ThinkSound

Se trovi utile questo progetto,
una stella ⭐ su GitHub sarebbe molto apprezzata!

ThinkSound è un framework unificato per la generazione Any2Audio con flow matching guidato dal ragionamento Chain-of-Thought (CoT).

Implementazione PyTorch per la generazione e modifica multimodale di audio: genera o modifica audio da video, testo e audio, grazie al ragionamento passo-passo dei Modelli Multimodali di Linguaggio di Grandi Dimensioni (MLLMs).

Teaser

📰 Novità

2025.09.19 🎉 ThinkSound è stato accettato alla Conferenza Principale NeurIPS 2025!
2025.09.01 🔥 Il nostro dataset AudioCoT è ora open source e disponibile su Hugging Face!
2025.07.17 🧠 Fine-tuning abilitato: il codice per l’addestramento e il fine-tuning è ora pubblico, con istruzioni chiare per aiutarti a personalizzare ed estendere ThinkSound con i tuoi dati.
2025.07.15 📦 Installazione e utilizzo semplificati: dipendenze su PyPI per una configurazione semplice cross-platform; script .bat per Windows automatizzano la creazione dell’ambiente e l’esecuzione degli script.
2025.07.08 🔧 Aggiornamento importante: il modello è stato alleggerito e ottimizzato per l’uso di memoria e GPU, ora supporta la generazione audio ad alto rendimento su larga scala!
2025.07.01 🔥Demo online su Hugging Face Spaces e ModelScope per un’esperienza interattiva!
2025.07.01 🔥Rilasciati script di inferenza e interfaccia web;
2025.06 🔥Paper ThinkSound pubblicato su arXiv!
2025.06 🔥Demo Online è attiva - provala subito!

---

🚀 Caratteristiche

Any2Audio: Genera audio da qualsiasi modalità — video, testo, audio, o loro combinazioni.
Video-to-Audio SOTA: Risultati all’avanguardia su molteplici benchmark V2A.
Ragionamento CoT-Driven: Ragionamento Chain-of-Thought per generazione audio composizionale e controllabile tramite MLLMs.
Editing Interattivo Object-centric: Raffina o modifica eventi sonori specifici cliccando su oggetti visivi o usando istruzioni testuali.
Framework Unificato: Un modello base supporta generazione, modifica e flusso di lavoro interattivo.

---

✨ Panoramica del Metodo

ThinkSound suddivide la generazione e modifica audio in tre fasi interattive, tutte guidate dal ragionamento Chain-of-Thought (CoT) basato su MLLM:

Generazione Foley: Genera paesaggi sonori fondamentali, semanticamente e temporalmente allineati dal video.
Raffinamento Object-Centric: Raffina o aggiungi suoni per oggetti specificati dall’utente tramite click o regioni nel video.
Editing Audio Mirato: Modifica l’audio generato usando istruzioni in linguaggio naturale di alto livello.

⚡ Avvio rapido

Preparazione dell'ambiente:

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.

✅ Suggerimento per Windows:

Gli utenti Windows possono semplicemente eseguire setup_windows.bat (o farci doppio clic) per creare automaticamente l'ambiente conda, installare tutte le dipendenze (incluso FFmpeg) e scaricare il modello pre-addestrato — nessuna configurazione manuale richiesta.

Assicurati che conda e git siano installati e disponibili nel PATH di sistema prima di eseguire lo script.

▶️ Esegui la Demo

#### Linux/macOS

chmod +x scripts/demo.sh
./scripts/demo.sh   <CoT description> [use-half]</code></pre>
#### <strong>Windows</strong></p><p>In alternativa, puoi utilizzare lo script <code>.bat</code> fornito:</p><pre><code class="language-bash">.\scripts\demo.bat <path-to-your-demo-video> <title> <CoT description> [use-half]</code></pre>
<strong>Nota:</strong></p><ul><li><code><percorso-al-tuo-video-demo></code>: Il percorso a un singolo video</li>
<li><code>[usa-half]</code> (opzionale): Aggiungi usa-half alla fine per abilitare l'estrazione delle caratteristiche in mezza precisione.</li></p><p></ul>---</p><h3>📦 Inferenza in Batch</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>
#### <strong>Windows</strong></p><p>Usa lo script <code>.bat</code> equivalente:</p><pre><code class="language-bash">.\scripts\eval_batch.bat <video_path> <csv_path> <save_path (optional)> [use-half]</code></pre>
<strong>Nota:</strong></p><ul><li><code><video_path></code>: Percorso alla directory principale contenente tutti i video .mp4 da elaborare (tutti i video devono avere la stessa durata).</li>
<li><code><csv_path></code>: Un file CSV con i prompt di testo per ciascun video (vedi <code>demo_test.csv</code> per il formato).</li>
<li><code><save_path></code> (opzionale): Dove salvare l'audio generato. Il valore predefinito è <code>results/features</code>.</li>
<li><code>[use-half]</code> (opzionale): Aggiungi use-half alla fine per abilitare l'estrazione delle feature in mezza precisione.</li></p><p></ul>---</p><h3>Utilizzo dell'interfaccia web</h3></p><p>Per un'esperienza interattiva, avvia l'interfaccia web Gradio:</p><pre><code class="language-bash">python app.py</code></pre></p><h2>🏋️ Allena il Modello</h2></p><p>Vedi <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 & Piani Futuri</h2>
<ul><li>- [ ] Rilasciare un modello di base più potente che copra più domini per offrire una creazione di foley più coinvolgente e immersiva</li>
<li>- [ ] Aggiungere supporto per ulteriori modalità e compiti downstream</li>
<li>- [ ] Rilasciare modelli di diverse dimensioni</li>
<li>- [x] Open-source del dataset AudioCoT e pipeline automatizzata</li>
<li>- [x] Rilasciare gli script di addestramento per i modelli ThinkSound</li>
<li>- [x] Un README rapido per Windows adatto ai principianti</li>
</ul>---</p><h2>📄 Licenza</h2></p><p>Questo progetto è rilasciato sotto la Licenza Apache 2.0.</p><blockquote><strong>Nota:</strong></blockquote>
<blockquote>Il codice, i modelli e il dataset sono <strong>solo per scopi di ricerca ed educativi</strong>.</blockquote>
<blockquote><strong>L'uso commerciale NON è consentito.</strong></blockquote>
<blockquote>Per la licenza commerciale, si prega di contattare gli autori.</blockquote></p><p><strong>📦 Componenti di Terze Parti</strong></p><ul><li><strong>Stable Audio Open VAE</strong> (di Stability AI):</li>
  </ul>Questo repository include un VAE ottimizzato da <a href="https://huggingface.co/stabilityai/stable-audio-open-1.0/" target="_blank" rel="noopener noreferrer">Stable Audio Open</a>, concesso in licenza secondo la <a href="https://raw.githubusercontent.com/FunAudioLLM/ThinkSound/master/./third_party/LICENSE_StabilityAI.md" target="_blank" rel="noopener noreferrer">Stability AI Community License</a>.
  <strong>L'uso commerciale e la redistribuzione richiedono il permesso preventivo di Stability AI.</strong></p><ul><li>📘 <strong>Tutto il resto del codice e dei modelli</strong> è rilasciato sotto la Licenza Apache 2.0.</li></p><p></ul>---</p><h2>Ringraziamenti</h2></p><p>Molte grazie a:</p><ul><li><strong>stable-audio-tools</strong> (di Stability AI):</li>
</ul>Per aver fornito un framework facile da usare per la generazione audio, oltre al modulo VAE e ai relativi pesi.
<ul><li><strong>MMAudio</strong>:</li>
  </ul>Per l'implementazione dell'architettura MM-DiT nel dominio audio.</p><hr></p><h2>📖 Citazione</h2></p><p>Se trovi ThinkSound utile per la tua ricerca o lavoro, cita il nostro articolo:</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>