[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ivcylc--OpenMusic":3,"tool-ivcylc--OpenMusic":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,52],"视频",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[14,35],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":74,"owner_email":74,"owner_twitter":74,"owner_website":74,"owner_url":78,"languages":79,"stars":96,"forks":97,"last_commit_at":98,"license":99,"difficulty_score":10,"env_os":100,"env_gpu":101,"env_ram":100,"env_deps":102,"category_tags":113,"github_topics":115,"view_count":32,"oss_zip_url":74,"oss_zip_packed_at":74,"status":17,"created_at":134,"updated_at":135,"faqs":136,"releases":171},4260,"ivcylc\u002FOpenMusic","OpenMusic","OpenMusic: SOTA Text-to-music (TTM) Generation ","OpenMusic 是一款基于最新研究成果的文本生成音乐（Text-to-Music）开源工具，其核心模型名为 QA-MDT。它允许用户通过输入简单的文字描述，直接创作出高质量的音乐片段，甚至支持零样本下的无限时长音乐生成，极大地降低了音乐创作的门槛。\n\n针对现有 AI 音乐生成中常见的“指标高但听感差”或长曲目结构混乱等痛点，OpenMusic 创新性地引入了“质量感知掩码扩散 Transformer\"架构。该技术在追求客观评估指标优异的同时，特别注重保留音乐的主观艺术性和流畅度，避免了模型因过度训练而丧失乐感的现象，确保生成的旋律自然动听。此外，项目还计划未来支持音频到音频的生成与混音功能。\n\nOpenMusic 非常适合多类人群使用：研究人员可借此探索先进的扩散模型在音频领域的应用；开发者能利用其提供的 PyTorch 及 Diffusers 版本快速集成音乐生成功能；而音乐设计师、视频创作者乃至普通音乐爱好者，也能通过简易的本地部署或在线 Demo，轻松将创意转化为实际的音乐作品。作为一个强调“无花哨设计，只注入品质”的项目，OpenMusic 旨在让每个人都能享受创造美妙音乐","OpenMusic 是一款基于最新研究成果的文本生成音乐（Text-to-Music）开源工具，其核心模型名为 QA-MDT。它允许用户通过输入简单的文字描述，直接创作出高质量的音乐片段，甚至支持零样本下的无限时长音乐生成，极大地降低了音乐创作的门槛。\n\n针对现有 AI 音乐生成中常见的“指标高但听感差”或长曲目结构混乱等痛点，OpenMusic 创新性地引入了“质量感知掩码扩散 Transformer\"架构。该技术在追求客观评估指标优异的同时，特别注重保留音乐的主观艺术性和流畅度，避免了模型因过度训练而丧失乐感的现象，确保生成的旋律自然动听。此外，项目还计划未来支持音频到音频的生成与混音功能。\n\nOpenMusic 非常适合多类人群使用：研究人员可借此探索先进的扩散模型在音频领域的应用；开发者能利用其提供的 PyTorch 及 Diffusers 版本快速集成音乐生成功能；而音乐设计师、视频创作者乃至普通音乐爱好者，也能通过简易的本地部署或在线 Demo，轻松将创意转化为实际的音乐作品。作为一个强调“无花哨设计，只注入品质”的项目，OpenMusic 旨在让每个人都能享受创造美妙音乐的乐趣。","## SoTA Text-to-Music (TTM) Generation: QA-MDT\n\nPaper accepted at IJCAI-25\n\n### Official PyTorch Implementation (try our demo first!)\n\n[![Paper](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?label=Paper&message=arXiv.2405&color=red&logo=arxiv)](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2405.15863)\n[![Demo! really nice audio samples](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?label=Demo!%20really%20nice%20audio%20samples&message=QA-MDT&color=purple&logo=githubdotio)](https:\u002F\u002Fqa-mdt.github.io\u002F)\n[![CKPT](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?label=CKPT&message=huggingface&color=yellow&logo=huggingface)](https:\u002F\u002Fhuggingface.co\u002Flichang0928\u002FQA-MDT)\n[![魔塔社区 demo](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?label=%E9%AD%94%E5%A1%94%E7%A4%BE%E5%8C%BA%20demo&message=ModelScope&color=blue&logo=modelscope)](https:\u002F\u002Fwww.modelscope.cn\u002Fstudios\u002Fpaper_author_team\u002FOpenMusic_demo)\n\n[![Quality-Aware Masked Diffusion Transformer](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fquality-aware-masked-diffusion-transformer\u002Fmusic-generation-on-song-describer-dataset)]([https:\u002F\u002Fpaperswithcode.com\u002Fpaper\u002Fmusic-generation-on-song-describer-dataset](https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fquality-aware-masked-diffusion-transformer\u002Ftext-to-music-generation-on-musiccaps))\n\n[![Quality-Aware Masked Diffusion Transformer](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fquality-aware-masked-diffusion-transformer\u002Ftext-to-music-generation-on-musiccaps)]([https:\u002F\u002Fpaperswithcode.com\u002Fpaper\u002Fquality-aware-masked-diffusion-transformer](https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fquality-aware-masked-diffusion-transformer\u002Ftext-to-music-generation-on-musiccaps))\n\n\n\n(Trying to support audio-to-audio generation is in my todo list, such that you can input music tracks and the LDM will help merge them~)\n\n### We have succeeded in extending our model to inf-long music generation in a zero-shot manner\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fpdf\u002F2502.05130\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?label=Paper&message=arXiv.2502&color=red&logo=arXiv\">\u003C\u002Fa>   Paper accepted at ICCV-25\n\n### Thanks for advertisement on locally test in [YouTube](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=L4dIRvYrJ8g)! - by [@Fahd Mirza](https:\u002F\u002Fwww.youtube.com\u002F@fahdmirza)\n\n### Diffusers Implementation 🧨 - by [@jadechoghari](https:\u002F\u002Fgithub.com\u002Fjadechoghari) - Hugging Face 🤗.\nSetting up is super easy! Just follow the instructions below:\n\n[![QA-MDT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20OpenMusic-blue)](https:\u002F\u002Fhuggingface.co\u002Fjadechoghari\u002Fopenmusic)\n\n### Try the Model here: \n[![Huggingface Demo](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Demo-orange)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fjadechoghari\u002FOpenMusic)\n\n### Run locally on Gradio\n\n```\npip install -r gradio\u002Frequirements.txt\npython gradio\u002Fgradio_app.py \n```\n\n\n**We have to admit that the Unet architecture still has some probability advantage in subjective musicality, but this is not measured in the metric.\nAnd, we did have some models that were better on the metric, or trained for longer, but we observed that the models generally became less musicality after training too long, so we picked a model that was moderate on the metric as an open source sample. If you need more models (extreme metric pursuit or extreme musically pursuit, please contact me)**\n\n**without any fancy design, just a quality injection, and enjoy your beautiful music**\n\nDown the main checkpoint of our QA-MDT model from [https:\u002F\u002Fhuggingface.co\u002Flichang0928\u002FQA-MDT](https:\u002F\u002Fhuggingface.co\u002Flichang0928\u002FQA-MDT)\n\nFor chinese users, you can also download your checkpoint through following link:\n\n[https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1N0XqVxtF_x9I7fWb07LPqw?pwd=9nkt](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1N0XqVxtF_x9I7fWb07LPqw?pwd=9nkt)\n\n## Overview\n\nThis repository provides an implementation of QA-MDT, integrating state-of-the-art models for music generation. The code and methods are based on the following repositories:\n\n- [AudioLDM](https:\u002F\u002Fgithub.com\u002Fhaoheliu\u002FAudioLDM-training-finetuning)\n- [PixArt-alpha](https:\u002F\u002Fgithub.com\u002FPixArt-alpha\u002FPixArt-alpha)\n- [MDT](https:\u002F\u002Fgithub.com\u002Fsail-sg\u002FMDT)\n- [AudioMAE](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002FAudioMAE)\n- [Open-Sora](https:\u002F\u002Fgithub.com\u002Fhpcaitech\u002FOpen-Sora)\n\n## Requirements\n```bash\nPython 3.10\nqamdt.yaml\n```\n\nBefore training, you need to download extra ckpts needed in .\u002Faudioldm_train\u002Fconfig\u002Fmos_as_token\u002Fqa_mdt.yaml and offset_pretrained_checkpoints.json\n\nNoted that: All above checkpoints can be downloaded from:\n\n[flan-t5-large](https:\u002F\u002Fhuggingface.co\u002Fgoogle\u002Fflan-t5-large)\n\n[clap_music](https:\u002F\u002Fhuggingface.co\u002Flukewys\u002Flaion_clap\u002Fblob\u002Fmain\u002Fmusic_speech_audioset_epoch_15_esc_89.98.pt)\n\n[roberta-base](https:\u002F\u002Fhuggingface.co\u002FFacebookAI\u002Froberta-base)\n\n[others](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1T6EnuAHIc8ioeZ9kB1OZ_WGgwXAVGOZS\u002Fview)\n\n## Training\n\n```bash\nsh run.sh\n```\n\n### How to Prepare for Training or Fine-tuning\n\nOur model is already well-pretrained. If you wish to retrain or fine-tune it, you can choose to use or not use our QA strategy. We offer several training strategies:\n\n- **MDT w.o quality token**: `PixArt_MDT`\n- **MDT with quality token**: `Pixart_MDT_MOS_AS_TOKEN`\n- **DiT**: `PixArt_Slow`\n- **U-net w \u002F w.o quality prefix**: `you can just follow AudioLDM and make your dataset as illustrated in our paper (method part)`\n\nTo train or fine-tune, simply change `\"Your_Class\"` in `audioldm_train.modules.diffusionmodules.PixArt.Your_Class` in our [config file](https:\u002F\u002Fgithub.com\u002Fivcylc\u002Fqa-mdt\u002Fblob\u002Fmain\u002Faudioldm_train\u002Fconfig\u002Fmos_as_token\u002Fqa_mdt.yaml).\n\nyou can also try modifying the patch size, overlap size for your best performance and computing resources trade off (see our Appendix in arXiv paper)\n\n#### How to Prepare Your Dataset for Training or Fine-tuning\n\nWe use the **LMDB** dataset format for training. You can modify the dataloader according to your own training needs.\n\nIf you'd like to follow our process (though we don't recommend it, as it can be complex), here's how you can create a toy LMDB dataset:\n\n1. **Create a Proto File**\n\n   First, create a file named `datum_all.proto` with the following content:\n\n   ```proto\n   syntax = \"proto2\";\n\n   message Datum_all {\n     repeated float wav_file = 1;\n     required string caption_original = 2;\n     repeated string caption_generated = 3;\n     required float mos = 4;\n   }\n2. **Generate Python Bindings**\n\n  (Your protoc version should be 3.4, and you can download it [here](https:\u002F\u002Fgithub.com\u002Fprotocolbuffers\u002Fprotobuf\u002Freleases\u002Fdownload\u002Fv3.4.0\u002Fprotoc-3.4.0-linux-x86_64.zip))\n  \n  Run the following command in your terminal to generate Python bindings:\n\n  ```bash\n  protoc --python_out=.\u002F datum_all.proto\n  ```\n\n  This will create a file called **datum_all_pb2.py**. We have also provided this file in our datasets folder, and you can check if it matches the one you generated. **Never attempt to modify this file, as doing so could cause errors.**\n  \n3. **Code for Preparing a toy LMDB Dataset**\n\n  The following Python script demonstrates how to prepare your dataset in the LMDB format:\n  \n  ```python\n  import torch\n  import os\n  import lmdb\n  import time\n  import numpy as np\n  import librosa\n  import os\n  import soundfile as sf\n  import io\n  \n  from datum_all_pb2 import Datum_all as Datum_out\n  \n  device = 'cpu'\n  count = 0\n  total_hours = 0\n  \n  # Define paths\n  lmdb_file = '\u002Fdisk1\u002Fchangli\u002Ftoy_lmdb'\n  toy_path = '\u002Fdisk1\u002Fchangli\u002Faudioset'\n  lmdb_key = os.path.join(lmdb_file, 'data_key.key')\n  \n  # Open LMDB environment\n  env = lmdb.open(lmdb_file, map_size=1e12)\n  txn = env.begin(write=True)\n  final_keys = []\n  \n  def _resample_load_librosa(path: str, sample_rate: int, downmix_to_mono: bool, **kwargs):\n      \"\"\"Load and resample audio using librosa.\"\"\"\n      src, sr = librosa.load(path, sr=sample_rate, mono=downmix_to_mono, **kwargs)\n      return src\n  \n  start_time = time.time()\n  \n  # Walk through the dataset directory\n  for root, _, files in os.walk(toy_path):\n      for file in files:\n          audio_path = os.path.join(root, file)\n          key_tmp = audio_path.replace('\u002F', '_')\n          audio = _resample_load_librosa(audio_path, 16000, True)\n          \n          # Create a new Datum object\n          datum = Datum_out()\n          datum.wav_file.extend(audio)\n          datum.caption_original = 'audio'.encode()\n          datum.caption_generated.append('audio'.encode())\n          datum.mos = -1\n  \n          # Write to LMDB\n          txn.put(key_tmp.encode(), datum.SerializeToString())\n          final_keys.append(key_tmp)\n  \n          count += 1\n          total_hours += 1.00 \u002F 60 \u002F 10\n  \n          if count % 1 == 0:\n              elapsed_time = time.time() - start_time\n              print(f'{count} files written, time: {elapsed_time:.2f}s')\n              txn.commit()\n              txn = env.begin(write=True)\n  \n  # Finalize transaction\n  try:\n      total_time = time.time() - start_time\n      print(f'Packing completed: {count} files written, total_hours: {total_hours:.2f}, time: {total_time:.2f}s')\n      txn.commit()\n  except:\n      pass\n  \n  env.close()\n  \n  # Save the LMDB keys\n  with open(lmdb_key, 'w') as f:\n      for key in final_keys:\n          f.write(key + '\\n')\n  ```\n\notherwise, you can just use the dataloader in [AudioLDM](https:\u002F\u002Fgithub.com\u002Fhaoheliu\u002FAudioLDM-training-finetuning)\n\n4. **Input your generated lmdb path and its corresponding key file path into the config**\n\n5. **Start your training**\n\n## Inference\n```bash\nsh infer\u002Finfer.sh\n# you may change the infer.sh for witch quality level you want to infer\n# defaultly, it should be set to 5 which represent highest quality\n# Additionally, it may be useful to change the prompt with text prefix \"high quality\", \n# which match the training process and may further improve performance\n```\n\n## Contact\nThis is the first time I open source such a project, the code, the organization, the open source may not be perfect.\nIf you have any questions about our model, code and datasets, feel free to contact me via below links, and I'm looking forward to any suggestions:\n\n- **Email**: [lc_lca@mail.ustc.edu.cn](mailto:lc_lca@mail.ustc.edu.cn)\n- **WeChat**: 19524292801\n\nI will try my best to provide more projects on music and audio in the future ~\n\n## Citation\n\nIf you find this project useful, please consider citing:\n\n```\n@article{li2024quality,\n  title={Quality-aware Masked Diffusion Transformer for Enhanced Music Generation},\n  author={Li, Chang and Wang, Ruoyu and Liu, Lijuan and Du, Jun and Sun, Yixuan and Guo, Zilu and Zhang, Zhenrong and Jiang, Yuan},\n  journal={arXiv preprint arXiv:2405.15863},\n  year={2024}\n}\n```\n","## SoTA 文本到音乐（TTM）生成：QA-MDT\n\n论文已被 IJCAI-25 接收\n\n### 官方 PyTorch 实现（请先试用我们的演示！）\n\n[![论文](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?label=Paper&message=arXiv.2405&color=red&logo=arxiv)](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2405.15863)\n[![演示！非常棒的音频样本](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?label=Demo!%20really%20nice%20audio%20samples&message=QA-MDT&color=purple&logo=githubdotio)](https:\u002F\u002Fqa-mdt.github.io\u002F)\n[![检查点](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?label=CKPT&message=huggingface&color=yellow&logo=huggingface)](https:\u002F\u002Fhuggingface.co\u002Flichang0928\u002FQA-MDT)\n[![魔塔社区演示](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?label=%E9%AD%94%E5%A1%94%E7%A4%BE%E5%8C%BA%20demo&message=ModelScope&color=blue&logo=modelscope)](https:\u002F\u002Fwww.modelscope.cn\u002Fstudios\u002Fpaper_author_team\u002FOpenMusic_demo)\n\n[![质量感知掩码扩散Transformer](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fquality-aware-masked-diffusion-transformer\u002Fmusic-generation-on-song-describer-dataset)]([https:\u002F\u002Fpaperswithcode.com\u002Fpaper\u002Fmusic-generation-on-song-describer-dataset](https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fquality-aware-masked-diffusion-transformer\u002Ftext-to-music-generation-on-musiccaps))\n\n[![质量感知掩码扩散Transformer](https:\u002F\u002Fimg.shields.io\u002Fendpoint.svg?url=https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fquality-aware-masked-diffusion-transformer\u002Ftext-to-music-generation-on-musiccaps)]([https:\u002F\u002Fpaperswithcode.com\u002Fpaper\u002Fquality-aware-masked-diffusion-transformer](https:\u002F\u002Fpaperswithcode.com\u002Fbadge\u002Fquality-aware-masked-diffusion-transformer\u002Ftext-to-music-generation-on-musiccaps))\n\n\n\n（支持音频到音频生成也在我的待办事项中，这样你就可以输入音乐曲目，LDM 会帮助将它们融合在一起~）\n\n### 我们已成功地以零样本方式将我们的模型扩展到无限长音乐生成\n\u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fpdf\u002F2502.05130\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?label=Paper&message=arXiv.2502&color=red&logo=ArXiv\">\u003C\u002Fa>   论文已被 ICCV-25 接收\n\n### 感谢在 [YouTube](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=L4dIRvYrJ8g) 上的本地测试广告！ - 由 [@Fahd Mirza](https:\u002F\u002Fwww.youtube.com\u002F@fahdmirza) 提供\n\n### Diffusers 实现 🧨 - 由 [@jadechoghari](https:\u002F\u002Fgithub.com\u002Fjadechoghari) - Hugging Face 🤗。\n设置非常简单！只需按照以下说明操作：\n\n[![QA-MDT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20OpenMusic-blue)](https:\u002F\u002Fhuggingface.co\u002Fjadechoghari\u002Fopenmusic)\n\n### 在这里试用模型：\n[![Hugging Face 演示](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F%F0%9F%A4%97%20Demo-orange)](https:\u002F\u002Fhuggingface.co\u002Fspaces\u002Fjadechoghari\u002FOpenMusic)\n\n### 在本地使用 Gradio 运行\n\n```\npip install -r gradio\u002Frequirements.txt\npython gradio\u002Fgradio_app.py \n```\n\n\n**我们必须承认，Unet 架构在主观音乐性方面仍然具有一定的优势，但这并未在指标上体现出来。\n此外，我们确实有一些在指标上表现更好的模型，或者训练时间更长的模型，但我们观察到，随着训练时间的延长，这些模型的音乐性往往会下降。因此，我们选择了一个在指标上表现适中的模型作为开源示例。如果您需要更多模型（无论是追求极致指标还是极致音乐性），请随时与我联系。**\n\n**无需任何花哨的设计，只需注入质量，即可享受美妙的音乐。**\n\n从 [https:\u002F\u002Fhuggingface.co\u002Flichang0928\u002FQA-MDT](https:\u002F\u002Fhuggingface.co\u002Flichang0928\u002FQA-MDT) 下载我们 QA-MDT 模型的主要检查点。\n\n对于中文用户，您也可以通过以下链接下载您的检查点：\n\n[https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1N0XqVxtF_x9I7fWb07LPqw?pwd=9nkt](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1N0XqVxtF_x9I7fWb07LPqw?pwd=9nkt)\n\n## 概述\n\n本仓库提供了 QA-MDT 的实现，整合了最先进的音乐生成模型。代码和方法基于以下仓库：\n\n- [AudioLDM](https:\u002F\u002Fgithub.com\u002Fhaoheliu\u002FAudioLDM-training-finetuning)\n- [PixArt-alpha](https:\u002F\u002Fgithub.com\u002FPixArt-alpha\u002FPixArt-alpha)\n- [MDT](https:\u002F\u002Fgithub.com\u002Fsail-sg\u002FMDT)\n- [AudioMAE](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002FAudioMAE)\n- [Open-Sora](https:\u002F\u002Fgithub.com\u002Fhpcaitech\u002FOpen-Sora)\n\n## 需求\n```bash\nPython 3.10\nqamdt.yaml\n```\n\n在训练之前，您需要下载 .\u002Faudioldm_train\u002Fconfig\u002Fmos_as_token\u002Fqa_mdt.yaml 和 offset_pretrained_checkpoints.json 中所需的额外检查点。\n\n请注意：以上所有检查点均可从以下位置下载：\n\n[flan-t5-large](https:\u002F\u002Fhuggingface.co\u002Fgoogle\u002Fflan-t5-large)\n\n[clap_music](https:\u002F\u002Fhuggingface.co\u002Flukewys\u002Flaion_clap\u002Fblob\u002Fmain\u002Fmusic_speech_audioset_epoch_15_esc_89.98.pt)\n\n[roberta-base](https:\u002F\u002Fhuggingface.co\u002FFacebookAI\u002Froberta-base)\n\n[其他](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1T6EnuAHIc8ioeZ9kB1OZ_WGgwXAVGOZS\u002Fview)\n\n## 训练\n\n```bash\nsh run.sh\n```\n\n### 如何准备训练或微调\n\n我们的模型已经经过充分的预训练。如果您希望重新训练或微调它，可以选择使用或不使用我们的QA策略。我们提供了几种训练策略：\n\n- **MDT 无质量标记**：`PixArt_MDT`\n- **MDT 带质量标记**：`Pixart_MDT_MOS_AS_TOKEN`\n- **DiT**：`PixArt_Slow`\n- **U-net 带\u002F不带质量前缀**：您可以参考AudioLDM，并按照我们论文（方法部分）中的说明制作自己的数据集。\n\n要进行训练或微调，只需在我们的[配置文件](https:\u002F\u002Fgithub.com\u002Fivcylc\u002Fqa-mdt\u002Fblob\u002Fmain\u002Faudioldm_train\u002Fconfig\u002Fmos_as_token\u002Fqa_mdt.yaml)中更改`audioldm_train.modules.diffusionmodules.PixArt.Your_Class`中的`\"Your_Class\"`即可。\n\n您还可以尝试调整补丁大小和重叠大小，以在性能和计算资源之间找到最佳平衡（详见我们在arXiv论文中的附录）。\n\n#### 如何为训练或微调准备您的数据集\n\n我们使用**LMDB**数据集格式进行训练。您可以根据自己的训练需求修改数据加载器。\n\n如果您想按照我们的流程操作（尽管我们并不推荐，因为这可能会比较复杂），以下是创建一个玩具LMDB数据集的方法：\n\n1. **创建Proto文件**\n\n   首先，创建一个名为`datum_all.proto`的文件，内容如下：\n\n   ```proto\n   syntax = \"proto2\";\n\n   message Datum_all {\n     repeated float wav_file = 1;\n     required string caption_original = 2;\n     repeated string caption_generated = 3;\n     required float mos = 4;\n   }\n2. **生成Python绑定**\n\n  （您的protoc版本应为3.4，可从[这里](https:\u002F\u002Fgithub.com\u002Fprotocolbuffers\u002Fprotobuf\u002Freleases\u002Fdownload\u002Fv3.4.0\u002Fprotoc-3.4.0-linux-x86_64.zip)下载）\n  \n  在终端中运行以下命令以生成Python绑定：\n\n  ```bash\n  protoc --python_out=.\u002F datum_all.proto\n  ```\n\n  这将生成一个名为**datum_all_pb2.py**的文件。我们也在数据集文件夹中提供了该文件，您可以检查它是否与您生成的一致。**切勿尝试修改此文件，否则可能导致错误。**\n  \n3. **准备玩具LMDB数据集的代码**\n\n  下面的Python脚本展示了如何以LMDB格式准备您的数据集：\n  \n  ```python\n  import torch\n  import os\n  import lmdb\n  import time\n  import numpy as np\n  import librosa\n  import os\n  import soundfile as sf\n  import io\n  \n  from datum_all_pb2 import Datum_all as Datum_out\n  \n  device = 'cpu'\n  count = 0\n  total_hours = 0\n  \n  # 定义路径\n  lmdb_file = '\u002Fdisk1\u002Fchangli\u002Ftoy_lmdb'\n  toy_path = '\u002Fdisk1\u002Fchangli\u002Faudioset'\n  lmdb_key = os.path.join(lmdb_file, 'data_key.key')\n  \n  # 打开LMDB环境\n  env = lmdb.open(lmdb_file， map_size=1e12)\n  txn = env.begin(write=True)\n  final_keys = []\n  \n  def _resample_load_librosa(path: str, sample_rate: int, downmix_to_mono: bool, **kwargs):\n      \"\"\"使用librosa加载并重采样音频。\"\"\"\n      src, sr = librosa.load(path, sr=sample_rate， mono=downmix_to_mono， **kwargs)\n      return src\n  \n  start_time = time.time()\n  \n  # 遍历数据集目录\n  for root, _, files in os.walk(toy_path):\n      for file in files:\n          audio_path = os.path.join(root， file)\n          key_tmp = audio_path.replace('\u002F', '_')\n          audio = _resample_load_librosa(audio_path， 16000， True）\n          \n          # 创建一个新的Datum对象\n          datum = Datum_out()\n          datum.wav_file.extend(audio)\n          datum.caption_original = 'audio'.encode()\n          datum.caption_generated.append('audio'.encode())\n          datum.mos = -1\n  \n          # 写入LMDB\n          txn.put(key_tmp.encode()， datum.SerializeToString())\n          final_keys.append(key_tmp）\n  \n          count += 1\n          total_hours += 1.00 \u002F 60 \u002F 10\n  \n          if count % 1 == 0:\n              elapsed_time = time.time() - start_time\n              print(f'{count}个文件已写入，用时：{elapsed_time:.2f}s')\n              txn.commit()\n              txn = env.begin(write=True）\n  \n  # 最终提交事务\n  try:\n      total_time = time.time() - start_time\n      print(f'打包完成：共写入{count}个文件，总时长：{total_hours:.2f}小时，用时：{total_time:.2f}s')\n      txn.commit()\n  except:\n      pass\n  \n  env.close()\n  \n  # 保存LMDB键\n  with open(lmdb_key， 'w') as f:\n      for key in final_keys:\n          f.write(key + '\\n')\n  ```\n\n否则，您也可以直接使用[AudioLDM](https:\u002F\u002Fgithub.com\u002Fhaoheliu\u002FAudioLDM-training-finetuning)中的数据加载器。\n\n4. **将您生成的LMDB路径及其对应的键文件路径输入到配置中**\n\n5. **开始您的训练**\n\n## 推理\n```bash\nsh infer\u002Finfer.sh\n# 您可以修改infer.sh以选择您想要推理的质量等级\n# 默认情况下，它应设置为5，代表最高质量\n# 此外，将提示语改为带有“高质量”前缀的文本可能更有帮助，\n# 这样可以与训练过程保持一致，并进一步提升性能\n```\n\n## 联系方式\n这是我第一次开源这样一个项目，无论是代码、组织方式还是开源本身，都可能存在不足之处。\n如果您对我们的模型、代码和数据集有任何疑问，请随时通过以下方式联系我，我也非常期待您的建议：\n\n- **邮箱**：[lc_lca@mail.ustc.edu.cn](mailto:lc_lca@mail.ustc.edu.cn)\n- **微信**：19524292801\n\n未来我会尽力提供更多关于音乐和音频方面的项目~\n\n## 引用\n如果您觉得这个项目有用，请考虑引用以下文献：\n\n```\n@article{li2024quality,\n  title={Quality-aware Masked Diffusion Transformer for Enhanced Music Generation},\n  author={Li, Chang and Wang, Ruoyu and Liu, Lijuan and Du, Jun and Sun, Yixuan and Guo, Zilu and Zhang, Zhenrong and Jiang, Yuan},\n  journal={arXiv preprint arXiv:2405.15863},\n  year={2024}\n}\n```","# OpenMusic (QA-MDT) 快速上手指南\n\nOpenMusic 是基于 QA-MDT（Quality-Aware Masked Diffusion Transformer）架构的开源文本生成音乐（Text-to-Music）模型，支持高质量音乐生成及零样本无限时长音乐扩展。\n\n## 环境准备\n\n### 系统要求\n- **Python**: 3.10\n- **操作系统**: Linux \u002F macOS \u002F Windows (推荐 Linux)\n- **GPU**: 支持 CUDA 的 NVIDIA 显卡（推理建议显存 >= 8GB）\n\n### 前置依赖\n在开始之前，请确保已安装以下基础库：\n```bash\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\npip install lmdb librosa soundfile protobuf==3.4.0\n```\n\n> **注意**：国内用户推荐使用清华或阿里镜像源加速安装：\n> ```bash\n> pip install -r gradio\u002Frequirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n### 1. 克隆项目代码\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fivcylc\u002Fqa-mdt.git\ncd qa-mdt\n```\n\n### 2. 下载预训练模型与依赖检查点\n本项目需要多个预训练权重。国内用户可优先使用百度网盘下载主模型，其他依赖建议从 Hugging Face 或谷歌驱动下载。\n\n**主模型 (QA-MDT):**\n- **百度网盘**: [下载链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1N0XqVxtF_x9I7fWb07LPqw?pwd=9nkt) (提取码: `9nkt`)\n- **Hugging Face**: [lichang0928\u002FQA-MDT](https:\u002F\u002Fhuggingface.co\u002Flichang0928\u002FQA-MDT)\n\n**其他必要检查点 (需放入对应配置目录):**\n- [flan-t5-large](https:\u002F\u002Fhuggingface.co\u002Fgoogle\u002Fflan-t5-large)\n- [clap_music](https:\u002F\u002Fhuggingface.co\u002Flukewys\u002Flaion_clap\u002Fblob\u002Fmain\u002Fmusic_speech_audioset_epoch_15_esc_89.98.pt)\n- [roberta-base](https:\u002F\u002Fhuggingface.co\u002FFacebookAI\u002Froberta-base)\n- [其他辅助文件](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1T6EnuAHIc8ioeZ9kB1OZ_WGgwXAVGOZS\u002Fview)\n\n请将下载的模型文件放置在 `.\u002Faudioldm_train\u002Fconfig\u002Fmos_as_token\u002F` 及相关配置指定的路径下。\n\n### 3. 安装项目依赖\n```bash\npip install -r gradio\u002Frequirements.txt\n```\n\n## 基本使用\n\n### 方式一：运行本地 Gradio 演示界面（推荐）\n这是最简单的体验方式，启动后将在浏览器中提供可视化操作界面。\n\n1. **启动服务**\n   ```bash\n   python gradio\u002Fgradio_app.py\n   ```\n\n2. **使用**\n   终端会输出一个本地地址（如 `http:\u002F\u002F127.0.0.1:7860`），在浏览器打开该地址即可输入文本提示词生成音乐。\n\n### 方式二：命令行推理\n如果您希望通过脚本直接生成音频：\n\n1. **编辑推理配置**\n   打开 `infer\u002Finfer.sh`，确认质量等级设置（默认为 `5` 代表最高质量）。\n   > 提示：在提示词前添加 \"high quality\" 前缀通常能获得更好的效果。\n\n2. **执行推理**\n   ```bash\n   sh infer\u002Finfer.sh\n   ```\n\n生成的音频文件将保存在输出目录中。\n\n---\n*更多高级功能（如微调训练、自定义数据集构建）请参考项目原始 README 中的 Training 章节。*","独立游戏开发者小林正在为一款复古风格的解谜游戏制作背景音乐，需要根据不同关卡的氛围快速生成多段原创旋律。\n\n### 没有 OpenMusic 时\n- **版权风险高**：只能从素材库购买通用音乐，不仅成本高昂，还常面临版权纠纷隐患，难以确保商用安全。\n- **定制难度大**：外包作曲沟通成本极高，修改一次旋律需数天等待，无法配合敏捷开发节奏实时调整。\n- **风格匹配难**：现有素材库难以精准匹配“赛博朋克加爵士”等复杂混合风格描述，导致音乐与画面割裂。\n- **创作门槛高**：团队缺乏专业乐理知识，无法自行编写高质量乐谱，导致项目音频部分长期停滞。\n\n### 使用 OpenMusic 后\n- **原创零风险**：输入文字描述即可直接生成完全原创的 SOTA 级音乐片段，彻底规避版权争议且免费商用。\n- **即时迭代**：利用 QA-MDT 模型的质量感知能力，秒级生成多版本供选择，根据测试反馈随时微调旋律走向。\n- **精准控场**：通过自然语言精确控制乐器搭配与情感基调（如“忧郁的小号伴随雨声”），实现音画完美同步。\n- **无限延展**：借助其零样本长音乐生成特性，将短旋律自动扩展为完整的关卡背景循环，无需人工拼接。\n\nOpenMusic 让非音乐专业的开发者也能像编写代码一样，通过文本提示词高效构建独一无二的高质量游戏原声带。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fivcylc_OpenMusic_28b967cf.png","ivcylc",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fivcylc_b5b84ed2.png","Carpe Diem","@ BJ","https:\u002F\u002Fgithub.com\u002Fivcylc",[80,84,88,92],{"name":81,"color":82,"percentage":83},"Python","#3572A5",99.5,{"name":85,"color":86,"percentage":87},"Cuda","#3A4E3A",0.3,{"name":89,"color":90,"percentage":91},"C++","#f34b7d",0.2,{"name":93,"color":94,"percentage":95},"Shell","#89e051",0,633,71,"2026-03-26T14:23:37","MIT","未说明","未说明（基于 PyTorch 和 Diffusion 模型，通常建议 NVIDIA GPU，具体显存需求取决于生成时长和质量等级）",{"notes":103,"python":104,"dependencies":105},"1. 训练前需手动下载额外的预训练检查点（包括 flan-t5-large, clap_music, roberta-base 等），README 中提供了 HuggingFace 和百度网盘链接。\n2. 若需准备自定义数据集进行训练，必须使用特定版本（3.4.0）的 protoc 生成 Python 绑定文件。\n3. 推理脚本默认设置为最高质量等级（5），可通过修改提示词前缀为'high quality'以匹配训练过程并提升效果。\n4. 项目依赖 LMDB 格式数据集，官方提供了从音频文件转换为 LMDB 格式的示例脚本。","3.10",[106,107,108,109,110,111,112],"torch","transformers (flan-t5-large, roberta-base)","librosa","soundfile","lmdb","protobuf==3.4.0","gradio",[114,13,15,35,14,52],"音频",[116,117,118,119,120,121,122,123,124,125,126,127,128,129,130,131,132,133],"ai","diffusion-models","music-generation","text-to-audio","text-to-music","ai-music","ai-music-generation","ai-music-generator","audioldm","diffusion-transformer","dit","hifi-gan","mdt","music-ai","music-ai-architectures","text-to-audio-ai","text-to-music-transformer","vall-e","2026-03-27T02:49:30.150509","2026-04-06T15:10:25.270179",[137,142,147,152,157,162,167],{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},19399,"推理时显存不足（OOM），24G 显存不够用怎么办？","推理时需要同时加载 VAE、Text Encoder (Flan-T5)、Hifi-GAN 和主模型，总显存需求超过 24G。目前项目暂不支持自动模型并行。解决方案有两种：\n1. **手动分摊显存**：修改代码，将 VAE、Flan-T5、HifiGAN 等预训练模型加载到 GPU 0 (`.to(\"cuda:0\")`)，将主 checkpoint 加载到 GPU 1 (`.to(\"cuda:1\")`)，利用多卡分摊压力。\n2. **租用高显存显卡**：建议在 AutoDL 等平台租用 40GB 以上显存的显卡进行测试。\n注意：单纯导入 checkpoint 不需要 24G，是多个预训练权重叠加导致溢出。","https:\u002F\u002Fgithub.com\u002Fivcylc\u002FOpenMusic\u002Fissues\u002F16",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},19400,"Gradio 网页版推理速度慢，每次请求都要重新加载模型吗？","Gradio 服务启动后，首次请求会加载所有模型，耗时较长（约 120 秒）。理论上后续请求不应重复加载，但为了获得更稳定的推理速度（约 30 秒\u002F次），维护者推荐使用**本地脚本推理**而非 Gradio 网页版。\n具体步骤：\n1. 根据 `gradio` 文件夹下的 `requirement.txt` 配置环境。\n2. 将需要生成音频的描述提示词放入列表文件（如 `prompts\u002Fgood_prompts_1.lst`）。\n3. 运行 `infer.sh` 脚本进行批量推理。","https:\u002F\u002Fgithub.com\u002Fivcylc\u002FOpenMusic\u002Fissues\u002F3",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},19401,"如何获取预训练模型检查点（Checkpoints）？","预训练模型未直接全部放在 GitHub 上，需通过以下方式获取：\n1. **百度网盘**：链接 `https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1pkLnQhbNeFjKRadXUy_7Iw?pwd=v9dd`，提取码 `v9dd`。\n2. **Hugging Face**：部分资源或最新整合包可参考 `https:\u002F\u002Fhuggingface.co\u002Fjadechoghari\u002Fopenmusic`，该页面可能提供自动下载所需检查点的功能。\n如果下载后遇到维度不匹配错误，请联系维护者获取特定版本的 VAE 检查点。","https:\u002F\u002Fgithub.com\u002Fivcylc\u002FOpenMusic\u002Fissues\u002F1",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},19402,"RTX 4090 (24G) 或其他高端显卡运行时仍报显存不足（OOM）是正常的吗？","是的，即使使用 RTX 4090 (24G) 也可能出现 OOM。这是因为推理流程需要串联加载多个大型组件（VAE, Hifi-gan, Flan-t5, MDT），累积显存占用极易超过 24G。\n维护者建议：\n- 确认没有其他任务占用显存。\n- 如果必须在本机运行，尝试按照“手动分摊显存”的方法修改代码，将不同模块分配到不同 GPU（如果有双卡）。\n- 或者考虑使用显存更大的专业卡（如 A100\u002FA800 40G+）或云端租赁服务。","https:\u002F\u002Fgithub.com\u002Fivcylc\u002FOpenMusic\u002Fissues\u002F20",{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},19403,"如何控制生成音乐的长度（Duration）？","音乐长度是可以控制的。虽然直接修改配置文件中的 `duration` 参数有时可能不生效，但维护者指出在 `readme.md` 中有详细说明。\n通常需要在准备训练或微调数据的阶段，通过特定的数据格式或配置来指定期望的时长。请参考项目 README 中关于 \"How to prepare for training or fine-tuning\" 的章节获取具体配置方法。","https:\u002F\u002Fgithub.com\u002Fivcylc\u002FOpenMusic\u002Fissues\u002F17",{"id":163,"question_zh":164,"answer_zh":165,"source_url":166},19404,"是否开源了质量评估器（Quality Extractor \u002F P-MOS）的模型权重？","目前质量评估器（Quality Extractor）的具体模型权重尚未完全公开或直接提供下载链接用于独立训练。维护者在相关讨论中提供了用于辅助训练和微调流程的视频教程（托管在 Hugging Face Datasets），并建议用户先从 Hugging Face Hub 下载基础检查点开始搭建环境。如需使用该模块进行自定义训练，可能需要关注后续更新或直接联系作者获取进一步指引。","https:\u002F\u002Fgithub.com\u002Fivcylc\u002FOpenMusic\u002Fissues\u002F14",{"id":168,"question_zh":169,"answer_zh":170,"source_url":141},19405,"单张 24G 显卡无法运行，可以使用多张 24G 显卡（如双卡）来替代单张 48G 显卡吗？","目前代码对模型并行（Model Parallelism）的支持尚不完善，因此两张 24G 显卡不能自动合并为 48G 使用。\n但是，可以通过**手动修改代码**实现显存分摊：\n- 在加载 VAE、FlanT5、HifiGAN 等预训练模型时，强制指定设备为 `cuda:0` (`.to(\"cuda:0\")`)。\n- 在加载主模型 checkpoint (`checkpoint.ckpt`) 时，强制指定设备为 `cuda:1` (`.to(\"cuda:1\")`)。\n这样可以手动将显存压力均摊到两张卡上，从而绕过单卡显存限制。",[]]