Agent Skill 核验档案

音频处理 · Audiocraft

AudioCraft 是 Meta 开源的 PyTorch 音频生成库，提供文本生成音乐（MusicGen）、文本生成音效（AudioGen）以及 EnCodec 高保真神经音频编解码器，支持从小型 300M 到大型 3.3B 的多种模型规格，并具备旋律条件生成、立体声输出与基于参考音频的风格迁移能力。

适用任务

根据文本描述生成音乐，例如“happy upbeat electronic dance music with synths”，并保存为 WAV 文件
使用 AudioGen 根据文本描述生成雷雨、城市车流、海浪等环境音效与声效
使用 musicgen-melody 模型以参考旋律（generate_with_chroma）进行旋律条件音乐生成
使用 musicgen-style 模型基于参考音频进行风格迁移生成
使用 EnCodec（facebook/encodec_32khz）对音频进行编码压缩与解码重建
批量处理多个音效规格并按名称保存输出文件

输入

音乐或音效的文本描述（英文提示词）
时长、top_k、top_p、temperature、cfg_coef 等生成参数
旋律条件生成所需的旋律音频文件（如 melody.wav）及其采样率
风格生成所需的参考风格音频（如 reference_style.wav）
音频续写所需的起始音频（如 intro.wav）

输出

WAV 音频文件（MusicGen 采样率 32000，AudioGen 采样率 16000）
形状为 [batch, channels, samples] 的音频张量（立体声为 [batch, 2, samples]）
EnCodec 编码得到的音频 token 及解码重建的音频

限制与检查

GPU 显存需求随模型规模增长：musicgen-medium FP32 约 8GB、musicgen-large FP32 约 16GB（FP16 分别约 4GB 和 8GB）
生成时长上限为 120 秒（duration 参数范围 1-120）
常见问题包括 CUDA OOM（需换更小模型或缩短时长）、质量不佳（需提高 cfg_coef）、音频伪影（需调整 temperature）
来源指出更长的商业音乐生成应使用 Stable Audio 而非 AudioCraft
生成的 WAV 文件采样率是否正确：MusicGen 为 32000Hz，AudioGen 为 16000Hz
生成参数是否在有效范围内：duration 1-120 秒、cfg_coef 默认 3.0、top_k 默认 250
立体声生成是否使用了 stereo 系列模型变体（如 facebook/musicgen-stereo-medium），输出形状应为 [batch, 2, samples]
显存是否满足所选模型要求，必要时使用更小模型、半精度（model.half()）或缩短时长

音频处理 · Audiocraft

适用任务

输入

输出

限制与检查

AI 搜索

项目详情