TangoFlux: Generación de texto a audio súper rápida y fiel con coincidencia de flujo y optimización de preferencia clasificada por aplausos.

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

December 30, 2024

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

cs.AI

Resumen

Presentamos TangoFlux, un modelo generativo eficiente de Texto a Audio (TTA) con 515 millones de parámetros, capaz de generar hasta 30 segundos de audio a 44.1kHz en tan solo 3.7 segundos en una sola GPU A40. Un desafío clave en la alineación de modelos TTA radica en la dificultad de crear pares de preferencia, ya que TTA carece de mecanismos estructurados como recompensas verificables o respuestas de estándar de oro disponibles para Modelos de Lenguaje Grandes (LLMs). Para abordar esto, proponemos Optimización de Preferencia Clasificada por Aplausos (CRPO), un marco novedoso que genera y optimiza iterativamente datos de preferencia para mejorar la alineación de TTA. Demostramos que el conjunto de datos de preferencia de audio generado utilizando CRPO supera a las alternativas existentes. Con este marco, TangoFlux logra un rendimiento de vanguardia en tanto en pruebas objetivas como subjetivas. Ponemos a disposición todo el código y los modelos de forma abierta para apoyar futuras investigaciones en la generación de TTA.

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.