Si vols generar música amb IA al teu propi ordinador sense enviar res a servidors externs , MusicGen de Meta és just el que estaves buscant. Aquest model està pensat per funcionar en local, de manera que els teus àudios, stems, referències i prompts mai surten de la teva màquina tret que tu ho decideixis. Ideal si treballes amb projectes confidencials, mostres amb llicència o idees que encara no vols que vegin la llum.
Més enllà del que és creatiu, utilitzar MusicGen en local obre la porta a muntar un petit “estudi” ben organitzat : models descarregats en disc, metadades clares, còpies de seguretat automàtiques i un sistema de cerca que et permet trobar qualsevol render en segons. Tot això sense dependre de límits del núvol, sense cues i amb un control fi sobre qui pot veure què dintre de la teva xarxa.
Per què compensa utilitzar MusicGen de Meta en local
Quan executes MusicGen a la teva pròpia màquina, tu decideixes què entra, què surt i qui té accés , alguna cosa clau si maneges encàrrecs professionals, pistes amb copyright o referències privades. No hi ha pujada automàtica a servidors de tercers, no deixeu rastre en serveis externs i reduïu al mínim la superfície d'exposició del vostre treball.
Aquest enfocament encaixa com un guant amb la filosofia de moltes comunitats tècniques i musicals: eines obertes, experimentació i fluxos reproduïbles . Pots provar paràmetres, comparar versions i documentar què vas fer a cada sessió per poder repetir resultats quan ho necessitis.
També es nota en el rendiment: en generar en local tens una latència estable i sense sorpreses per saturació aliena . No depeneu que el proveïdor tingui la vostra API lliure, ni de talls de xarxa, ni de canvis sobtats de política d'ús que, de la nit al dia, limitin la quantitat de minuts d'àudio que podeu crear.
Finalment, treballar en local facilita muntar el teu propi govern de la dada: metadades ben dissenyades, rutes clares i un pla de còpies i permisos que fa que el teu arxiu musical deixi de ser una jungla de carpetes amb noms impossibles i passi a ser un catàleg consultable gairebé com si fos un servei de streaming privat.
Requisits mínims i preparació de l'entorn
Perquè MusicGen vagi fluid, el més recomanable és fer servir una GPU NVIDIA relativament moderna amb suport CUDA 11 o superior . Amb 8-12 GB de VRAM pots treballar força còmode amb els models small i medium; si apuntes al model large, s'agraeixen 16 GB o més. També pots tirar només de CPU, però el temps de generació puja força.
A nivell de programari, el més habitual és muntar un entorn de Python 3.9 o superior, ja sigui amb comta o venv per aïllar dependències . Necessitaràs instal·lar PyTorch (amb la versió específica de CUDA si tens GPU) i tenir FFmpeg disponible al sistema per poder llegir i escriure àudio en diferents formats sense complicar-te.
En entorns professionals és bona idea que l'equip d'àudio i el de sistemes es coordinin: definir on viuen els models, quins permisos tenen les carpetes i com es gestionen les actualitzacions . Així evites que cada usuari descarregui diverses vegades el mateix o que algú esborri per error el model que tots esteu usant.
Un cop tinguis l'entorn de Python llest i PyTorch instal·lat, comprova que FFmpeg està al PATH del teu sistema per poder convertir entre WAV, MP3 i altres formats , així com retallar, normalitzar o re-samplejar si cal dins dels teus scripts o des de línia d'ordres.
Instal·lar Audiocraft i MusicGen sense sortir del teu equip
MusicGen forma part del projecte Audiocraft de Meta, així que tot comença per instal·lar aquest paquet. La ruta senzilla és fer-ho des de pip, cosa que et deixarà llest tant el model com les utilitats per treballar-hi directament des del teu entorn local.
Un flux típic seria una cosa com això, sempre llançat des del teu entorn virtual de Python :
pip install -U audiocraft
pip install gradio huggingface_hub
La primera ordre instal·la Audiocraft actualitzat i la segona afegeix Gradio per aixecar una interfície web local i les eines de Hugging Face que et facilitaran descarregar els pesos dels models a disc.
Per treballar realment sense connexió, el truc és descarregar els checkpoints una sola vegada i guardar-los en una carpeta controlada. Amb la CLI de Hugging Face pots fer una cosa així:
huggingface-cli download facebook/musicgen-small --local-dir models/musicgen-small
Repeteix el procés amb els altres models que t'interessin (medium, large, melody, etc.) i després defineix una ruta de memòria cau amb una variable d'entorn de l'estil HF_HOME apuntant a la teva carpeta de models . D'aquesta manera, quan truqueu a MusicGen als vostres scripts, el codi no necessitareu connectar-vos a Internet per buscar els pesos.
Models de MusicGen disponibles i consum de recursos
Meta ofereix diverses mides de MusicGen per adaptar-se a diferents màquines i necessitats. A grans trets, els més usats són musicgen-small, musicgen-medium, musicgen-large i les seves variants melody, que accepten una guia melòdica com a àudio d'entrada.
El model small és lleuger, ideal per prototipar i generar molts esbossos ràpids. El medium fa un salt de qualitat mantenint un consum raonable de VRAM. El large apunta a màxima fidelitat i millor textura , però exigeix força més memòria gràfica i temps de còmput.
Si vas amb GPU de 8-12 GB, el més normal és quedar-te en small o medium, sobretot quan generes clips llargs de 30-60 segons. A CPU pura es pot, però convé retallar la durada, baixar la mida de lot i armar-se de paciència . La idea és ajustar lequilibri entre qualitat, temps per iteració i recursos disponibles.
MusicGen exposa a més diversos paràmetres que influeixen molt en el resultat final: top_k, top_p, temperature i cfg_coef , entre d'altres. Jugar-hi et permet passar de coses molt conservadores i repetitives a peces més arriscades i creatives. Convé anotar quina combinació vas utilitzar a cada render per poder reproduir-lo després.
Generar àudio amb MusicGen: CLI, UI local i scripts a Python
Un cop instal·lat Audiocraft, pots triar entre fer servir una petita interfície web local o estirar scripts a Python. Per provar de forma ràpida, el més còmode és llançar la demo de Gradio i escriure prompts com si estiguessis en una web d'IA , però amb el servidor corrent al teu propi equip.
En moltes versions de Audiocraft, pots fer alguna cosa semblant a això :
python -m audiocraft.demo.app
Amb això s'obre una interfície al teu navegador on podràs introduir descripcions de la música que vols generar, ajustar durada i descarregar el resultat a WAV directament al teu disc, sense que res s'enviï fora de la teva xarxa . És la forma ideal d'experimentar abans d'integrar MusicGen al flux seriós de producció.
Si el teu és automatitzar, a Python pots carregar el model de la següent forma, apuntant als teus pesos locals si els has descarregat prèviament:
from audiocraft.models import MusicGen
import torchaudio
model = MusicGen.get_pretrained("facebook/musicgen-small")
model.set_generation_params(duration=30, top_k=250, top_p=0.0,
temperature=1.0, cfg_coef=3.0)
prompts =
wavs = model.generate(prompts)
torchaudio.save("render_ambient.wav", wavs.cpu(),
sample_rate=model.sample_rate)
En el cas de les variants melody, pots carregar una línia de guitarra, un piano o qualsevol referència melòdica i demanar-li al model que la segueixi. El flux canvia a una mica d'aquest estil, on combines àudio de guia amb un prompt de text :
from audiocraft.models import MusicGen
import torchaudio
model = MusicGen.get_pretrained("facebook/musicgen-melody")
model.set_generation_params(duration=20)
melody, sr = torchaudio.load("referències/guitarra_clean.wav")
prompts =
wavs = model.generate_with_chroma(prompts,
melody_wavs=,
melody_sample_rate=sr)
torchaudio.save("balada_guided.wav", wavs.cpu(),
sample_rate=model.sample_rate)
Quan acabis una tanda de renders, et faràs un favor si guardes les pistes amb noms clars (per exemple tema X_v1, tema X_v2, tema X_v2b ) i, en paral·lel, anotes durada, llavor, model usat i paràmetres principals. Així podràs reconstruir o evolucionar qualsevol idea sense haver d'“endevinar” què vas fer aquell dia.
Organitzar renders, stems i prompts amb metadades a NDJSON
Generar àudio és només la meitat de la feina; l'altra meitat és poder trobar el que has generat sense tornar-te boig . Una estratègia molt pràctica és fer servir NDJSON (JSON Lines) per guardar la fitxa de cada render, vinculant-la a l'arxiu WAV o FLAC corresponent.
A la pràctica, cada línia d'aquest fitxer NDJSON és un document amb un id únic , un bloc de metadades i una referència a l'arxiu d'àudio en disc, per exemple amb un esquema semblant:
{ "id": "audio-001",
"jsonData": "{\"titulo\":\"Demo 1\",\"genero\":\"ambient\"}",
"content": {
"mimeType": "audio/wav",
"uri": "file:///proyectos/renders/demo_1.wav"
}
}
{ "id": "audio-002",
"structData": {
"titulo": "Demo 2",
"bpm": 92,
"mood": "melancolico"
},
"content": {
"mimeType": "audio/flac",
"uri": "file:///proyectos/renders/demo_2.flac"
}
}
En dissenyar aquestes metadades, té sentit incloure almenys títol, gènere o mood, BPM, instruments clau, seed, checkpoint, paràmetres de sampling i ruta al fitxer . Amb això ja podeu filtrar per estat d'ànim, tempo o configuració tècnica quan vulgueu revisar idees antigues.
La gràcia del NDJSON és que s'integra molt bé amb eines d'indexació i cerca: pots carregar-lo en un petit motor de cerca local, en una base de dades o fins i tot en un data warehouse, i tenir a cop de cerca tot el fitxer sonor sense moure els WAV de la seva carpeta original.
Indexació local: wikis internes i cercadors per al teu estudi
Quan el teu projecte creix, no només acumules àudio: comencen a aparèixer wikis internes, manuals, notes tècniques, presets, fulls de sessió … i si vols que tot això sigui local però “buscable”, toca pensar com s'indexa.
Si muntes una intranet o un wiki per al teu estudi, és important definir quins URL es poden rastrejar i quins no. Per exemple, sol ser una bona idea excloure patrons del tipus /cercar/* o rutes de resultats dinàmics , perquè cada cerca genera un URL diferent i això embruta l'índex amb milers de pàgines gairebé iguals.
També convé unificar duplicats mitjançant URL canòniques: si la mateixa pàgina es pot obrir per diverses rutes, marca una com a principal amb rel="canonical" o un altre mecanisme equivalent , perquè el sistema d'indexació local no la dupliqui. Depenent de l'eina, podreu configurar desenes o centenars de patrons d'inclusió i exclusió per afinar encara més.
Si el vostre cercador intern respecta un fitxer robots.txt, assegureu-vos que els agents que hagin de rastrejar la documentació tinguin permís. Un bloc d'exemple seria com User-agent: Google-CloudVertexBot seguit de Allow: / quan vols donar accés complet, encara que en entorns interns és habitual limitar el rastreig a unes quantes rutes concretes i deixar la resta fora per evitar fuites o indexacions innecessàries.
Documents no estructurats: formats suportats i límits pràctics
A la part documental del teu flux amb MusicGen segurament manejaràs manuals, lletres, guies de mescla o documentació tècnica. Molts sistemes de cerca i indexació local treballen bé amb HTML, TXT i PDF que contingui text , i alguns afegeixen compatibilitat preliminar amb formats com PPTX o DOCX centrats en text llegible per màquina.
Si importaràs lots grans de documents, sol haver-hi límits en el nombre total per operació (per exemple uns 100.000 fitxers per lot ) i en la mida màxima de cada fitxer. En analitzadors estàndard, HTML, TXT, JSON, XHTML o XML poden rondar els 200 MB, però si actives anàlisis de maquetació o fragmentació avançada, el límit típic baixa a uns 10 MB per fitxer.
En formats Office com PPTX, DOCX o XLSX, els límits tendeixen a mantenir-se prop dels 200 MB fins i tot quan es trossegen o s'aplica un analitzador de disseny. En PDF és freqüent acceptar fins a 200 MB en mode simple i al voltant de 40 MB si s'activa un analitzador de maquetació més exigent , sobretot quan hi ha moltes taules o un disseny complex.
Si algun dels vostres PDFs són només escanejats o tenen el text incrustat en imatges, val la pena activar OCR amb opció de text llegible per màquina. Això permet extreure blocs de text i taules amb força precisió i que els teus cercadors semàntics o sistemes de RAG puguin aprofitar aquesta informació per respondre preguntes sobre les teves sessions.
Fonts de documents: emmagatzematge local, buckets i NDJSON
En un estudi híbrid pots combinar un NAS a la teva xarxa amb buckets on-prem o al núvol per a cert tipus de còpies. L'habitual és habilitar importacions recursives des d'una carpeta arrel , de manera que l'índex vagi incorporant tot allò que hi hagi a subdirectoris sense que hagis d'anar carpeta per carpeta.
Si decidiu no utilitzar metadades addicionals, l'identificador de cada document pot derivar-se del nom de fitxer o d'un hash. Una altra opció molt potent és recórrer a NDJSON amb camps jsonData o structData , on deseu aquestes metadades i apunteu al fitxer real mitjançant un camp uri i el mimeType associat.
En arquitectures més complexes, podeu emmagatzemar aquesta informació en un data warehouse amb una taula que contingui id, jsonData i un registre content amb mimeType i uri. Aquesta manera de treballar s'adapta molt bé a grans catàlegs de música, presets, mostres o documentació relacionada amb els teus projectes de MusicGen.
Dades estructurades, esquemes i filtres avançats
Si vols anar un pas més enllà i filtrar resultats per tonalitat, BPM, instrument, versió o estat del projecte , val la pena estructurar aquestes dades en un esquema formal. Molts sistemes detecten l'esquema de manera automàtica en importar, però és recomanable revisar-ho o definir-ho tu mateix mitjançant JSON per assegurar-te que camps com el títol o les principals metadades s'interpreten correctament.
Quan treballes amb NDJSON en buckets, solen aplicar-se límits com a fitxers de 2 GB com a màxim i fins a 1.000 fitxers per operació d'importació. Convé també evitar taules externes i columnes amb noms flexibles si fas servir BigQuery, ja que en força casos aquests elements no s'importen.
L'avantatge de les dades estructurades és que pots incorporar tipus rics: booleans, dates, arrays o objectes imbricats. Aquesta flexibilitat et permet ampliar el teu catàleg sense trencar compatibilitats i continuar afinant cerques a mesura que la teva biblioteca de renders, stems i documentació creix amb el temps.
Fragmentació de documents i RAG per a la teva documentació musical
Si vols poder fer preguntes del tipus “ quin compressor i amb quins ajustaments vaig fer servir a la barreja de tal dia? ”, t'interessa activar la fragmentació (chunking) en construir el teu magatzem de documents. En comptes de recuperar un PDF sencer de 200 pàgines, el sistema només t'entrega els trossos rellevants per a aquesta consulta.
Quan apliques analitzadors de disseny que tenen en compte taules, encapçalaments o maquetació complexa, recorda que els límits de mida per fitxer solen ser més durs. En aquests casos és útil dividir els teus documents llargs per seccions o capítols abans d'indexar-los, de manera que el motor treballi amb peces més lleugeres i l'extracció de context sigui més precisa.
Embeddings i cerca semàntica al vostre arxiu d'àudio
Associar embeddings vectorials a les teves metadades obre un ventall de cerques molt més natural: pots buscar coses com “so nostàlgic amb guitarra neta i reverb àmplia” i que el sistema et suggereixi tracks que encaixen, encara que no continguin aquestes paraules exactes al títol oa la descripció.
Si des del principi imagines que necessitaràs cerques “borroses” d'aquest tipus per a stems, presets o referències, compensa planificar bé on i com es generen les embeddings: quin model fas servir, on s'emmagatzemen i com es relacionen amb els teus ids . Més endavant, aquestes decisions faran molt fàcil connectar les dades amb assistents, panells o eines RAG que consultin la teva biblioteca musical privada.
Seguretat, identitats i control d'accés a la xarxa interna
En treballar en local, tota la responsabilitat de la seguretat recau en tu, així que importa molt definir qui veu què dins del teu estudi o empresa . Configurar un proveïdor d'identitat (IdP) i permisos per grups (producció, mescla, legal, convidats, etc.) ajuda que cada persona només pugui accedir als recursos que necessiteu.
A portals interns, a més de controlar el login, convé validar quins agents poden rastrejar i indexar el contingut. Limitar els comptes de servei, revisar robots.txt i ajustar les ACL de carpetes compartides són passos bàsics per evitar que stems, màsters o documents sensibles quedin exposats per distracció.
Casos especials: projectes sanitaris i estàndard FHIR
En projectes on la música generada o les eines d'IA es relacionen amb informació sanitària o històries clíniques (per exemple, iniciatives de musicoteràpia), entren en joc requisits estrictes, especialment si s'hi integra amb dades FHIR.
Si utilitzeu Vertex AI Search com a part del sistema, el magatzem de FHIR d'origen ha de ser de tipus R4 i residir en ubicacions concretes com us-central1, us o eu. A més, hi ha límits en el nombre de recursos per operació (de l'ordre d' un milió de recursos FHIR com a màxim ) i en com es referencien fitxers PDF, RTF o imatges des de Cloud Storage, normalment mitjançant rutes estàndard gs:// al camp content[].attachment.url.
També és important que les referències relatives mantinguin el format Resource/resourceId (per exemple, Patient/034AB16) per evitar errors silenciosos de difícil diagnòstic més endavant.
Còpies de seguretat: local, núvol i sincronització “d'anada”
Usar MusicGen en local no implica renunciar a tenir una còpia externa de seguretat; el que sí que canvia és que tu decideixes quines dades surten de la teva xarxa i com es xifren . Serveis com pCloud, MEGA, Google Drive, Sync.com, Dropbox, Icedrive, Box o iCloud ofereixen diferents equilibris entre privadesa, preu i comoditat.
La majoria regalen entre 5 i 15 GB, útils per a una col·lecció petita de projectes; si el teu catàleg creix, hauràs de mirar amb lupa plans de pagament, polítiques de xifratge, límits de transferència i suport. Molts professionals combinen dos serveis (per exemple Drive i Dropbox) per compartir fàcilment amb clients i col·laboradors i, alhora, tenir redundància si un falla.
Si vols que la còpia al núvol sigui només de pujada (PC → núvol) i evitar esborrats reflectits en ambdues parts, eines tipus rclone o MEGAcmd faciliten una manera “copy” que no elimina fitxers a destinació. Comandes com rclone copy o megacopy et permeten programar backups deterministes i unidireccionals, molt útils per a biblioteques grans de renders generats amb MusicGen.
Per a discos externs aplica la mateixa filosofia: fer servir modes mirall d'anada, amb logs i sistema de versions, ja sigui amb FreeFileSync, robocopy o solucions similars. Abans d'activar l'esborrament automàtic, convé validar bé el comportament i, si es pot, mantenir versions a destinació per poder desfer errors humans.
Combinar MusicGen en local amb un bon esquema de metadades, indexació i còpies de seguretat fa que el teu estudi casolà o professional es comporti com una plataforma robusta i privada , on pots generar, organitzar i recuperar música amb la mateixa comoditat que al núvol, però amb el control i la tranquil·litat que tot està sota les regles.
