Web Analytics

ThinkSound

⭐ 1043 stars Assamese by FunAudioLLM

ThinkSound

🌐 English | 简体中文 | 繁體中文 | Español | Français | 日本語

NeurIPS 2025

arXiv   Online Demo   Hugging Face   ModelScope

যদি আপুনি এই প্ৰকল্পটো উপকাৰী বুলি ভাবেন,
GitHub-ত এটা ষ্টাৰ ⭐ দিয়া অতি মূল্যবান হ'ব!

ThinkSound হৈছে এটা একত্ৰ Any2Audio উৎপাদন ফ্ৰেমৱৰ্ক যি Flow Matching-Chain-of-Thought (CoT) reasoning-এৰে পথ পৰিচালনা কৰে।

মাল্টিমডাল অডিঅ’ উত্পাদন আৰু সম্পাদনাৰ বাবে PyTorch ৰূপায়ন: ভিডিঅ’, পাঠ্য আৰু অডিঅ’ৰ পৰা অডিঅ’ উত্পাদন বা সম্পাদনা কৰক, Multimodal Large Language Models (MLLMs)ৰ ধাপ-ধাপে যুক্তি-কৰ্মৰ শক্তিত।

Teaser

📰 বাতৰি

---

🚀 বৈশিষ্ট্যসমূহ

---

✨ পদ্ধতিৰ সংক্ষিপ্ত বিবৰণ

ThinkSound-এ অডিঅ’ উত্পাদন আৰু সম্পাদনাক তিনিটা ইন্টাৰেক্টিভ পৰ্যায়ত বিভক্ত কৰে, সকলো MLLM-ভিত্তিক Chain-of-Thought (CoT) reasoning-এ নিৰ্দেশিত:

ThinkSound Overview

⚡ দ্ৰুত আৰম্ভণি

পৰিবেশ প্ৰস্তুতি: 

git clone https://github.com/liuhuadai/ThinkSound.git
cd ThinkSound
conda create -n thinksound python=3.10
conda activate thinksound
pip install thinksound
conda install -y -c conda-forge 'ffmpeg<7'

Download pretrained weights https://huggingface.co/liuhuadai/ThinkSound to Directory ckpts/


model weights can be also downloaded from https://www.modelscope.cn/models/iic/ThinkSound

git lfs install
git clone https://huggingface.co/liuhuadai/ThinkSound ckpts

To improve inference and training speed, you may optionally install a FlashAttention backend compatible with your system and PyTorch version.

✅ উইণ্ড'জ টিপ:
উইণ্ড'জ ব্যৱহাৰকাৰীসকলে সহজে setup_windows.bat চলাব পাৰে (অথবা ইয়াত ডাবল-ক্লিক কৰিব পাৰে) যাতে স্বয়ংক্ৰিয়ভাৱে কন্ডা পৰিৱেশ সৃষ্টি হয়, সকলো নিৰ্ভৰতা (FFmpeg সহ) সংস্থাপন হয়, আৰু প্ৰি-ট্ৰেইনড মডেল ডাউনলোড হয় — কোনো হস্তচালিত সংস্থাপন প্ৰয়োজন নহয়।
স্ক্ৰিপ্ট চলোৱাৰ আগতে আপোনাৰ ব্যৱস্থাত conda আৰু git সংস্থাপন কৰা আৰু PATH-ত উপলব্ধ হোৱা নিশ্চিত কৰক।

▶️ ডেম’ চলাওক

#### লিনাক্স/ম্যাক’এস

chmod +x scripts/demo.sh
./scripts/demo.sh   <CoT description> [use-half]</code></pre></p><p>#### <strong>Windows</strong></p><p>আপুনি ইয়াৰ বিপৰীতে প্ৰদান কৰা <code>.bat</code> স্ক্ৰিপ্ট ব্যৱহাৰ কৰিব পাৰে:</p><pre><code class="language-bash">.\scripts\demo.bat <path-to-your-demo-video> <title> <CoT description> [use-half]</code></pre></p><p><strong>টোকা:</strong></p><ul><li><code><path-to-your-demo-video></code>: এটা ভিডিঅ'ৰ পথ</li>
<li><code>[use-half]</code> (ঐচ্ছিক): আধা প্ৰেছিছন বৈশিষ্ট্য এক্সট্ৰাকশ্যন সক্ৰিয় কৰিবলৈ শেষত use-half যোগ কৰক।</li></p><p></ul>---</p><h3>📦 বেটচ ইনফাৰেন্স</h3></p><p>#### <strong>Linux/macOS</strong></p><pre><code class="language-bash">chmod +x scripts/eval_batch.sh
./scripts/eval_batch.sh <video_path> <csv_path> <save_path (optional)> [use-half]</code></pre></p><p>#### <strong>উইণ্ডোজ</strong></p><p>সমান <code>.bat</code> স্ক্ৰিপ্ট ব্যৱহাৰ কৰক:</p><pre><code class="language-bash">.\scripts\eval_batch.bat <video_path> <csv_path> <save_path (optional)> [use-half]</code></pre></p><p><strong>টোকা:</strong></p><ul><li><code><video_path></code>: প্ৰক্ৰিয়া কৰিবলৈ সকলো .mp4 ভিডিঅ' থকা মূল ডাইৰেক্টৰীৰ পথ (সকলো ভিডিঅ'ৰ সময়সীমা সমান হ'ব লাগিব).</li>
<li><code><csv_path></code>: প্ৰত্যেক ভিডিঅ'ৰ বাবে টেক্সট প্ৰম্পট থকা এটা CSV ফাইল (<code>demo_test.csv</code>ত ফৰ্মেট চাওক).</li>
<li><code><save_path></code> (ঐচ্ছিক): নিৰ্মিত অডিঅ' সংৰক্ষণ কৰাৰ স্থান. ডিফল্ট <code>results/features</code>।</li>
<li><code>[use-half]</code> (ঐচ্ছিক): আধা প্ৰিসিশন ফিচাৰ এক্সট্ৰাকচন সক্ৰিয় কৰিবলৈ শেষত use-half যোগ কৰক।</li></p><p></ul>---</p><h3>ৱেব ইণ্টাৰফেছ ব্যৱহাৰ</h3></p><p>ইন্টাৰেক্টিভ অভিজ্ঞতাৰ বাবে, Gradio ৱেব ইণ্টাৰফেছ আৰম্ভ কৰক:</p><pre><code class="language-bash">python app.py</code></pre></p><h2>🏋️ মডেলটো প্ৰশিক্ষণ দিয়ক</h2></p><p>চাওক <a href="https://raw.githubusercontent.com/FunAudioLLM/ThinkSound/master/docs/Training.md" target="_blank" rel="noopener noreferrer"><code>Training.md</code></a></p><hr></p><h2>📝 TODO আৰু ভবিষ্যতৰ পৰিকল্পনা</h2>
<ul><li>- [ ] বহুতো ক্ষেত্ৰত অধিক শক্তিশালী ফাউণ্ডেশ্যন মডেল মুক্তি দিয়ক, যাতে অধিক আকৰ্ষণীয় আৰু ডুব দিয়া ফoley সৃষ্টি কৰিব পাৰি</li>
<li>- [ ] অতিৰিক্ত মোডালিটী আৰু ডাউনস্ট্ৰিম টাস্ক সমৰ্থন যোগ কৰক</li>
<li>- [ ] ভিন্ন স্কেলত মডেল মুক্তি দিয়ক</li>
<li>- [x] AudioCoT ডেটাসেট আৰু স্বচালিত পাইপলাইন ওপেন-ছৰ্চ কৰক</li>
<li>- [x] ThinkSound মডেলৰ প্ৰশিক্ষণ স্ক্ৰিপ্ট মুক্তি দিয়ক</li>
<li>- [x] আৰম্ভনিবাহী Windows কুইক-স্টাৰ্ট README</li>
</ul>---</p><h2>📄 অনুমতি পত্ৰ</h2></p><p>এই প্ৰকল্পটো Apache 2.0 License অধীনত মুক্তি কৰা হৈছে।</p><blockquote><strong>টোকা:</strong></blockquote>
<blockquote>কোড, মডেল আৰু ডেটাসেট <strong>গৱেষণা আৰু শিক্ষা উদ্দেশ্যৰ বাবে</strong>।</blockquote>
<blockquote><strong>ব্যৱসায়িক ব্যৱহাৰ অনুমোদিত নহয়।</strong></blockquote>
<blockquote>ব্যৱসায়িক অনুমতিৰ বাবে, অনুগ্ৰহ কৰি লেখকসকলৰ সৈতে যোগাযোগ কৰক।</blockquote></p><p><strong>📦 তৃতীয় পক্ষৰ উপাদানসমূহ</strong></p><ul><li><strong>Stable Audio Open VAE</strong> (Stability AI দ্বাৰা):</li>
  </ul>এই ৰিপ'জিটৰিটোত <a href="https://huggingface.co/stabilityai/stable-audio-open-1.0/" target="_blank" rel="noopener noreferrer">Stable Audio Open</a> ৰ পৰা ফাইন-টিউন কৰা VAE অন্তর্ভুক্ত আছে, যি <a href="https://raw.githubusercontent.com/FunAudioLLM/ThinkSound/master/./third_party/LICENSE_StabilityAI.md" target="_blank" rel="noopener noreferrer">Stability AI Community License</a> অধীনত লাইসেন্স কৰা হৈছে।
  <strong>ব্যৱসায়িক ব্যৱহাৰ আৰু পুনৰ্বিতৰণৰ বাবে Stability AI ৰ পূৰ্ব অনুমতি আৱশ্যক।</strong></p><ul><li>📘 <strong>বাকী সকলো কোড আৰু মডেল</strong> Apache License 2.0 অধীনত মুক্তি কৰা হৈছে।</li></p><p></ul>---</p><h2>কৃতজ্ঞতা</h2></p><p>ধন্যবাদ জ্ঞাপন:</p><ul><li><strong>stable-audio-tools</strong> (Stability AI দ্বাৰা):</li>
</ul>অডিঅ' প্ৰজন্মৰ বাবে সহজ ব্যৱহাৰযোগ্য ফ্ৰেমৱৰ্ক, লগতে VAE মডিউল আৰু ৱেইট উপলব্ধ কৰোৱাৰ বাবে।
<ul><li><strong>MMAudio</strong>:</li>
  </ul>অডিঅ' ক্ষেত্ৰত MM-DiT বেকব'নৰ ৰূপায়ণৰ বাবে।</p><hr></p><h2>📖 উদ্ধৃতি</h2></p><p>যদি আপুনি ThinkSound আপোনাৰ গৱেষণা বা কামত সহায়ক বুলি পোৱা যায়, অনুগ্ৰহ কৰি আমাৰ প্ৰবন্ধ উদ্ধৃত কৰক:</p><pre><code class="language-bibtex">@misc{liu2025thinksoundchainofthoughtreasoningmultimodal,
      title={ThinkSound: Chain-of-Thought Reasoning in Multimodal Large Language Models for Audio Generation and Editing}, 
      author={Huadai Liu and Jialei Wang and Kaicheng Luo and Wen Wang and Qian Chen and Zhou Zhao and Wei Xue},
      year={2025},
      eprint={2506.21448},
      archivePrefix={arXiv},
      primaryClass={eess.AS},
      url={https://arxiv.org/abs/2506.21448}, 
}</code></pre></p><hr></p><h2>📬 Contact</h2></p><p>
✨ Feel free to <a href="https://github.com/liuhuadai/ThinkSound/issues" target="_blank" rel="noopener noreferrer">open an issue</a> or contact us via email (<a href="https://raw.githubusercontent.com/FunAudioLLM/ThinkSound/master/mailto:liuhuadai@zju.edu.cn" target="_blank" rel="noopener noreferrer">liuhuadai@zju.edu.cn</a>) if you have any questions or suggestions!</p><p>


---


Tranlated By <a href="https://github.com/OpenAiTx/OpenAiTx" target="_blank" rel="noopener noreferrer">Open Ai Tx</a> | Last indexed: 2025-10-04


---</p>
        </div>
        
        <div class="original-link">
            <strong>Original README:</strong> <a href="https://raw.githubusercontent.com/FunAudioLLM/ThinkSound/master/README.md" target="_blank" rel="noopener noreferrer">View on GitHub</a>
        </div>
    </div>
    
    <div class="footer">
        <p>Translated by <a href="https://github.com/OpenAiTx/OpenAiTx" target="_blank" rel="noopener noreferrer">OpenAiTx</a> | 
        Last updated: 2025-10-04 
    </div>
    
</body>
</html>