёт нормализованные Mel-спектрограммы 256×130 (для прослушивания нужен внешний вокодер), а из-за L2-потерь и
AdaptiveAvgPool2d сглаживает резкие атаки нот (стаккато).Лицензия: MIT.










Комментарии