用途
AudioCraft 是 Meta 的 PyTorch 音频生成库，面向以下需求：根据文本描述生成音乐；生成音效与环境声；构建音乐生成应用；旋律条件音乐生成；立体声音频输出；带风格迁移的可控音乐生成。
替代方案：Stable Audio（较长商业音乐生成）、Bark（带音乐/音效的文本转语音）、Riffusion（频谱图音乐生成）、OpenAI Jukebox（带歌词的原始音频生成）。
主要能力
- MusicGen：文本生成音乐，支持旋律条件。
- AudioGen：文本生成音效。
- EnCodec：高保真神经音频编解码器。
- 模型规模：Small（300M）至 Large（3.3B）。
- 立体声：完整立体声音频生成。
- 风格条件：MusicGen-Style 基于参考音频生成。
模型变体包括 musicgen-small（300M，文本转音乐，快速生成）、musicgen-medium（1.5B，平衡）、musicgen-large（3.3B，最佳质量）、musicgen-melody（1.5B，文本+旋律）、musicgen-melody-large（3.3B）、musicgen-stereo-*（立体声输出）、musicgen-style（1.5B，基于参考的风格迁移）、audiogen-medium（1.5B，文本转音效）。
使用方式
安装：
# 从 PyPI
pip install audiocraft
# 从 GitHub（最新）
pip install git+https://github.com/facebookresearch/audiocraft.git
# 或使用 HuggingFace Transformers
pip install transformers torch torchaudio
基础文本生成音乐（AudioCraft）：加载 MusicGen.get_pretrained('facebook/musicgen-small')，通过 set_generation_params 设置 duration、top_k、temperature，调用 model.generate(descriptions)，再用 torchaudio.save 保存 WAV。
HuggingFace Transformers 方式：使用 AutoProcessor 与 MusicgenForConditionalGeneration.from_pretrained，经 processor 处理文本后用 model.generate 生成，按 model.config.audio_encoder.sampling_rate 保存。
AudioGen：加载 AudioGen.get_pretrained('facebook/audiogen-medium')，设置 duration，用 generate 生成音效并以 16000 采样率保存。
生成参数默认值：duration 8.0 秒（范围 1-120）、top_k 250、top_p 0.0（0 表示禁用）、temperature 1.0、cfg_coef 3.0。
进阶用法：
- 旋律条件：使用 musicgen-melody，调用 generate_with_chroma 并传入旋律音频。
- 立体声：使用 musicgen-stereo-medium，输出形状为 [batch, 2, samples]。
- 音频续写：经 Transformers 的 processor 同时传入音频与文本，再 generate。
- MusicGen-Style：set_generation_params 中 cfg_coef_beta 控制风格影响，set_style_conditioner_params 设置 eval_q（1-6）与 excerpt_length，调用 generate_with_style；传入 [None] 可仅按风格生成。
- EnCodec：CompressionModel.get_pretrained('facebook/encodec_32khz')，将音频重采样至 32000 后 encode 为 codes，再 decode 重建。
文中还给出三种工作流示例：封装 MusicGenerator 类实现单条/批量生成与保存；批量音效生成（读取规格列表并输出 WAV）；Gradio 演示界面（输入描述、时长、temperature、CFG 系数，输出音频）。
性能与限制
显存需求（资料给出）：musicgen-small 约 4GB（FP32）/2GB（FP16），medium 约 8GB/4GB，large 约 16GB/8GB。可通过小模型、清空 CUDA 缓存、缩短时长、半精度等方式优化；批量生成比逐条生成更高效。常见问题：CUDA OOM 用更小模型或缩短时长；质量不佳提高 cfg_coef 并优化提示词；生成长度不足检查最大时长设置；音频伪影调整 temperature；立体声不生效需使用立体声模型变体。
收费、价格与商业使用条款资料暂未提供，需以官方仓库与模型页面为准。