К содержимому
Другое

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.py как 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)
ПодробнееМетрики 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.
Примеры
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # GiangSon-5/CVAE_Music_Generation
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download GiangSon-5/CVAE_Music_Generation --local-dir ~/models/CVAE_Music_Generation
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к CVAE_Music_Generation
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии CVAE_Music_Generation — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

GiangSon-5/CVAE_Music_Generation
Автор
GiangSon-5
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Ratio Music F4

Ratio Music F4