zhinit

Một nhà phát triển đã huấn luyện thành công mô hình diffusion tiềm ẩn sinh (latent diffusion) để tổng hợp mẫu trống kick bằng card đồ họa NVIDIA GTX 1660 SUPER cũ 7 năm với chỉ 6GB VRAM. Quá trình gồm ba mô hình: VAE nén spectrogram mel thành không gian tiềm ẩn 4x8x11 (nén 63 lần), U-Net diffusion khử nhiễu tạo ra latent trống kick (có tùy chọn điều kiện từ khóa văn bản qua CFG), và vocoder HiFi-GAN tái tạo âm thanh từ spectrogram. Dữ liệu huấn luyện là 13.615 mẫu trống kick cá nhân đã qua lọc. Hệ thống triển khai trên Modal (serverless GPU) với backend Django, lưu trữ Supabase và cơ sở dữ liệu PostgreSQL, tích hợp tối ưu như tái sử dụng container ấm và lưu cache trọng số mô hình.