Web Analytics

ThinkSound

⭐ 1321 stars Portuguese 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 você achar este projeto útil,
uma estrela ⭐ no GitHub seria muito apreciada!

Estrutura do repositório

Este repositório ThinkSound no GitHub hospeda dois projetos relacionados em ramos separados:

| Branch | Projeto | Documentação | |--------|---------|----------------| | master | ThinkSound (NeurIPS 2025) — geração unificada Any2Audio com flow matching guiado por CoT | Este arquivo: README.md | | prismaudio | PrismAudio — trabalho subsequente (ICLR 2026) em vídeo-para- áudio com CoT-RL multi-dimensional | README.md no branch prismaudio |

Para ThinkSound, use o branch master (este README). Para PrismAudio, acesse prismaudio e siga o README.md lá.

ThinkSound é uma estrutura unificada de geração Any2Audio com flow matching guiado por raciocínio Chain-of-Thought (CoT).

Implementação PyTorch para geração e edição de áudio multimodal: gere ou edite áudio a partir de vídeo, texto e áudio, potencializado por raciocínio passo a passo de Modelos Multimodais de Linguagem (MLLMs).

Teaser

📰 Novidades

---

Continuação: PrismAudio (mesmo repositório, branch prismaudio)

PrismAudio é o sucessor do ThinkSound (ICLR 2026), desenvolvido sob um novo nome, mas mantido neste repositório no branch prismaudio. Instalação, checkpoints e citação estão em README.md nesse branch.

👉 git checkout prismaudio ou abra o branch no GitHub.

🚀 Recursos

---

✨ Visão Geral do Método

ThinkSound decompõe a geração e edição de áudio em três etapas interativas, todas guiadas por raciocínio Chain-of-Thought (CoT) baseado em MLLM:

ThinkSound Overview

⚡ Início Rápido

Preparação do 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.
✅ Dica para Windows:
Usuários do Windows podem simplesmente executar setup_windows.bat (ou dar um duplo clique) para criar automaticamente o ambiente conda, instalar todas as dependências (incluindo o FFmpeg) e baixar o modelo pré-treinado — não é necessário configuração manual.
Certifique-se de que conda e git estejam instalados e disponíveis no PATH do sistema antes de executar o script.

▶️ Execute a Demonstração

#### Linux/macOS

chmod +x scripts/demo.sh
./scripts/demo.sh   <CoT description> [use-half]</code></pre>
#### <strong>Windows</strong></p><p>Você pode usar o script <code>.bat</code> fornecido em vez disso:</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><caminho-para-seu-vídeo-demo></code>: O caminho para um único vídeo</li>
<li><code>[use-half]</code> (opcional): Adicione use-half ao final para ativar a extração de recursos em precisão reduzida.</li></p><p></ul>---</p><h3>📦 Inferência em Lote</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>Use o 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>: Caminho para o diretório raiz contendo todos os vídeos .mp4 a serem processados (todos os vídeos devem ter a mesma duração).</li>
<li><code><csv_path></code>: Um arquivo CSV com prompts de texto para cada vídeo (veja <code>demo_test.csv</code> para o formato).</li>
<li><code><save_path></code> (opcional): Onde salvar o áudio gerado. O padrão é <code>results/features</code>.</li>
<li><code>[use-half]</code> (opcional): Adicione use-half ao final para habilitar a extração de recursos em meia precisão.</li></p><p></ul>---</p><h3>Uso da Interface Web</h3></p><p>Para uma experiência interativa, inicie a interface web do Gradio:</p><pre><code class="language-bash">python app.py</code></pre>
<h2>🏋️ Treine o Modelo</h2></p><p>Veja <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>📄 Licença</h2></p><p>Este projeto é distribuído sob a Licença Apache 2.0.</p><blockquote><strong>Nota:</strong></blockquote>
<blockquote>O código, modelos e conjunto de dados são <strong>apenas para fins de pesquisa e educação</strong>.</blockquote>
<blockquote><strong>Uso comercial NÃO é permitido.</strong></blockquote>
<blockquote>Para licenciamento comercial, entre em contato com os autores.</blockquote></p><p><strong>📦 Componentes de Terceiros</strong></p><ul><li><strong>Stable Audio Open VAE</strong> (por Stability AI):</li>
  </ul>Este repositório inclui um VAE ajustado a partir de <a href="https://huggingface.co/stabilityai/stable-audio-open-1.0/" target="_blank" rel="noopener noreferrer">Stable Audio Open</a>, licenciado sob a <a href="https://raw.githubusercontent.com/FunAudioLLM/ThinkSound/master/./third_party/LICENSE_StabilityAI.md" target="_blank" rel="noopener noreferrer">Licença Comunitária da Stability AI</a>.
  <strong>Uso comercial e redistribuição requerem permissão prévia da Stability AI.</strong></p><ul><li>📘 <strong>Todo o restante do código e modelos</strong> são distribuídos sob a Licença Apache 2.0.</li></p><p></ul>---</p><h2>Agradecimentos</h2></p><p>Muitos agradecimentos a:</p><ul><li><strong>stable-audio-tools</strong> (por Stability AI):</li>
</ul>Por fornecer um framework fácil de usar para geração de áudio, bem como o módulo VAE e os pesos.
<ul><li><strong>MMAudio</strong>:</li>
  </ul>Pela implementação do backbone MM-DiT no domínio de áudio.</p><hr></p><h2>📖 Citação</h2></p><p>Se você achar nosso projeto útil em sua pesquisa ou trabalho, por favor cite nosso artigo:</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>