Web Analytics

ThinkSound

⭐ 1043 stars Russian 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

Если вы считаете этот проект полезным,
звезда ⭐ на GitHub будет очень признательна!

ThinkSound — это унифицированная платформа генерации Any2Audio с сопоставлением потоков, управляемая рассуждениями в стиле Chain-of-Thought (CoT).

Реализация на PyTorch для мультимодальной генерации и редактирования аудио: генерируйте или редактируйте аудио на основе видео, текста и аудио, с поэтапным рассуждением от Мультимодальных Больших Языковых Моделей (MLLMs).

Тизер

📰 Новости

---

🚀 Возможности

---

✨ Обзор метода

ThinkSound разделяет генерацию и редактирование аудио на три интерактивные стадии, все управляются поэтапным рассуждением на базе MLLM:

Обзор ThinkSound

⚡ Быстрый старт

Подготовка среды: 

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.
✅ Совет для Windows:
Пользователи Windows могут просто запустить setup_windows.bat (или дважды щелкнуть по нему), чтобы автоматически создать среду conda, установить все зависимости (включая FFmpeg) и загрузить предобученную модель — никакой ручной настройки не требуется.
Перед запуском скрипта убедитесь, что conda и git установлены и доступны в переменной PATH вашей системы.

▶️ Запуск демо

#### Linux/macOS

chmod +x scripts/demo.sh
./scripts/demo.sh   <CoT description> [use-half]</code></pre>
#### <strong>Windows</strong></p><p>Вместо этого вы можете использовать предоставленный скрипт <code>.bat</code>:</p><pre><code class="language-bash">.\scripts\demo.bat <path-to-your-demo-video> <title> <CoT description> [use-half]</code></pre>
<strong>Примечание:</strong></p><ul><li><code><path-to-your-demo-video></code>: Путь к одному видео</li>
<li><code>[use-half]</code> (необязательно): Добавьте use-half в конце для включения извлечения признаков в половинной точности.</li></p><p></ul>---</p><h3>📦 Пакетный вывод</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>Используйте эквивалентный скрипт <code>.bat</code>:</p><pre><code class="language-bash">.\scripts\eval_batch.bat <video_path> <csv_path> <save_path (optional)> [use-half]</code></pre>
<strong>Примечание:</strong></p><ul><li><code><video_path></code>: Путь к корневому каталогу, содержащему все .mp4 видео для обработки (все видео должны быть одинаковой длительности).</li>
<li><code><csv_path></code>: CSV-файл с текстовыми подсказками для каждого видео (см. формат в <code>demo_test.csv</code>).</li>
<li><code><save_path></code> (необязательно): Путь для сохранения сгенерированного аудио. По умолчанию <code>results/features</code>.</li>
<li><code>[use-half]</code> (необязательно): Добавьте use-half в конце для включения извлечения признаков в половинной точности.</li></p><p></ul>---</p><h3>Использование веб-интерфейса</h3></p><p>Для интерактивной работы запустите веб-интерфейс Gradio:</p><pre><code class="language-bash">python app.py</code></pre></p><h2>🏋️ Обучение модели</h2></p><p>См. <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>📝 Планы TODO и на будущее</h2>
<ul><li>- [ ] Выпустить более мощную базовую модель, охватывающую несколько доменов, для более увлекательного и иммерсивного создания фоли</li>
<li>- [ ] Добавить поддержку дополнительных модальностей и последующих задач</li>
<li>- [ ] Выпустить модели разных масштабов</li>
<li>- [x] Открыть исходный датасет AudioCoT и автоматизированный конвейер</li>
<li>- [x] Выпустить обучающие скрипты для моделей ThinkSound</li>
<li>- [x] README для быстрого старта на Windows для новичков</li>
</ul>---</p><h2>📄 Лицензия</h2></p><p>Этот проект распространяется по лицензии Apache 2.0.</p><blockquote><strong>Примечание:</strong></blockquote>
<blockquote>Код, модели и датасет предназначены <strong>только для научных и образовательных целей</strong>.</blockquote>
<blockquote><strong>Коммерческое использование НЕ разрешено.</strong></blockquote>
<blockquote>Для коммерческого лицензирования, пожалуйста, свяжитесь с авторами.</blockquote></p><p><strong>📦 Сторонние компоненты</strong></p><ul><li><strong>Stable Audio Open VAE</strong> (от Stability AI):</li>
  </ul>Этот репозиторий включает доработанный VAE из <a href="https://huggingface.co/stabilityai/stable-audio-open-1.0/" target="_blank" rel="noopener noreferrer">Stable Audio Open</a>, лицензированный по <a href="https://raw.githubusercontent.com/FunAudioLLM/ThinkSound/master/./third_party/LICENSE_StabilityAI.md" target="_blank" rel="noopener noreferrer">лицензии Stability AI Community License</a>.
  <strong>Коммерческое использование и распространение требуют предварительного разрешения Stability AI.</strong></p><ul><li>📘 <strong>Весь остальной код и модели</strong> распространяются по лицензии Apache 2.0.</li></p><p></ul>---</p><h2>Благодарности</h2></p><p>Благодарности:</p><ul><li><strong>stable-audio-tools</strong> (от Stability AI):</li>
</ul>За предоставление удобной платформы для генерации аудио, а также модуля VAE и весов.
<ul><li><strong>MMAudio</strong>:</li>
  </ul>За реализацию архитектуры MM-DiT в аудио-домене.</p><hr></p><h2>📖 Цитирование</h2></p><p>Если ThinkSound оказался полезным для ваших исследований или работы, пожалуйста, процитируйте нашу статью:</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>