TangoFlux: Superschnelle und zuverlässige Text-zu-Audio-Generierung mit Flussabgleich und Präferenzoptimierung nach Klatschen-Rangfolge.

TangoFlux: Super Fast and Faithful Text to Audio Generation with Flow Matching and Clap-Ranked Preference Optimization

December 30, 2024

Autoren: Chia-Yu Hung, Navonil Majumder, Zhifeng Kong, Ambuj Mehrish, Rafael Valle, Bryan Catanzaro, Soujanya Poria

cs.AI

Zusammenfassung

Wir stellen TangoFlux vor, ein effizientes Text-zu-Audio (TTA) Generativmodell mit 515 Millionen Parametern, das in der Lage ist, innerhalb von nur 3,7 Sekunden auf einer einzelnen A40 GPU bis zu 30 Sekunden 44,1 kHz Audio zu generieren. Eine zentrale Herausforderung bei der Ausrichtung von TTA-Modellen besteht in der Schwierigkeit, Präferenzpaare zu erstellen, da TTA keine strukturierten Mechanismen wie überprüfbare Belohnungen oder Goldstandard-Antworten bietet, die für große Sprachmodelle (LLMs) verfügbar sind. Um diesem Problem zu begegnen, schlagen wir CLAP-Ranked Preference Optimization (CRPO) vor, ein neuartiges Framework, das iterativ Präferenzdaten generiert und optimiert, um die Ausrichtung von TTA zu verbessern. Wir zeigen, dass das mit CRPO generierte Audio-Präferenzdatenset bestehende Alternativen übertrifft. Mit diesem Framework erzielt TangoFlux Spitzenleistungen in objektiven und subjektiven Benchmarks. Wir stellen den gesamten Code und die Modelle als Open Source zur Verfügung, um weitere Forschung in der TTA-Generierung zu unterstützen.

English

We introduce TangoFlux, an efficient Text-to-Audio (TTA) generative model with 515M parameters, capable of generating up to 30 seconds of 44.1kHz audio in just 3.7 seconds on a single A40 GPU. A key challenge in aligning TTA models lies in the difficulty of creating preference pairs, as TTA lacks structured mechanisms like verifiable rewards or gold-standard answers available for Large Language Models (LLMs). To address this, we propose CLAP-Ranked Preference Optimization (CRPO), a novel framework that iteratively generates and optimizes preference data to enhance TTA alignment. We demonstrate that the audio preference dataset generated using CRPO outperforms existing alternatives. With this framework, TangoFlux achieves state-of-the-art performance across both objective and subjective benchmarks. We open source all code and models to support further research in TTA generation.