[New Pipeline]: Audio-Journey: Visual+LLM-aided Audio Encodec Diffusion

### Model/Pipeline/Scheduler description

We efficiently trained an Audio Diffusion model with the aid of Alpaca augmented audio captions using AudioSet labels;
[website](https://audiojourney.github.io/)
[preprint](https://github.com/audiojourney/audiojourney.github.io/blob/main/neurIPS_2023_v1.2.pdf)
[Appendix](https://github.com/audiojourney/audiojourney.github.io/blob/main/neurIPS_2023_appendix_v1.3.pdf)
[Implementation](https://github.com/jacksonmichaels/diffusers_with_dataloader)
Weights will be released soon!

### Open source status

- [X] The model implementation is available
- [ ] The model weights are available (Only relevant if addition is not a scheduler).

### Provide useful links for the implementation
@jacksonmichaels

_No response_

Comienza con la implementación de AudioJourney enlazada y lee el preprint y el apéndice enlazados para entender el pipeline propuesto. El issue no menciona archivos ni tests de diffusers; para completarlo habría que confirmar que la implementación del modelo y los pesos están disponibles y definir cómo debe integrarse el nuevo pipeline.

Escrito por el modelo de indexación a partir del texto del issue.