À propos du projet

AudioMuse-AI analyse le contenu audio réel de votre bibliothèque musicale en utilisant l'empreinte sonore et des modèles d'IA pour activer des fonctionnalités telles que le regroupement automatique de morceaux sonorement similaires, la génération instantanée de playlists à partir de descriptions en langage naturel (par exemple, de la musique à tempo rapide et faible énergie), une carte musicale 2D visuelle de votre collection, des « Song Paths » qui relient deux morceaux de manière fluide, des playlists d'empreintes sonores basées sur les habitudes d'écoute, « Song Alchemy » pour la curation basée sur l'ambience avec des contrôles ADD/SUBTRACT, une recherche textuelle par humeur/instrument/genre, une recherche de paroles dans 72 langues, et la « Search by Recording » (identifier une chanson à partir d'un clip de 20 secondes ou trouver des enregistrements alternatifs). Il prend en charge plusieurs serveurs musicaux simultanément (Navidrome, Jellyfin, LMS, Lyrion, Emby, Plex) avec une détection intégrée des doublons, de sorte que chaque morceau n'est analysé qu'une fois et les résultats sont partagés. Les options de déploiement incluent Docker Compose, Podman, Kubernetes (carte Helm disponible, AMD64/ARM64), ainsi que des applications natives pour macOS (Apple Silicon), Linux (x86_64/ARM64 .deb/.rpm) et Windows (x86_64). Matériel minimum : processeur à 4 cœurs avec AVX2 (Intel 2015+ ou ARM), 8 Go de RAM, SSD NVMe. L'accélération GPU (NVIDIA, expérimental ARM DGX Spark) est optionnelle pour une analyse plus rapide. La configuration est gérée via un assistant de configuration basé navigateur (Setup Wizard) ; PostgreSQL 15 est requis. Le projet est animé par la communauté et n'est pas affilié à audiomuse.ai.