Sobre el proyecto

AudioMuse-AI analiza el contenido de audio real de tu biblioteca musical mediante huellas sónicas y modelos de IA para habilitar funciones como agrupación automática de pistas sónicamente similares, generación instantánea de listas a partir de descripciones en lenguaje natural (por ejemplo, "música de tempo alto y baja energía"), un Mapa Musical 2D visual de tu colección, Song Paths que conectan dos pistas sin cortes, listas basadas en Sonic Fingerprint según hábitos de escucha, Song Alchemy para curación por atmósfera con controles ADD/SUBTRACT, búsqueda de texto por estado de ánimo, instrumento o género, búsqueda de letras en 72 idiomas y Search by Recording (identificar una canción a partir de un clip de 20 segundos o encontrar grabaciones alternativas). Soporta múltiples servidores de música simultáneamente (Navidrome, Jellyfin, LMS, Lyrion, Emby, Plex) con detección integrada de duplicados, de modo que cada pista se analiza una sola vez y los resultados se comparten. Las opciones de despliegue incluyen Docker Compose, Podman, Kubernetes (Helm chart disponible, AMD64/ARM64) y aplicaciones nativas para macOS (Apple Silicon), Linux (x86_64/ARM64 .deb/.rpm) y Windows (x86_64). Hardware mínimo: CPU de 4 núcleos con AVX2 (Intel 2015+ o ARM), 8 GB de RAM y SSD NVMe. La aceleración por GPU (NVIDIA, ARM DGX Spark experimental) es opcional para un análisis más rápido. La configuración se gestiona mediante un Setup Wizard basado en navegador; se requiere PostgreSQL 15. El proyecto es impulsado por la comunidad y no está afiliado con audiomuse.ai.