InspireMusic 是一个专注于音乐、歌曲和音频生成的 AIGC 工具包和模型框架，采用 PyTorch 开发。它通过音频标记化和解码过程，结合自回归 Transformer 和条件流匹配模型，实现高质量音乐生成。该工具包支持文本提示、音乐风格、结构等多种条件控制，能够生成 24kHz 和 48kHz 的高质量音频，并支持长音频生成。此外，它还提供了方便的微调和推理脚本，方便用户根据需求调整模型。InspireMusic 的开源旨在赋能普通用户通过音乐创作提升研究中的音效表现。
需求人群：
"该产品适合音乐创作者、音频工程师、研究人员以及任何需要通过文字生成音乐或对音乐生成模型进行研究和开发的人群。创作者可以利用其文本到音乐的功能快速生成灵感音频，研究人员可以基于其开源代码和模型进行进一步的算法优化和功能拓展。"
使用场景示例：
使用文本提示生成舒缓的爵士乐，适用于餐厅或水疗中心背景音乐
基于一段爵士乐音频片段，继续生成后续音乐内容
通过模型生成 48kHz 高采样率的高质量古典音乐
产品特色：
支持文本到音乐生成，可根据文本描述生成对应风格的音乐
支持音乐续写任务，可基于已有音频片段继续生成音乐
支持多种音频采样率（24kHz 和 48kHz），满足不同质量需求
提供长音频生成能力，可生成超过 5 分钟的音乐
支持混合精度训练（FP16、BF16、FP32），提高训练效率
提供方便的微调和推理脚本，简化模型调整和部署流程
使用教程：
1. 克隆仓库：`git clone --recursive https://github.com/FunAudioLLM/InspireMusic.git`
2. 安装依赖：创建 Conda 环境并安装 Python 3.8 和 PyTorch 2.0.1，运行 `pip install -r requirements.txt`
3. 下载预训练模型：从 ModelScope 或 HuggingFace 下载 InspireMusic 模型
4. 运行推理脚本：使用 `python -m inspiremusic.cli.inference` 命令进行文本到音乐的生成
5. 自定义生成参数：通过命令行参数调整生成任务、模型、文本提示、音频时长等
浏览量：234
最新流量情况
月访问量
5.21m
平均访问时长
00:06:29
每次访问页数
6.12
跳出率
35.96%
流量来源
直接访问
52.10%
自然搜索
32.78%
邮件
0.05%
外链引荐
12.82%
社交媒体
2.16%
展示广告
0
截止目前所有流量趋势图
地理流量分布情况
中国
13.96%
德国
3.65%
印度
9.02%
俄罗斯
4.03%
美国
19.10%
基于 PyTorch 的音乐、歌曲和音频生成工具包，支持高质量音频生成
InspireMusic 是一个专注于音乐、歌曲和音频生成的 AIGC 工具包和模型框架，采用 PyTorch 开发。它通过音频标记化和解码过程，结合自回归 Transformer 和条件流匹配模型，实现高质量音乐生成。该工具包支持文本提示、音乐风格、结构等多种条件控制，能够生成 24kHz 和 48kHz 的高质量音频，并支持长音频生成。此外，它还提供了方便的微调和推理脚本，方便用户根据需求调整模型。InspireMusic 的开源旨在赋能普通用户通过音乐创作提升研究中的音效表现。
YuE是一个开源的音乐生成模型，能够将歌词转化为完整的歌曲。
YuE是一个开创性的开源基础模型系列，专为音乐生成设计，能够将歌词转化为完整的歌曲。它能够生成包含吸引人的主唱和配套伴奏的完整歌曲，支持多种音乐风格。该模型基于深度学习技术，具有强大的生成能力和灵活性，能够为音乐创作者提供强大的工具支持。其开源特性也使得研究人员和开发者可以在此基础上进行进一步的研究和开发。
开源的音乐生成模型
QA-MDT是一个开源的音乐生成模型，集成了最先进的模型用于音乐生成。它基于多个开源项目，如AudioLDM、PixArt-alpha、MDT、AudioMAE和Open-Sora等。QA-MDT模型通过使用不同的训练策略，能够生成高质量的音乐。此模型特别适合对音乐生成有兴趣的研究人员和开发者使用。
利用AI创作音乐
OpenMusic是一个基于人工智能的音乐创作模型，它利用深度学习技术，能够根据用户输入的指令或音乐片段生成新的音乐作品。这个模型在音乐制作和创作领域具有革命性的意义，因为它降低了创作音乐的门槛，让没有音乐背景的人也能创作出动听的音乐。
使用文本生成音乐的模型
FluxMusic是一个基于PyTorch实现的文本到音乐生成模型，它通过扩散式修正流变换器探索了一种简单的文本到音乐生成方法。这个模型可以生成根据文本提示的音乐片段，具有创新性和高度的技术复杂性。它代表了音乐生成领域的前沿技术，为音乐创作提供了新的可能。
音乐生成模型，通过控制网络进行微调。
Stable Audio ControlNet 是一个基于 Stable Audio Open 的音乐生成模型，通过 DiT ControlNet 进行微调，能够在具有 16GB VRAM 的 GPU 上使用，支持音频控制。此模型仍在开发中，但已经能够实现音乐的生成和控制，具有重要的技术意义和应用前景。
免费人声分离工具 分离伴奏背景音乐提取
终极人声去除GUI是一款使用深度神经网络技术的人声去除工具。其核心开发者训练了所有提供的模型，除了Demucs v3和v4 4声道模型。该应用使用先进的源分离模型从音频文件中去除人声。无需额外的先决条件即可有效运行。适用于Windows 10及以上版本。
多重时变控制的音乐生成模型
Music ControlNet 是一种基于扩散的音乐生成模型，可以提供多个精确的、时变的音乐控制。它可以根据旋律、动态和节奏控制生成音频，并且可以部分指定时间上的控制。与其他音乐生成模型相比，Music ControlNet 具有更高的旋律准确度，并且参数更少、数据量更小。定价信息请访问官方网站。
音频处理和生成的深度学习库
AudioCraft 是一个用于音频处理和生成的 PyTorch 库。它包含了两个最先进的人工智能生成模型：AudioGen 和 MusicGen，可以生成高质量的音频。AudioCraft 还提供了 EnCodec 音频压缩 / 分词器和 Multi Band Diffusion 解码器等功能。该库适用于音频生成的深度学习研究。
一个集成视觉理解和生成的多模态生成模型。
Liquid 是一个自回归生成模型，通过将图像分解为离散代码并与文本标记共享特征空间，促进视觉理解和文本生成的无缝集成。此模型的主要优点在于无需外部预训练的视觉嵌入，减少了对资源的依赖，同时通过规模法则发现了理解与生成任务之间的相互促进效应。
强大的语言模型，支持多种自然语言处理任务。
GLM-4-32B 是一个高性能的生成语言模型，旨在处理多种自然语言任务。它通过深度学习技术训练而成，能够生成连贯的文本和回答复杂问题。该模型适用于学术研究、商业应用和开发者，价格合理，定位精准，是自然语言处理领域的领先产品。
Pusa 是一个新颖的视频扩散模型，支持多种视频生成任务。
Pusa 通过帧级噪声控制引入视频扩散建模的创新方法，能够实现高质量的视频生成，适用于多种视频生成任务（文本到视频、图像到视频等）。该模型以其卓越的运动保真度和高效的训练过程，提供了一个开源的解决方案，方便用户进行视频生成任务。
一款通过生成模型提升图像生成一致性的工具。
UNO 是一个基于扩散变换器的多图像条件生成模型，通过引入渐进式跨模态对齐和通用旋转位置嵌入，实现高一致性的图像生成。其主要优点在于增强了对单一或多个主题生成的可控性，适用于各种创意图像生成任务。
一种通过视觉上下文学习的通用图像生成框架。
VisualCloze 是一个通过视觉上下文学习的通用图像生成框架，旨在解决传统任务特定模型在多样化需求下的低效率问题。该框架不仅支持多种内部任务，还能泛化到未见过的任务，通过可视化示例帮助模型理解任务。这种方法利用了先进的图像填充模型的强生成先验，为图像生成提供了强有力的支持。
在视频扩散变换器中合成任何内容的框架。
SkyReels-A2 是一个基于视频扩散变换器的框架，允许用户合成和生成视频内容。该模型通过利用深度学习技术，提供了灵活的创作能力，适合多种视频生成应用，尤其是在动画和特效制作方面。该产品的优点在于其开源特性和高效的模型性能，适合研究人员和开发者使用，且目前不收取费用。
一个高效的语音合成模型，支持中英文及语音克隆。
MegaTTS 3 是由字节跳动开发的一款基于 PyTorch 的高效语音合成模型，具有超高质量的语音克隆能力。其轻量级架构只包含 0.45B 参数，支持中英文及代码切换，能够根据输入文本生成自然流畅的语音，广泛应用于学术研究和技术开发。
为 Diffusion Transformer 提供高效灵活的控制框架。
EasyControl 是一个为 Diffusion Transformer（扩散变换器）提供高效灵活控制的框架，旨在解决当前 DiT 生态系统中存在的效率瓶颈和模型适应性不足等问题。其主要优点包括：支持多种条件组合、提高生成灵活性和推理效率。该产品是基于最新研究成果开发的，适合在图像生成、风格转换等领域使用。
基于 DiT 的人类图像动画框架，实现精细控制与长效一致性。
DreamActor-M1 是一个基于扩散变换器 (DiT) 的人类动画框架，旨在实现细粒度的整体可控性、多尺度适应性和长期时间一致性。该模型通过混合引导，能够生成高表现力和真实感的人类视频，适用于从肖像到全身动画的多种场景。其主要优势在于高保真度和身份保留，为人类行为动画带来了新的可能性。
一款先进的视觉推理模型，能分析图片和视频内容。
QVQ-Max 是 Qwen 团队推出的视觉推理模型，能够理解和分析图像及视频内容，提供解决方案。它不仅限于文本输入，更能够处理复杂的视觉信息。适合需要多模态信息处理的用户，如教育、工作和生活场景。该产品是基于深度学习和计算机视觉技术开发，适用于学生、职场人士和创意工作者。此版本为首发，后续将持续优化。
一款用于生成信息图表的视觉文本渲染工具。
BizGen 是一个先进的模型，专注于文章级别的视觉文本渲染，旨在提升信息图表的生成质量和效率。该产品利用深度学习技术，能够准确渲染多种语言的文本，提升信息的可视化效果。适合研究人员和开发者使用，助力创造更具吸引力的视觉内容。
通过测试时间缩放显著提升视频生成质量。
Video-T1 是一个视频生成模型，通过测试时间缩放技术（TTS）显著提升生成视频的质量和一致性。该技术允许在推理过程中使用更多的计算资源，从而优化生成结果。相较于传统的视频生成方法，TTS 能够提供更高的生成质量和更丰富的内容表达，适用于数字创作领域。该产品的定位主要面向研究人员和开发者，价格信息未明确。
RF-DETR 是由 Roboflow 开发的实时目标检测模型。
RF-DETR 是一个基于变压器的实时目标检测模型，旨在为边缘设备提供高精度和实时性能。它在 Microsoft COCO 基准测试中超过了 60 AP，具有竞争力的性能和快速的推理速度，适合各种实际应用场景。RF-DETR 旨在解决现实世界中的物体检测问题，适用于需要高效且准确检测的行业，如安防、自动驾驶和智能监控等。
业界首个超大规模混合 Mamba 推理模型，强推理能力。
混元T1 是腾讯推出的超大规模推理模型，基于强化学习技术，通过大量后训练显著提升推理能力。它在长文处理和上下文捕捉上表现突出，同时优化了计算资源的消耗，具备高效的推理能力。适用于各类推理任务，尤其在数学、逻辑推理等领域表现优异。该产品以深度学习为基础，结合实际反馈不断优化，适合科研、教育等多个领域的应用。
实现灵活且高保真度的图像生成，同时保持身份特征。
InfiniteYou（InfU）是一个基于扩散变换器的强大框架，旨在实现灵活的图像重构，并保持用户身份。它通过引入身份特征并采用多阶段训练策略，显著提升了图像生成的质量和美学，同时改善了文本与图像的对齐。该技术对提高图像生成的相似性和美观性具有重要意义，适用于各种图像生成任务。
Pruna 是一个模型优化框架，帮助开发者快速高效交付模型。
Pruna 是一个为开发者设计的模型优化框架，通过一系列压缩算法，如量化、修剪和编译等技术，使得机器学习模型在推理时更快、体积更小且计算成本更低。产品适用于多种模型类型，包括 LLMs、视觉转换器等，且支持 Linux、MacOS 和 Windows 等多个平台。Pruna 还提供了企业版 Pruna Pro，解锁更多高级优化功能和优先支持，助力用户在实际应用中提高效率。
一种提升场景级视频生成能力的技术。
长上下文调优（LCT）旨在解决当前单次生成能力与现实叙事视频制作之间的差距。该技术通过数据驱动的方法直接学习场景级一致性，支持交互式多镜头开发和合成生成，适用于视频制作的各个方面。
一种无混叠的任意尺度超分辨率方法。
Thera 是一种先进的超分辨率技术，能够在不同尺度下生成高质量图像。其主要优点在于内置物理观察模型，有效避免了混叠现象。该技术由 ETH Zurich 的研究团队开发，适用于图像增强和计算机视觉领域，尤其在遥感和摄影测量中具有广泛应用。
AI驱动的视频音频增强解决方案，提供视频超分辨率、降噪、音频上混等功能。
UniFab 是一款强大的 AI 助力的视频音频增强工具。它利用先进的超分辨率技术，能够将视频分辨率提升至 8K/16K，同时将 SDR 转换为 HDR，为用户提供影院级的视觉体验。其 AI 驱动的深度学习能够智能分析并优化每一帧画面，呈现出鲜艳的色彩、逼真的细节和清晰的视觉效果。此外，UniFab 还支持音频上混功能，可将音频轨道升级为 EAC3 5.1/DTS 7.1 环绕声，让用户沉浸在电影般的听觉享受中。该产品主要面向摄影师、影视爱好者、视频创作者等群体，帮助他们优化视频内容，提升创作质量。
© 2025 AIbase 备案号：闽ICP备08105208号-14