File size: 12,680 Bytes
bc4a291
c01d9cd
bc4a291
 
29af738
c01d9cd
6314551
d017266
 
c01d9cd
6314551
804bc89
6314551
bc4a291
6314551
c01d9cd
6314551
c01d9cd
6314551
c01d9cd
6314551
c01d9cd
6314551
c01d9cd
3d541b1
 
 
 
c01d9cd
29af738
 
 
 
 
 
 
6314551
c01d9cd
fcc2727
 
 
 
 
 
 
 
37af952
 
 
 
 
 
 
 
3d541b1
d2b84c6
bfd6354
804bc89
6314551
c01d9cd
6314551
c01d9cd
bc4a291
6314551
c01d9cd
 
6314551
c01d9cd
 
6314551
c01d9cd
5e1b647
c01d9cd
 
 
 
 
 
 
5e1b647
 
 
 
c01d9cd
 
 
 
 
 
 
d017266
 
c01d9cd
 
6314551
c01d9cd
d017266
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
f9a5f59
1db8186
 
f9a5f59
 
 
 
 
 
d017266
 
 
 
f9a5f59
 
1db8186
f9a5f59
 
 
 
 
 
 
d017266
 
 
 
 
f9a5f59
 
 
 
 
 
 
 
 
 
 
 
d017266
f9a5f59
 
 
 
d017266
f9a5f59
 
 
 
 
 
1db8186
f9a5f59
d017266
 
 
 
 
f9a5f59
 
 
 
2e3e8f8
1db8186
f9a5f59
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
d017266
 
 
 
 
f9a5f59
 
 
d017266
 
f9a5f59
 
 
 
 
 
 
 
 
 
 
d017266
 
 
 
f9a5f59
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
c01d9cd
 
6314551
c01d9cd
3982a49
c01d9cd
e2b12e6
c01d9cd
 
d017266
 
 
 
 
 
 
fcc2727
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
import gradio as gr
import os
import datetime
import pytz
from pathlib import Path

def current_time():
	current = datetime.datetime.now(pytz.timezone('Asia/Shanghai')).strftime("%Y年-%m月-%d日 %H时:%M分:%S秒")
	return current

print(f"[{current_time()}] 开始部署空间...")

print(f"[{current_time()}] 日志:安装 - gsutil")
os.system("pip install gsutil")
print(f"[{current_time()}] 日志:Git - 克隆 Github 的 T5X 训练框架到当前目录")
os.system("git clone --branch=main https://github.com/google-research/t5x")
print(f"[{current_time()}] 日志:文件 - 移动 t5x 到当前目录并重命名为 t5x_tmp 并删除")
os.system("mv t5x t5x_tmp; mv t5x_tmp/* .; rm -r t5x_tmp")
print(f"[{current_time()}] 日志:编辑 - 替换 setup.py 内的文本“jax[tpu]”为“jax”")
os.system("sed -i 's:jax\[tpu\]:jax:' setup.py")
print(f"[{current_time()}] 日志:Python - 使用 pip 安装 当前目录内的 Python 包")
os.system("python3 -m pip install -e .")
print(f"[{current_time()}] 日志:Python - 更新 Python 包管理器 pip")
os.system("python3 -m pip install --upgrade pip")
print(f"[{current_time()}] 日志:安装 - langchain")
os.system("pip install langchain")
print(f"[{current_time()}] 日志:安装 - sentence-transformers")
os.system("pip install sentence-transformers")

print(f"[{current_time()}] 日志:Git - 克隆 Github 的 airio 到当前目录")
os.system("git clone --branch=main https://github.com/google/airio")
print(f"[{current_time()}] 日志:文件 - 移动 airio 到当前目录并重命名为 airio_tmp 并删除")
os.system("mv airio airio_tmp; mv airio_tmp/* .; rm -r airio_tmp")
print(f"[{current_time()}] 日志:Python - 使用 pip 安装 当前目录内的 Python 包")
os.system("python3 -m pip install -e .")

print(f"[{current_time()}] 日志:Git - 克隆 Github 的 MT3 模型到当前目录")
os.system("git clone --branch=main https://github.com/magenta/mt3")
print(f"[{current_time()}] 日志:文件 - 重命名 mt3 目录为 mt3_tmp……")
os.system("mv mt3 mt3_tmp")
print(f"[{current_time()}] 日志:文件 - 移动 mt3_tmp 目录的所有文件到 当前目录")
os.system("mv mt3_tmp/* .")
print(f"[{current_time()}] 日志:文件 - 删除 mt3_tmp 目录")
os.system("rm -r mt3_tmp")

print(f"[{current_time()}] 日志:导入 - 从 mt3 目录中导入必要工具")
from mt3 import metrics_utils
from mt3 import models
from mt3 import network
from mt3 import note_sequences
from mt3 import preprocessors
from mt3 import spectrograms
from mt3 import vocabularies

print(f"[{current_time()}] 日志:Python - 使用 pip 从 storage.googleapis.com 安装 jax[cuda11_local] nest-asyncio pyfluidsynth")
os.system("python3 -m pip install jax[cuda12_local] nest-asyncio pyfluidsynth==1.3.0 -e . -f https://storage.googleapis.com/jax-releases/jax_cuda_releases.html")
print(f"[{current_time()}] 日志:安装 - 更新 jaxlib")
os.system("pip install --upgrade jaxlib")
print(f"[{current_time()}] 日志:Python - 使用 pip 安装 当前目录内的 Python 包")
os.system("python3 -m pip install -e .")
print(f"[{current_time()}] 日志:安装 - TensorFlow CPU")
os.system("pip install tensorflow_cpu")

print(f"[{current_time()}] 日志:gsutil - 复制 MT3 检查点到当前目录")
os.system("gsutil -q -m cp -r gs://mt3/checkpoints .")

print(f"[{current_time()}] 日志:gsutil - 复制 SoundFont 文件到当前目录")
os.system("gsutil -q -m cp gs://magentadata/soundfonts/SGM-v2.01-Sal-Guit-Bass-V1.3.sf2 .")

print(f"[{current_time()}] 日志:导入 - 必要工具")
import functools
import os
import numpy as np
import tensorflow.compat.v2 as tf

import gin
import jax
import librosa
import note_seq
import seqio
import t5
import t5x

import nest_asyncio
nest_asyncio.apply()

SAMPLE_RATE = 16000
SF2_PATH = 'SGM-v2.01-Sal-Guit-Bass-V1.3.sf2'

def upload_audio(audio, sample_rate):
	return note_seq.audio_io.wav_data_to_samples_librosa(
		audio, sample_rate=sample_rate)


print(f"[{current_time()}] 日志:开始包装模型...")
class InferenceModel(object):
	"""音乐转录的 T5X 模型包装器。"""

	def __init__(self, checkpoint_path, model_type='mt3'):
		if model_type == 'ismir2021':
			num_velocity_bins = 127
			self.encoding_spec = note_sequences.NoteEncodingSpec
			self.inputs_length = 512
		elif model_type == 'mt3':
			num_velocity_bins = 1
			self.encoding_spec = note_sequences.NoteEncodingWithTiesSpec
			self.inputs_length = 256
		else:
			raise ValueError('unknown model_type: %s' % model_type)

		gin_files = ['/home/user/app/mt3/gin/model.gin',
					'/home/user/app/mt3/gin/mt3.gin']

		self.batch_size = 8
		self.outputs_length = 1024
		self.sequence_length = {'inputs': self.inputs_length,
								'targets': self.outputs_length}

		self.partitioner = t5x.partitioning.PjitPartitioner(
				model_parallel_submesh=None, num_partitions=1)

		print(f"[{current_time()}] 日志:构建编解码器")
		self.spectrogram_config = spectrograms.SpectrogramConfig()
		self.codec = vocabularies.build_codec(
				vocab_config=vocabularies.VocabularyConfig(
				num_velocity_bins=num_velocity_bins)
				)
		self.vocabulary = vocabularies.vocabulary_from_codec(self.codec)
		self.output_features = {
				'inputs': seqio.ContinuousFeature(dtype=tf.float32, rank=2),
				'targets': seqio.Feature(vocabulary=self.vocabulary),
		}

		print(f"[{current_time()}] 日志:创建 T5X 模型")
		self._parse_gin(gin_files)
		self.model = self._load_model()

		print(f"[{current_time()}] 日志:恢复模型检查点")
		self.restore_from_checkpoint(checkpoint_path)

	@property
	def input_shapes(self):
		return {
			'encoder_input_tokens': (self.batch_size, self.inputs_length),
			'decoder_input_tokens': (self.batch_size, self.outputs_length)
		}

	def _parse_gin(self, gin_files):
		"""解析用于训练模型的 gin 文件。"""
		print(f"[{current_time()}] 日志:解析 gin 文件")
		gin_bindings = [
			'from __gin__ import dynamic_registration',
			'from mt3 import vocabularies',
			'VOCAB_CONFIG=@vocabularies.VocabularyConfig()',
			'vocabularies.VocabularyConfig.num_velocity_bins=%NUM_VELOCITY_BINS'
		]
		with gin.unlock_config():
			gin.parse_config_files_and_bindings(gin_files, gin_bindings, finalize_config=False)

	def _load_model(self):
		"""在解析训练 gin 配置后加载 T5X `Model`。"""
		print(f"[{current_time()}] 日志:加载 T5X 模型")
		model_config = gin.get_configurable(network.T5Config)()
		module = network.Transformer(config=model_config)
		return models.ContinuousInputsEncoderDecoderModel(
			module=module,
			input_vocabulary=self.output_features['inputs'].vocabulary,
			output_vocabulary=self.output_features['targets'].vocabulary,
			optimizer_def=t5x.adafactor.Adafactor(decay_rate=0.8, step_offset=0),
			input_depth=spectrograms.input_depth(self.spectrogram_config))


	def restore_from_checkpoint(self, checkpoint_path):
		"""从检查点中恢复训练状态,重置 self._predict_fn()。"""
		print(f"[{current_time()}] 日志:从检查点恢复训练状态")
		train_state_initializer = t5x.utils.TrainStateInitializer(
			optimizer_def=self.model.optimizer_def,
			init_fn=self.model.get_initial_variables,
			input_shapes=self.input_shapes,
			partitioner=self.partitioner)

		restore_checkpoint_cfg = t5x.utils.RestoreCheckpointConfig(
			path=checkpoint_path, mode='specific', dtype='float32')

		train_state_axes = train_state_initializer.train_state_axes
		self._predict_fn = self._get_predict_fn(train_state_axes)
		self._train_state = train_state_initializer.from_checkpoint_or_scratch(
			[restore_checkpoint_cfg], init_rng=jax.random.PRNGKey(0))

	@functools.lru_cache()
	def _get_predict_fn(self, train_state_axes):
		"""生成一个分区的预测函数用于解码。"""
		print(f"[{current_time()}] 日志:生成用于解码的预测函数")
		def partial_predict_fn(params, batch, decode_rng):
			return self.model.predict_batch_with_aux(params, batch, decoder_params={'decode_rng': None})
		return self.partitioner.partition(
			partial_predict_fn,
			in_axis_resources=(
					train_state_axes.params,
					t5x.partitioning.PartitionSpec('data',), None),
			out_axis_resources=t5x.partitioning.PartitionSpec('data',)
		)

	def predict_tokens(self, batch, seed=0):
		"""从预处理的数据集批次中预测 tokens。"""
		print(f"[{current_time()}] 运行:从预处理数据集中预测音符序列 (种子:{seed})")
		prediction, _ = self._predict_fn(self._train_state.params, batch, jax.random.PRNGKey(seed))
		return self.vocabulary.decode_tf(prediction).numpy()

	def __call__(self, audio):
		"""从音频样本推断出音符序列。

		参数:
			audio:16kHz 的单个音频样本的 1 维 numpy 数组。
		返回:
			转录音频的音符序列。
		"""
		print(f"[{current_time()}] 运行:从音频样本中推断音符序列")
		ds = self.audio_to_dataset(audio)
		ds = self.preprocess(ds)

		model_ds = self.model.FEATURE_CONVERTER_CLS(pack=False)(
				ds, task_feature_lengths=self.sequence_length)
		model_ds = model_ds.batch(self.batch_size)

		inferences = (tokens for batch in model_ds.as_numpy_iterator()
									for tokens in self.predict_tokens(batch))

		predictions = []
		for example, tokens in zip(ds.as_numpy_iterator(), inferences):
			predictions.append(self.postprocess(tokens, example))

		result = metrics_utils.event_predictions_to_ns(
				predictions, codec=self.codec, encoding_spec=self.encoding_spec)
		return result['est_ns']

	def audio_to_dataset(self, audio):
		"""从输入音频创建一个包含频谱图的 TF Dataset。"""
		print(f"[{current_time()}] 运行:从音频创建包含频谱图的 TF Dataset")
		frames, frame_times = self._audio_to_frames(audio)
		return tf.data.Dataset.from_tensors({
				'inputs': frames,
				'input_times': frame_times,
		})

	def _audio_to_frames(self, audio):
		"""从音频计算频谱图帧。"""
		print(f"[{current_time()}] 运行:从音频计算频谱图帧")
		frame_size = self.spectrogram_config.hop_width
		padding = [0, frame_size - len(audio) % frame_size]
		audio = np.pad(audio, padding, mode='constant')
		frames = spectrograms.split_audio(audio, self.spectrogram_config)
		num_frames = len(audio) // frame_size
		times = np.arange(num_frames) / self.spectrogram_config.frames_per_second
		return frames, times

	def preprocess(self, ds):
		pp_chain = [
				functools.partial(
					t5.data.preprocessors.split_tokens_to_inputs_length,
					sequence_length=self.sequence_length,
					output_features=self.output_features,
					feature_key='inputs',
					additional_feature_keys=['input_times']),
				# 在训练期间进行缓存。
				preprocessors.add_dummy_targets,
				functools.partial(
					preprocessors.compute_spectrograms,
					spectrogram_config=self.spectrogram_config)
		]
		for pp in pp_chain:
			ds = pp(ds)
		return ds

	def postprocess(self, tokens, example):
		tokens = self._trim_eos(tokens)
		start_time = example['input_times'][0]
		# 向下取整到最接近的符号化时间步。
		start_time -= start_time % (1 / self.codec.steps_per_second)
		return {
			'est_tokens': tokens,
			'start_time': start_time,
			# 内部 MT3 代码期望原始输入,这里不使用。
			'raw_inputs': []
		}

	@staticmethod
	def _trim_eos(tokens):
		tokens = np.array(tokens, np.int32)
		if vocabularies.DECODED_EOS_ID in tokens:
			tokens = tokens[:np.argmax(tokens == vocabularies.DECODED_EOS_ID)]
		return tokens


inference_model = InferenceModel('/home/user/app/checkpoints/mt3/', 'mt3')


def inference(audio):
	filename = os.path.basename(audio)  # 获取输入文件的文件名
	print(f"[{current_time()}] 运行:输入文件: {filename}")
	with open(audio, 'rb') as fd:
		contents = fd.read()
	audio = upload_audio(contents,sample_rate=16000)
	est_ns = inference_model(audio)
	note_seq.sequence_proto_to_midi_file(est_ns, './transcribed.mid')
	return './transcribed.mid'

title = "MT3"
description = "MT3:多任务多音轨音乐转录的 Gradio 演示。要使用它,只需上传音频文件,或点击示例以查看效果。更多信息请参阅下面的链接。"

article = "<p style='text-align: center'>出错了?试试把文件转换为WAV后再上传吧~</p><p style='text-align: center'><a href='https://arxiv.org/abs/2111.03017' target='_blank'>MT3: 多任务多音轨音乐转录</a> | <a href='https://github.com/hmjz100/mt3' target='_blank'>Github 仓库</a></p>"

examples=[['canon.flac'], ['download.wav']]

gr.Interface(
	inference,
	gr.Audio(type="filepath", label="输入"),
	outputs=gr.File(label="输出"),
	title=title,
	description=description,
	article=article,
	examples=examples
).launch()