README.md

# AudioFly
## 论文
暂无

## 模型简介
AudioFly 是一个音频生成模型。它根据文本描述合成音效。该模型可以以 44.1 kHz 的采样率生成高质量音频。生成的音频与提示文本有很强的一致性。

AudioFly 采用了潜在扩散模型架构。该模型拥有 10 亿个参数，并在大量多样化的语料库上进行了训练。训练数据包括开源数据集，如 AudioSet、AudioCaps 和 TUT，以及专有的内部数据。该模型在单一事件和多事件场景中表现良好。在这两种情况下，生成的音频都能准确反映所描述的内容。在 AudioCaps 数据集上，AudioFly 的性能优于之前的音频生成模型。

## 环境依赖
| 软件 | 版本 |
| :------: | :------: |
| DTK | 26.04 |
| Python | 3.10 |
| Transformers | 4.56.1 |
| vLLM | 0.18.1+das.dtk2604 |

推荐使用镜像: 

harbor.sourcefind.cn:5443/dcu/admin/base/custom:vllm0.18.1-ubuntu22.04-dtk26.04-py3.10-20260529-iflytek

- 挂载地址`-v` 根据实际模型情况修改
```bash
docker run -it \
    --shm-size 60g \
    --network=host \
    --name Spark-X1 \
    --privileged \
    --device=/dev/kfd \
    --device=/dev/dri \
    --device=/dev/mkfd \
    --group-add video \
    --cap-add=SYS_PTRACE \
    --security-opt seccomp=unconfined \
    -u root \
    -v /opt/hyhal/:/opt/hyhal/:ro \
    -v /path/your_code_data/:/path/your_code_data/ \
    harbor.sourcefind.cn:5443/dcu/admin/base/custom:vllm0.18.1-ubuntu22.04-dtk26.04-py3.10-20260529-iflytek bash
```
更多镜像可前往[光源](https://sourcefind.cn/#/service-list)下载使用。

关于本项目DCU显卡所需的特殊深度学习库可从[光合](https://developer.sourcefind.cn/tool/)开发者社区下载安装。


其它环境配置说明：
```bash
#下载模型以后，替换下载路径内的文件
cp PixArt_blocks.py AudioFly/ldm/modules/diffusionmodules/PixArt_blocks.py
cp PixArt.py AudioFly/ldm/modules/diffusionmodules/PixArt.py
```

## 预训练权重

**请根据`支持的DCU型号`选择对应模型下载，FP8模型仅在BW1100/BW1101上支持，其他型号请勿使用！**

| 模型名称 | 权重大小 | 数据类型 | 支持的DCU型号 | 最低卡数需求 | 下载地址 |
| :------: | :------: | :------: | :------------: | :----------: | :------: |
| AudioFly | 1B | BF16 | BW1000 | 1 | [ModelScope](https://modelscope.cn/models/iflytek/AudioFly) |

## 数据集

暂无

## 训练

暂无

## 推理

### Pytorch

#### 单机推理

```bash
cd AudioFly
python run.py
```

## 效果展示

输入：

'Fierce winds howl through the valley' 

输出：

<audio controls src="./doc/result.wav"></audio>

### 精度
DCU与GPU精度一致，推理框架：pytorch

## 源码仓库及问题反馈

- https://developer.sourcefind.cn/codes/modelzoo/audiofly

## 参考资料
- https://modelscope.csdn.net/68da3b11a6dc56200e8ae2ae.html
- https://modelscope.cn/models/iflytek/AudioFly