Web Analytics

ThinkSound

⭐ 1321 stars Persian 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

اگر این پروژه برای شما مفید بود،
یک ستاره ⭐ در گیت‌هاب بسیار ارزشمند خواهد بود!

ساختار مخزن

این مخزن ThinkSound در GitHub میزبان دو پروژه مرتبط در شاخه‌های جداگانه است:

| شاخه | پروژه | مستندسازی | |--------|---------|----------------| | master | ThinkSound (NeurIPS 2025) — تولید یکپارچه Any2Audio با تطبیق جریان مبتنی بر CoT | این فایل: README.md | | prismaudio | PrismAudio — کار ادامه‌دار (ICLR 2026) در تبدیل ویدیو به صدا با CoT-RL چندبعدی | README.md در شاخه prismaudio |

برای ThinkSound، از شاخه master (همین README) استفاده کنید. برای PrismAudio، شاخه prismaudio را بررسی و README.md آن را دنبال کنید.

ThinkSound یک چارچوب یکپارچه برای تولید Any2Audio با تطبیق جریان هدایت‌شده توسط استدلال زنجیره‌ای (CoT) است.

پیاده‌سازی PyTorch برای تولید و ویرایش صوت چندمدلی: تولید یا ویرایش صوت از ویدیو، متن و صوت، با بهره‌گیری از استدلال مرحله‌به‌مرحله مدل‌های زبانی بزرگ چندمدلی (MLLMs).

پیشنمایش

📰 اخبار

---

کار ادامه‌دار: PrismAudio (همین مخزن، شاخه prismaudio)

PrismAudio جانشین ThinkSound (ICLR 2026) است که تحت نامی جدید توسعه یافته اما در این مخزن در شاخه prismaudio نگهداری می‌شود. راهنمای نصب، نقاط بازیابی و نحوه استناد در README.md روی آن شاخه موجود است.

👉 git checkout prismaudio یا شاخه را در گیت‌هاب باز کنید.

🚀 قابلیت‌ها

---

✨ نمای کلی روش

ThinkSound فرایند تولید و ویرایش صوت را به سه مرحله تعاملی تقسیم می‌کند که همگی توسط استدلال زنجیره‌ای مبتنی بر MLLM (CoT) هدایت می‌شوند:

نمای کلی ThinkSound

⚡ شروع سریع

آماده‌سازی محیط:

# ThinkSound code: branch master. PrismAudio: clone with -b prismaudio (see README.md on that branch).
git clone -b master 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.
✅ نکته ویندوز:
کاربران ویندوز می‌توانند به سادگی فایل setup_windows.bat را اجرا کنند (یا روی آن دوبار کلیک کنند) تا محیط کاندا به‌طور خودکار ساخته شود، تمامی وابستگی‌ها (از جمله FFmpeg) نصب شوند و مدل از پیش آموزش‌دیده دانلود گردد — هیچ تنظیمات دستی لازم نیست.
قبل از اجرای اسکریپت، مطمئن شوید که conda و git نصب شده و در PATH سیستم شما قرار دارند.

▶️ اجرای دمو

#### لینوکس/macOS

chmod +x scripts/demo.sh
./scripts/demo.sh   <CoT description> [use-half]</code></pre>
#### <strong>ویندوز</strong></p><p>در عوض می‌توانید از اسکریپت <code>.bat</code> ارائه‌شده استفاده کنید:</p><pre><code class="language-bash">.\scripts\demo.bat <path-to-your-demo-video> <title> <CoT description> [use-half]</code></pre>
<strong>توجه:</strong></p><ul><li><code><path-to-your-demo-video></code>: مسیر یک ویدئوی تکی</li>
<li><code>[use-half]</code> (اختیاری): افزودن use-half در انتها برای فعال‌سازی استخراج ویژگی با دقت نیمه.</li></p><p></ul>---</p><h3>📦 استنتاج دسته‌ای</h3></p><p>#### <strong>لینوکس/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>
#### <strong>ویندوز</strong></p><p>از اسکریپت معادل <code>.bat</code> استفاده کنید:</p><pre><code class="language-bash">.\scripts\eval_batch.bat <video_path> <csv_path> <save_path (optional)> [use-half]</code></pre>
<strong>توجه:</strong></p><ul><li><code><video_path></code>: مسیر دایرکتوری اصلی که حاوی تمام ویدیوهای .mp4 برای پردازش است (همه ویدیوها باید مدت زمان یکسان داشته باشند).</li>
<li><code><csv_path></code>: یک فایل CSV با متون راهنما برای هر ویدیو (فرمت را در <code>demo_test.csv</code> ببینید).</li>
<li><code><save_path></code> (اختیاری): مسیر ذخیره‌سازی فایل‌های صوتی تولید شده. به طور پیش‌فرض <code>results/features</code> است.</li>
<li><code>[use-half]</code> (اختیاری): افزودن use-half در انتها برای فعال‌سازی استخراج ویژگی با دقت نیمه.</li></p><p></ul>---</p><h3>استفاده از رابط وب</h3></p><p>برای تجربه تعاملی، رابط وب Gradio را اجرا کنید:</p><pre><code class="language-bash">python app.py</code></pre></p><h2>🏋️ آموزش مدل</h2></p><p>به <a href="https://raw.githubusercontent.com/FunAudioLLM/ThinkSound/master/docs/Training.md" target="_blank" rel="noopener noreferrer"><code>Training.md</code></a> مراجعه کنید</p><hr></p><h2>📄 مجوز</h2></p><p>این پروژه تحت مجوز Apache 2.0 منتشر شده است.</p><blockquote><strong>توجه:</strong></blockquote>
<blockquote>کد، مدل‌ها و داده‌ها <strong>فقط برای اهداف پژوهشی و آموزشی</strong> ارائه شده‌اند.</blockquote>
<blockquote><strong>استفاده تجاری مجاز نیست.</strong></blockquote>
<blockquote>برای دریافت مجوز تجاری، لطفاً با نویسندگان تماس بگیرید.</blockquote></p><p><strong>📦 اجزای شخص ثالث</strong></p><ul><li><strong>Stable Audio Open VAE</strong> (توسط Stability AI):</li>
  </ul>این مخزن شامل یک VAE تنظیم‌شده از <a href="https://huggingface.co/stabilityai/stable-audio-open-1.0/" target="_blank" rel="noopener noreferrer">Stable Audio Open</a> است که تحت <a href="https://raw.githubusercontent.com/FunAudioLLM/ThinkSound/master/./third_party/LICENSE_StabilityAI.md" target="_blank" rel="noopener noreferrer">مجوز Stability AI Community</a> منتشر شده است.
  <strong>استفاده تجاری و توزیع مجدد نیازمند اجازه قبلی از Stability AI است.</strong></p><ul><li>📘 <strong>سایر کدها و مدل‌ها</strong> تحت مجوز Apache License 2.0 منتشر شده‌اند.</li></p><p></ul>---</p><h2>تقدیر و تشکر</h2></p><p>با تشکر فراوان از:</p><ul><li><strong>stable-audio-tools</strong> (توسط Stability AI):</li>
</ul>برای ارائه یک چارچوب ساده برای تولید صوت، همچنین ماژول VAE و وزن‌های آن.
<ul><li><strong>MMAudio</strong>:</li>
  </ul>برای پیاده‌سازی بک‌بون MM-DiT در حوزه صوت.</p><hr></p><h2>📖 استناد</h2></p><p>اگر پروژه ما را در تحقیقات یا کار خود مفید یافتید، لطفاً به مقاله ما استناد کنید:</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}, 
}
@misc{liu2025prismaudiodecomposedchainofthoughtsmultidimensional,
          title={PrismAudio: Decomposed Chain-of-Thoughts and Multi-dimensional Rewards for Video-to-Audio Generation}, 
          author={Huadai Liu and Kaicheng Luo and Wen Wang and Qian Chen and Peiwen Sun and Rongjie Huang and Xiangang Li and Jieping Ye and Wei Xue},
          year={2025},
          eprint={2511.18833},
          archivePrefix={arXiv},
          primaryClass={cs.SD},
          url={https://arxiv.org/abs/2511.18833}, 
    }</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: 2026-04-20


---</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: 2026-04-20 
    </div>
    
</body>
</html>