# DAC

## Tổng quan

Mô hình DAC được đề xuất trong [Descript Audio Codec: High-Fidelity Audio Compression with Improved RVQGAN](https://huggingface.co/papers/2306.06546) bởi Rithesh Kumar, Prem Seetharaman, Alejandro Luebs, Ishaan Kumar, Kundan Kumar.

Mô hình Descript Audio Codec (DAC) là một công cụ mạnh mẽ để nén dữ liệu âm thanh, giúp tối ưu hóa hiệu quả cho việc lưu trữ và truyền tải. Bằng cách nén âm thanh 44.1 KHz thành các token với băng thông chỉ 8kbps, mô hình DAC cho phép xử lý âm thanh chất lượng cao trong khi giảm đáng kể kích thước dữ liệu. Điều này đặc biệt hữu ích trong các kịch bản có băng thông hạn chế hoặc không gian lưu trữ đắt đỏ, chẳng hạn như trong các ứng dụng phát trực tiếp, hội nghị từ xa và lưu trữ các bộ dữ liệu âm thanh lớn.

Tóm tắt từ bài báo như sau:

*Các mô hình ngôn ngữ đã được sử dụng thành công để mô hình hóa các tín hiệu tự nhiên, chẳng hạn như hình ảnh, giọng nói và âm nhạc. Một thành phần chính của các mô hình này là mô hình nén neural chất lượng cao, có khả năng nén các tín hiệu tự nhiên nhiều chiều thành các token rời rạc ít chiều hơn. Hướng tới mục tiêu đó, chúng tôi giới thiệu một thuật toán nén âm thanh neural phổ dụng, độ trung thực cao, đạt được mức nén ~90 lần cho âm thanh 44,1 KHz thành các token với băng thông chỉ 8kbps. Chúng tôi đạt được điều này bằng cách kết hợp những tiến bộ trong tạo âm thanh độ trung thực cao với các kỹ thuật lượng tử hóa vector tốt hơn từ lĩnh vực hình ảnh, cùng với các tổn thất đối kháng và tái tạo được cải thiện. Chúng tôi nén tất cả các miền (giọng nói, môi trường, âm nhạc, v.v.) bằng một mô hình phổ dụng duy nhất, giúp nó có thể áp dụng rộng rãi cho việc mô hình hóa sinh của mọi âm thanh. Chúng tôi so sánh với các thuật toán nén âm thanh cạnh tranh và nhận thấy phương pháp của chúng tôi vượt trội hơn đáng kể. Chúng tôi cung cấp các phân tích ablation kỹ lưỡng cho mọi lựa chọn thiết kế, cũng như mã nguồn mở và trọng số mô hình đã được huấn luyện. Chúng tôi hy vọng công việc của mình có thể đặt nền móng cho thế hệ tiếp theo của việc mô hình hóa âm thanh độ trung thực cao.*

Mô hình này được đóng góp bởi [Kamil Akesbi](https://huggingface.co/kamilakesbi). Mã gốc có thể được tìm thấy [tại đây](https://github.com/descriptinc/descript-audio-codec/tree/main?tab=readme-ov-file).

## Cấu trúc mô hình

Mô hình Descript Audio Codec (DAC) được cấu trúc thành ba giai đoạn riêng biệt:

1. Mô hình Encoder: Giai đoạn này nén âm thanh đầu vào, giảm kích thước của nó trong khi vẫn giữ lại các thông tin thiết yếu.
2. Mô hình Lượng tử hóa Vector Dư (RVQ): Hoạt động song song với bộ mã hóa, mô hình này lượng tử hóa các mã ẩn của âm thanh, tinh chỉnh quá trình nén và đảm bảo tái tạo chất lượng cao.
3. Mô hình Giải mã: Giai đoạn cuối cùng này tái tạo âm thanh từ dạng nén của nó, khôi phục về trạng thái gần giống với đầu vào ban đầu.

## Ví dụ sử dụng

Dưới đây là một ví dụ nhanh về cách mã hóa và giải mã âm thanh bằng mô hình này:

```python
from datasets import Audio, load_dataset

from transformers import AutoProcessor, DacModel

librispeech_dummy = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")

model = DacModel.from_pretrained("descript/dac_16khz", device_map="auto")
processor = AutoProcessor.from_pretrained("descript/dac_16khz")
librispeech_dummy = librispeech_dummy.cast_column("audio", Audio(sampling_rate=processor.sampling_rate))
audio_sample = librispeech_dummy[-1]["audio"]["array"]
inputs = processor(raw_audio=audio_sample, sampling_rate=processor.sampling_rate, return_tensors="pt").to(model.device)

encoder_outputs = model.encode(inputs["input_values"])
# Get the intermediate audio codes
audio_codes = encoder_outputs.audio_codes
# Reconstruct the audio from its quantized representation
audio_values = model.decode(encoder_outputs.quantized_representation)
# or the equivalent with a forward pass
audio_values = model(inputs["input_values"]).audio_values
```

## DacConfig[[transformers.DacConfig]]

#### transformers.DacConfig[[transformers.DacConfig]]

```python
transformers.DacConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, encoder_hidden_size: int = 64, downsampling_ratios: list[int] | tuple[int, ...] = (2, 4, 8, 8), decoder_hidden_size: int = 1536, n_codebooks: int = 9, codebook_size: int = 1024, codebook_dim: int = 8, quantizer_dropout: float | int = 0.0, commitment_loss_weight: float = 0.25, codebook_loss_weight: float = 1.0, sampling_rate: int = 16000)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/dac/configuration_dac.py#L27)

**Tham số:**

encoder_hidden_size (`int`, *optional*, mặc định là `64`) : Kích thước của các biểu diễn ẩn.

downsampling_ratios (`list[int]`, *tùy chọn*, mặc định là `[2, 4, 8, 8]`) : Tỷ lệ hạ mẫu trong bộ mã hóa. Các tỷ lệ này được sử dụng theo thứ tự ngược lại để tăng mẫu trong bộ giải mã.

decoder_hidden_size (`int`, *optional*, mặc định là `1536`) : Kích thước của các biểu diễn ẩn.

n_codebooks (`int`, *tuỳ chọn*, mặc định là `9`) : Số lượng codebook song song được mô hình sử dụng.

codebook_size (`int`, *tuỳ chọn*, mặc định là `1024`) : Số lượng codebook song song được mô hình sử dụng.

codebook_dim (`int`, *optional*, mặc định là `8`) : Chiều của mỗi vector nhúng trong codebook.

quantizer_dropout (`bool`, *tuỳ chọn*, mặc định là 0) : Có áp dụng dropout cho bộ lượng tử hóa hay không.

commitment_loss_weight (`float`, *tuỳ chọn*, mặc định là 0.25) : Trọng số của số hạng tổn thất cam kết trong hàm tổn thất VQVAE.

codebook_loss_weight (`float`, *tuỳ chọn*, mặc định là 1.0) : Trọng số của số hạng tổn thất codebook trong hàm tổn thất VQVAE.

sampling_rate (`int`, *optional*, mặc định là `16000`) : Tốc độ lấy mẫu (sampling rate) mà các tệp âm thanh nên được số hóa, được biểu diễn bằng hertz (Hz).

Đây là lớp cấu hình để lưu trữ cấu hình của một DacModel. Nó được sử dụng để khởi tạo một mô hình Dac theo các đối số được chỉ định, xác định kiến trúc của mô hình. Khởi tạo một cấu hình với các giá trị mặc định sẽ tạo ra một cấu hình tương tự như cấu hình của [descript/dac_16khz](https://huggingface.co/descript/dac_16khz)

Các đối tượng cấu hình kế thừa từ [PreTrainedConfig](/docs/transformers/v5.23.0/vi/main_classes/configuration#transformers.PreTrainedConfig) và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ [PreTrainedConfig](/docs/transformers/v5.23.0/vi/main_classes/configuration#transformers.PreTrainedConfig) để biết thêm thông tin.

Ví dụ:

```python
>>> from transformers import DacModel, DacConfig

>>> # Initializing a "descript/dac_16khz" style configuration
>>> configuration = DacConfig()

>>> # Initializing a model (with random weights) from the "descript/dac_16khz" style configuration
>>> model = DacModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## DacFeatureExtractor[[transformers.DacFeatureExtractor]]

#### transformers.DacFeatureExtractor[[transformers.DacFeatureExtractor]]

```python
transformers.DacFeatureExtractor(feature_size: int = 1, sampling_rate: int = 16000, padding_value: float = 0.0, hop_length: int = 512, **kwargs)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/dac/feature_extraction_dac.py#L26)

**Tham số:**

feature_size (`int`, *optional*, mặc định là 1) : Kích thước chiều của các đặc trưng đã trích xuất. Sử dụng 1 cho mono, 2 cho stereo.

sampling_rate (`int`, *optional*, mặc định là 16000) : Tần số lấy mẫu mà tại đó dạng sóng âm thanh cần được số hóa, được biểu diễn bằng hertz (Hz).

padding_value (`float`, *tuỳ chọn*, mặc định là 0.0) : Giá trị được sử dụng để đệm.

hop_length (`int`, *optional*, mặc định là 512) : Độ dài chồng lấn giữa các cửa sổ liên tiếp.

Tạo một bộ trích xuất đặc trưng Dac.

Feature extractor này kế thừa từ [SequenceFeatureExtractor](/docs/transformers/v5.23.0/vi/main_classes/feature_extractor#transformers.SequenceFeatureExtractor), bao gồm hầu hết các phương thức chính. Người dùng nên tham khảo lớp cha này để biết thêm thông tin về các phương thức đó.

#### __call__[[transformers.DacFeatureExtractor.__call__]]

```python
__call__(raw_audio: numpy.ndarray | list[float] | list[numpy.ndarray] | list[list[float]], padding: bool | str | transformers.utils.generic.PaddingStrategy | None = None, truncation: bool | None = False, max_length: int | None = None, return_tensors: str | transformers.utils.generic.TensorType | None = None, sampling_rate: int | None = None)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/dac/feature_extraction_dac.py#L57)

**Tham số:**

raw_audio (`np.ndarray`, `list[float]`, `list[np.ndarray]`, `list[list[float]]`) : Chuỗi hoặc lô các chuỗi cần được xử lý. Mỗi chuỗi có thể là một mảng numpy, một danh sách các giá trị float, một danh sách các mảng numpy hoặc một danh sách các danh sách giá trị float. Mảng numpy phải có hình dạng `(num_samples,)` cho âm thanh mono (`feature_size = 1`), hoặc `(2, num_samples)` cho âm thanh stereo (`feature_size = 2`).

padding (`bool`, `str` hoặc [PaddingStrategy](/docs/transformers/v5.23.0/vi/internal/file_utils#transformers.utils.PaddingStrategy), *tuỳ chọn*, mặc định là `True`) : Chọn một chiến lược để đệm các chuỗi được trả về (theo phía đệm và chỉ số đệm của mô hình) trong số:  - `True` hoặc `'longest'`: Đệm đến chuỗi dài nhất trong lô (hoặc không đệm nếu chỉ có một chuỗi được cung cấp). - `'max_length'`: Đệm đến độ dài tối đa được chỉ định bằng tham số `max_length` hoặc đến độ dài đầu vào tối đa chấp nhận được cho mô hình nếu tham số đó không được cung cấp. - `False` hoặc `'do_not_pad'` (mặc định): Không đệm (tức là có thể xuất ra một lô với các chuỗi có độ dài khác nhau).

truncation (`bool`, *tùy chọn*, mặc định là `False`) : Kích hoạt việc cắt ngắn để giảm các chuỗi đầu vào dài hơn `max_length` xuống còn `max_length`.

max_length (`int`, *optional*) : Độ dài tối đa của danh sách được trả về và tùy chọn độ dài padding (xem bên trên).

return_tensors (`str` hoặc [TensorType](/docs/transformers/v5.23.0/vi/internal/file_utils#transformers.TensorType), *tuỳ chọn*, mặc định là 'pt') : Nếu được đặt, sẽ trả về các tensor thay vì danh sách các số nguyên Python. Các giá trị chấp nhận được là: - `'pt'`: Trả về các đối tượng `torch.Tensor` của PyTorch. - `'np'`: Trả về các đối tượng `np.ndarray` của Numpy.

sampling_rate (`int`, *optional*) : Tần số lấy mẫu mà đầu vào `audio` được lấy mẫu. Rất khuyến nghị truyền `sampling_rate` tại cuộc gọi forward để ngăn các lỗi âm thầm.

Phương thức chính để tạo đặc trưng và chuẩn bị một hoặc nhiều chuỗi cho mô hình.

## DacModel[[transformers.DacModel]]

#### transformers.DacModel[[transformers.DacModel]]

```python
transformers.DacModel(config: DacConfig)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/dac/modeling_dac.py#L563)

**Tham số:**

config ([DacConfig](/docs/transformers/v5.23.0/vi/model_doc/dac#transformers.DacConfig)) : Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình sẽ không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức [from_pretrained()](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel.from_pretrained) để tải trọng số của mô hình.

Mô hình DAC (Descript Audio Codec).

Mô hình này kế thừa từ [PreTrainedModel](/docs/transformers/v5.23.0/vi/main_classes/model#transformers.PreTrainedModel). Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu ra, v.v.)

Mô hình này cũng là một lớp con của [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.

#### decode[[transformers.DacModel.decode]]

```python
decode(quantized_representation: typing.Optional[torch.Tensor] = None, audio_codes: typing.Optional[torch.Tensor] = None, return_dict: bool | None = None)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/dac/modeling_dac.py#L609)

**Tham số:**

quantized_representation (`torch.Tensor` có hình dạng `(batch_size, dimension, time_steps)`, *tùy chọn*) : Đại diện liên tục đã lượng tử hóa của đầu vào.

audio_codes (`torch.Tensor` có shape `(batch_size, num_codebooks, time_steps)`, *optional*) : Các chỉ số codebook cho từng codebook, đại diện cho biểu diễn rời rạc đã lượng tử hóa của đầu vào. Tham số này nên được cung cấp nếu bạn muốn giải mã trực tiếp từ các mã âm thanh (nó sẽ ghi đè lên quantized_representation).

return_dict (`bool`, *tùy chọn*, mặc định là `True`) : Có nên trả về một `DacDecoderOutput` thay vì một tuple thông thường hay không.

**Trả về:** `DacDecoderOutput` hoặc `tuple(torch.Tensor)`

Một `DacDecoderOutput` hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình ([DacConfig](/docs/transformers/v5.23.0/vi/model_doc/dac#transformers.DacConfig)) và đầu vào.

- **audio_values** (`torch.Tensor` có hình dạng `(batch_size, input_length)`, *tùy chọn*) -- Các giá trị âm thanh đã giải mã, thu được bằng cách sử dụng phần decoder của Dac.

#### encode[[transformers.DacModel.encode]]

```python
encode(input_values: Tensor, n_quantizers: int | None = None, return_dict: bool | None = None)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/dac/modeling_dac.py#L582)

**Tham số:**

input_values (`torch.Tensor of shape `(batch_size, 1, time_steps)`) : Dữ liệu âm thanh đầu vào để mã hóa,

n_quantizers (`int`, *optional*) : Số lượng bộ lượng tử hóa cần sử dụng. Nếu là None, tất cả các bộ lượng tử hóa sẽ được sử dụng. Mặc định là None.

return_dict (`bool`, *tùy chọn*) : Có trả về [ModelOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.utils.ModelOutput) thay vì một tuple thông thường hay không.

**Trả về:** `DacEncoderOutput` hoặc `tuple(torch.Tensor)`

Một `DacEncoderOutput` hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình ([DacConfig](/docs/transformers/v5.23.0/vi/model_doc/dac#transformers.DacConfig)) và đầu vào.

- **loss** (`torch.Tensor`, *optional*) -- Mất từ mô hình encoder, bao gồm tổ hợp có trọng số của mất commitment và mất codebook.
- **quantized_representation** (`torch.Tensor` có hình dạng `(batch_size, dimension, time_steps)`, *tùy chọn*) -- Biểu diễn liên tục đã lượng tử hóa của đầu vào.
- **audio_codes** (`torch.Tensor` có hình dạng `(batch_size, num_codebooks, time_steps)`, *tùy chọn*) -- Chỉ số codebook cho từng codebook (biểu diễn rời rạc đã lượng tử hóa của đầu vào).
- **projected_latents** (`torch.Tensor` có hình dạng `(batch_size, num_codebooks * dimension, time_steps)`, *tùy chọn*) -- Latents đã chiếu (biểu diễn liên tục của đầu vào trước khi lượng tử hóa).

#### forward[[transformers.DacModel.forward]]

```python
forward(input_values: Tensor, n_quantizers: int | None = None, return_dict: bool | None = None)
```

[Nguồn](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/dac/modeling_dac.py#L642)

**Tham số:**

input_values (`torch.Tensor` có hình dạng `(batch_size, 1, time_steps)`) : Dữ liệu âm thanh cần mã hóa.

n_quantizers (`int`, *optional*) : Số lượng bộ lượng tử hóa cần sử dụng. Nếu là `None`, tất cả các bộ lượng tử hóa sẽ được sử dụng. Mặc định là `None`.

return_dict (`bool`, *tùy chọn*) : Có trả về [ModelOutput](/docs/transformers/v5.23.0/vi/main_classes/output#transformers.utils.ModelOutput) thay vì một tuple thông thường hay không.

**Trả về:** `DacOutput` hoặc `tuple(torch.Tensor)`

Một `DacOutput` hoặc một tuple của `torch.Tensor` (nếu `return_dict=False` được truyền hoặc khi `config.return_dict=False`) bao gồm các phần tử khác nhau tùy thuộc vào cấu hình ([DacConfig](/docs/transformers/v5.23.0/vi/model_doc/dac#transformers.DacConfig)) và đầu vào.

Phương thức forward của [DacModel](/docs/transformers/v5.23.0/vi/model_doc/dac#transformers.DacModel) ghi đè phương thức đặc biệt `__call__`.

Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, bạn nên gọi instance của `Module` sau đó thay vì gọi hàm này, vì instance `Module` sẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ bỏ qua chúng một cách im lặng.

- **loss** (`torch.Tensor`, *optional*) -- Mất từ mô hình encoder, bao gồm tổ hợp có trọng số của mất commitment và mất codebook.
- **audio_values** (`torch.Tensor` có hình dạng `(batch_size, input_length)`) -- Dữ liệu âm thanh được tái tạo.
- **quantized_representation** (`torch.Tensor` có hình dạng `(batch_size, dimension, time_steps)`) -- Biểu diễn liên tục đã lượng tử hóa của đầu vào.
- **audio_codes** (`torch.LongTensor` có hình dạng `(batch_size, num_codebooks, time_steps)`) -- Chỉ số codebook cho từng codebook (biểu diễn rời rạc đã lượng tử hóa của đầu vào).
- **projected_latents** (`torch.Tensor` có hình dạng `(batch_size, num_codebooks * dimension, time_steps)`) -- Các latent đã chiếu (biểu diễn liên tục của đầu vào trước khi lượng tử hóa).

Ví dụ:

```python
>>> from datasets import load_dataset, Audio
>>> from transformers import DacModel, AutoProcessor
>>> librispeech_dummy = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")

>>> model = DacModel.from_pretrained("descript/dac_16khz")
>>> processor = AutoProcessor.from_pretrained("descript/dac_16khz")
>>> librispeech_dummy = librispeech_dummy.cast_column("audio", Audio(sampling_rate=processor.sampling_rate))
>>> audio_sample = librispeech_dummy[-1]["audio"]["array"]
>>> inputs = processor(raw_audio=audio_sample, sampling_rate=processor.sampling_rate, return_tensors="pt")

>>> encoder_outputs = model.encode(inputs["input_values"])
>>> # Get the intermediate audio codes
>>> audio_codes = encoder_outputs.audio_codes
>>> # Reconstruct the audio from its quantized representation
>>> audio_values = model.decode(encoder_outputs.quantized_representation)
>>> # or the equivalent with a forward pass
>>> audio_values = model(inputs["input_values"]).audio_values
```

