Web Analytics

ThinkSound

⭐ 1321 stars Italian 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

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

Struttura del repository

Questo repository GitHub ThinkSound ospita due progetti correlati su rami separati:

| Branch | Progetto | Documentazione | |--------|----------|----------------| | master | ThinkSound (NeurIPS 2025) — generazione Any2Audio unificata con flow matching guidato da CoT | Questo file: README.md | | prismaudio | PrismAudio — lavoro successivo (ICLR 2026) su video-to-audio con CoT-RL multi-dimensionale | README.md sul ramo prismaudio |

Per ThinkSound, usa il ramo master (questo README). Per PrismAudio, passa a prismaudio e segui README.md lì.

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

Implementazione PyTorch per generazione ed editing audio multimodale: genera o modifica audio da video, testo e audio, sfruttando il ragionamento step-by-step dei Multimodal Large Language Models (MLLMs).

Teaser

📰 Novità

---

Seguito: PrismAudio (stesso repo, ramo prismaudio)

PrismAudio è il successore di ThinkSound (ICLR 2026), sviluppato sotto un nuovo nome ma mantenuto in questo repository sul branch prismaudio. Installazione, checkpoint e citazione sono disponibili in README.md su quel branch.

👉 git checkout prismaudio oppure apri il branch su GitHub.

🚀 Funzionalità

---

✨ Panoramica del Metodo

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

Panoramica ThinkSound

⚡ Avvio Rapido

Preparazione Ambiente: 

# 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.
✅ 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>
<h2>🏋️ Addestra 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>📄 Licenza</h2></p><p>Questo progetto è rilasciato sotto 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 una VAE perfezionata da <a href="https://huggingface.co/stabilityai/stable-audio-open-1.0/" target="_blank" rel="noopener noreferrer">Stable Audio Open</a>, rilasciata sotto 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 previo permesso di Stability AI.</strong></p><ul><li>📘 <strong>Tutto il restante codice e i modelli</strong> sono rilasciati sotto licenza Apache 2.0.</li></p><p></ul>---</p><h2>Ringraziamenti</h2></p><p>Molti ringraziamenti a:</p><ul><li><strong>stable-audio-tools</strong> (di Stability AI):</li>
</ul>Per aver fornito un framework semplice per la generazione audio, oltre al modulo VAE e ai relativi pesi.
<ul><li><strong>MMAudio</strong>:</li>
  </ul>Per l'implementazione del backbone MM-DiT nel dominio audio.</p><hr></p><h2>📖 Citazione</h2></p><p>Se trovi utile il nostro progetto per la tua ricerca o il tuo 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}, 
}
@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>