当GAN生成图像可以卡音效，这个Python包只需几行代码就能实现「音画同步」 机器之心报道 编辑：魔王Lucid Sonic Dreams 包可以实现 GAN 生成图像的「音画同步」效果，且支持自定义。 GAN 生成图像奇幻诡谲，对此我们早已不陌生。如果它们还可以卡音效呢？最近，有人就创建了一个实现类似效果的 Python 包——Lucid Sonic Dreams，只用几行代码就可以实现 AI 生成画作与音乐的同步。 GitHub 地址：https://github.com/mikaelalafriz/lucid-sonic-dreams Colab 教程地址：https://colab.research.google.com/drive/1Y5i50xSFIuN3V4Md8TB30_GOAtts7RQD?usp=sharing 在该项目提供的 demo 视频中，伴随着 Saje 的歌「Raspberry」，GAN 生成的图像不断变换且呈现出了对应的节奏。 工作原理 生成艺术品通常是由 GAN 网络来完成的。Lucid Sonic Dreams 包默认使用 StyleGAN2-ADA 架构，不过 GAN 架构也可以自定义。将这些模型在特定「风格」的图像数据集上进行训练，使之能够输出与训练图像风格一致的无穷多张图像。此外，Lucid Sonic Dreams 使用 Justin Pinkney 创建库中的 StyleGAN2 预训练模型（地址：https://github.com/justinpinkney/awesome-pretrained-stylegan2） 。 那么这些图像到底是如何生成的呢？ 将输入馈送至 StyleGAN2 模型（输入为有 512 个数字的向量），输入决定了模型的输出图像，因此对输入向量进行微小更改也将带来输出图像的微小变化。 现在，有趣的部分到了：如果我们从音乐中获取声波，从声波中提取数值（如振幅）并添加至输入向量，会发生什么？ Lucid Sonic Dreams 对视频每一帧执行这些操作，生成脉冲与变换与音乐一致的图像。 具体而言，利用 Lucid Sonic Dreams 包，音乐控制了 3 个主要视觉组件：脉冲（Pulse）、运动（Motion）和类别（Class）： 脉冲指视觉画面随着音乐的敲击性节奏而「跳动」。从数学角度来看，「脉冲」是向输入向量暂时添加声波振幅的结果（即在下一帧中该向量仍是初始向量）； 运动指视觉画面变换的速度。从数学上看，它是向输入向量累积添加振幅（即添加的振幅后续不会被清零）； 类别指生成图像中物体的标签，例如基于 WikiArt 图像训练的风格中就有 167 个类别（包括梵高、达芬奇、抽象派等）。而这些由音调进行控制，具体而言，12 个音高分别对应 12 个不同类别。这些音高的振幅对传输至第二个输入向量（类别向量）的数字造成影响，而这由模型生成的对象来决定。 项目作者表示，这个想法受到 Matt Siegelman 的 Deep Music Visualizer 项目的启发。目前网上也有一些类似的项目，但 Lucid Sonic Dreams 的独特之处在于以 Python 包形式实现，且允许自定义。 使用 Lucid Sonic Dreams 包，你可以做到这些 Lucid Sonic Dreams 具备极强的易用性和灵活性。用户可以使用 pip 进行安装： 然后只需输入几行 Python 代码即可： fromlucidsonicdreamsimportLucidSonicDream L = LucidSonicDream(song = 'chemical_love.mp3', style = 'abstract photos')L.hallucinate(file_name = 'chemical_love.mp4') 改变风格 运行以下代码，我们可以查看默认可用的风格： from lucidsonicdreams import show_styles show_styles() 这样就可以得到一组风格名称，这些风格来自 Justin Pinkney 创建的库。你还可以输入自己的 StyleGAN 权重，或者使用其他 GAN 架构。 调整参数 Lucid Sonic Dreams 包的默认设置很好用，但它实际上有很多参数——30 多个，不过这些参数是可以调整的（参数详细信息参见 Colab 教程）。 哪些参数最重要呢？我们来看整个视频生成 pipeline： 首先，对输入向量进行初始化和插值，作为视频的「基础运动」（base motion）。参数 speed_fpm 控制运动的速度，fpm 表示「每分钟帧数」，即每分钟初始化的向量数。对于每个后续帧而言，参数 pulse_react, motion_react, and class_react 控制音频操纵每个对应组件的程度。 模型基于这些向量生成图像后，图像被传输经过一系列特效（也对音乐产生反应）。默认情况下，Lucid Sonic Dreams 包具备「contrast」和「flash」特效，可以与音频的敲击性节奏同步。通过设置 contrast_strength 和 flash_strength 参数，即可进行调整。使用者还可以创建自定义特效。 以下代码展示了调参过程： L = LucidSonicDream('pancake_feet.mp3', style = 'modern art')L.hallucinate(file_name = 'pancake_feet.mp4', speed_fpm = 0, motion_react = 0.8, contrast_strength = 0.5, flash_strength = 0.7)使用自己的 StyleGAN 权重 如果你自己训练过 StyleGAN，或者在网上获得了一些模型权重，你可以选择将文件路径传输至这些权重，作为风格参数的值。 例如，文章开头的视频使用的是 Jeremy Torman 训练的模型。生成视频所用代码如下所示： L = LucidSonicDream(song = 'raspberry.mp3', style = 'VisionaryArt.pkl')L.hallucinate(file_name = 'raspberry.mp4', pulse_react = 1.2, motion_react = 0.7, contrast_strength = 0.5, flash_strength = 0.5) 使用单独的音轨 这个包还可以用作音乐可视化工具，使用者可以上传单独的音轨，进而控制 Pulse、Motion、Class、Contrast 和 Flash。如果你想使这些视觉组件与特定的乐器同步，使用这个包是不错的选择。你还可以利用这些单独的音轨自定义特效。 以下是示例代码： L = LucidSonicDream(song = 'lucidsonicdreams_main.mp3', pulse_audio = 'lucidsonicdreams_pulse.mp3', class_audio = 'lucidsonicdreams_class.mp3', style = 'wikiart') L.hallucinate('lucidsonicdreams.mp4', pulse_react = 0.25, motion_react = 0, classes = [1,5,9,16,23,27,28,30,50,68,71,89], dominant_classes_first = True, class_shuffle_seconds = 8, class_smooth_seconds = 4, class_pitch_react = 0.2, contrast_strength = 0.3)自定义特效 除了内置的「Contrast」和「Flash」特效外，Lucid Sonic Dreams 包还允许用户自定义创建特效。用户只需创建一个包含至少以下 3 个参数的函数即可：array，表示应用特效的图像；strength，决定对音乐的反应强度；amplitude 表示在任意给定时间点的音量。之后，将该自定义函数传输至 EffectsGenerator 对象。 作者用以下代码进行了试验，其使用的是 scikit-image 的 swirl 特效： import numpy as np from skimage.transform import swirlfrom lucidsonicdreams import EffectsGenerator def swirl_func(array, strength, amplitude): swirled_image = swirl(array, rotation = 0, strength = 100 * strength * amplitude, radius=650)return(swirled_image*255).astype(np.uint8) swirl_effect = EffectsGenerator(swirl_func, audio = 'unfaith.mp3', strength = 0.2, percussive = False) L = LucidSonicDream('unfaith.mp3', style = 'textures') L.hallucinate('unfaith.mp4', motion_react = 0.15, speed_fpm = 2, pulse_react = 1.5, contrast_strength = 1, flash_strength = 1, custom_effects = [swirl_effect]) files.download("unfaith.mp4") 使用其他 GAN 架构 你还可以使用其他 GAN 架构。只需定义一个函数，该函数以一组噪声向量和类别向量（NumPy 数组）作为输入，输出一组 Pillow 图像。事实上，该函数甚至不需要使用 GAN，它可以是能够将输入向量转换成图像的任意函数。 下列代码使用 BigGAN 的 PyTorch 实现复现了 Deep Music Visualizer： from pytorch_pretrained_biggan import BigGAN, convert_to_imagesimporttorch biggan = BigGAN.from_pretrained('biggan-deep-512')biggan.to('cuda:0') def biggan_func(noise_batch, class_batch): noise_tensor = torch.from_numpy(noise_batch).cuda() class_tensor = torch.from_numpy(class_batch).cuda() with torch.no_grad(): output_tensor = biggan(noise_tensor.float(), class_tensor.float(), truncation = 1) return convert_to_images(output_tensor.cpu()) L = LucidSonicDream('sea_of_voices_inst.mp3', style = biggan_func, input_shape = 128, num_possible_classes = 1000) L.hallucinate('sea_of_voices.mp4', output_audio = 'sea_of_voices.mp3', speed_fpm = 3, classes = [13, 14, 22, 24, 301, 84, 99, 100, 134, 143, 393, 394], class_shuffle_seconds = 10, class_shuffle_strength = 0.1, class_complexity = 0.5, class_smooth_seconds = 4, motion_react = 0.35, flash_strength = 1, contrast_strength = 1) 亚马逊云科技白皮书《策略手册：数据、 分析与机器学习》 曾存储过 GB 级业务数据的组织现在发现，所存储的数据量现已达 PB 级甚至 EB 级。要充分利用这 些海量数据的价值，就需要利用现代化云数据基础设施，从而将不同的信息竖井融合统一。 无论您处于数据现代化改造过程中的哪个阶段，本行动手册都能帮助您完善策略，在整个企业范围内高效扩展数据、分析和机器学习，从而加快创新并推动业务发展。点击阅读原文，免费领取白皮书。 ?THE END 转载请联系本公众号获得授权 投稿或寻求报道：content@jiqizhixin.com 阅读原文