/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Базовая модель
musicgen-small
Библиотека
loom-py-rt
Опубликована
10 окт 2026

musicgen-small-loom

Генерация аудиоТекст → аудио

Экспорт MusicGen Small в GGUF генерирует музыкальные фрагменты без вокала по текстовым описаниям на английском языке.

24скачиваний за 30 дней0лайковвеса обновлены10 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MusicGen Small от Meta AI — модель генерации музыки по текстовому описанию, экспортированная организацией loom-ai-org в формат GGUF для запуска через loom.cpp и библиотеку loom-py-rt. Веса не изменены относительно facebook/musicgen-small; базовая модель содержит 300 млн параметров. Модель принимает текст на английском языке с описанием жанра, инструментов, темпа и настроения и выдаёт четыре потока токенов EnCodec. Для получения звукового файла токены нужно декодировать совместимым кодеком encodec-32khz-loom.

Модель предназначена для создания коротких музыкальных фрагментов без вокала. Она генерирует монофоническое аудио с частотой 32 кГц после декодирования; стандартная длина — около 30 секунд, предел одного вызова — примерно 40,9 секунды. Генерация идёт сэмплированием, а classifier-free guidance повышает соответствие описанию, но примерно удваивает вычислительные затраты.

Качество звучания ограничено низким битрейтом потока EnCodec и описывается в карточке как lo-fi. Модель не создаёт готовый аудиофайл самостоятельно, не поддерживает генерацию вокала, мелодий по аудиовходу или стерео. Лицензия CC-BY-NC-4.0 разрешает использование с указанием авторства, но не коммерческое применение.

Сценарии применения

  • создание фоновой музыки по описанию жанра и настроения
  • генерация коротких музыкальных заставок с заданными инструментами
  • создание монофонических lo-fi музыкальных набросков
  • получение музыкальных токенов EnCodec для последующего декодирования в аудио

Ограничения

Модель выдаёт токены EnCodec, а не готовый аудиофайл: для декодирования нужен совместимый кодек. Генерация ограничена монофонической музыкой без вокала и имеет lo-fi качество; длинный вызов ограничен примерно 40,9 секунды, а guidance примерно удваивает вычислительные затраты.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MusicGen Small

Meta's MusicGen Small text-to-music model, exported for loom.cpp. Family 14: a text description in, EnCodec tokens out -- pair it with encodec-32khz-loom for audio.

This is a loom.cpp export: a single self-describing GGUF that carries its own graph topologies, tokenizer (if any) and driver script, produced by loom-exporter.

Original model

Exported from facebook/musicgen-small. Weights are unmodified; this repo packages the same parameters into loom.cpp's GGUF format.

License

cc-by-nc-4.0, inherited from the base model above.

Language(s)

en

Usage

Run it with loom-py -- loom-py-rt on PyPI:

pip install -U "loom-py-rt[hub]"
import loom

model = loom.Model.from_pretrained("loom-ai-org/musicgen-small-loom")

# The prompt DESCRIBES the music -- genre, instruments, mood. What comes back is EnCodec TOKENS, not
# audio: frame-major, 4 codebooks wide, 50 frames per second, so max_new_tokens=250 is five seconds.
codes = model.text2codes.infer("80s pop track with bassy drums and synth", max_new_tokens=250, seed=1)
print(len(codes), "frames x", len(codes[0]), "codebooks")

# The second half of the pair, in a repo of its own: the codec this model was trained with.
codec = loom.Model.from_pretrained("loom-ai-org/encodec-32khz-loom")
audio = codec.codes2speech.infer(codes)
print(len(audio), "samples at", audio.sample_rate, "Hz =", round(audio.duration, 2), "s")
audio.save("out.wav")

# Nothing goes between those two calls. Both files declare the width of a frame:
print(model.hparam("codec.n_codebooks"), "==", codec.hparam("codec.n_codebooks"))

# This model SAMPLES by default, with classifier-free guidance; `seed=` pins a take, and
# temperature=0 decodes greedily (transformers' generate(do_sample=False), code for code).
print(model.hparam("sampling.top_k"), model.hparam("sampling.guidance_scale", "f32"))

The layer underneath

The call above is the high-level door: one per task, named for the modality pair it maps between, with the windowing, sampling and assembly this model needs already applied. Under it, model.infer(...) passes your arguments straight to the driver this GGUF embeds -- which is where you go for a knob the door does not name.

model.driver_source prints that driver, including a header comment documenting every argument it accepts for this model, and is the authority on it. See loom-py for the API and loom.cpp for what the engine does between the two.

Known limitations

This model does not produce audio. It emits four streams of EnCodec tokens, and encodec-32khz-loom -- the codec it was trained with -- turns them into 32 kHz mono audio. The usage snippet above is the whole of the joining.

The prompt describes the music; it is not lyrics. Genre, instruments, tempo and mood in English, through the T5 vocabulary this file carries. MusicGen Small makes no vocals.

It samples, at the settings transformers uses for this checkpoint: top_k 50 and classifier-free guidance at 3.0. (Meta's own audiocraft library samples with top_k 250; this file follows the checkpoint's Hugging Face generation config.) Two runs give two takes; seed= pins one, and temperature=0 decodes greedily, which reproduces transformers' generate(do_sample=False) code for code.

max_new_tokens counts audio frames at 50 per second, so 250 is five seconds. The default is 1496 frames, about 30 s, which is the checkpoint's own generation length and its training clip length. The decoder's 2048 positions cap one call at 2045 frames (40.9 s).

Guidance costs a second decoder pass at every step, so it roughly doubles the work. guidance_scale=1.0 turns it off: faster, and the music follows the prompt less closely. On a 4-thread laptop-class CPU, two seconds of music took about 27 s with guidance and 14 s without; a GPU or more cores helps.

Expect lo-fi sound; that comes from the model, not from this export. MusicGen generates music as a 2.2 kbps EnCodec stream: four 2048-entry codebooks at 50 frames a second. That is enough for style, rhythm and instrumentation, and it sounds about like an old radio. This file's codes match transformers exactly, and the codec matches it to 3e-5, so a sharper result would have to come from a larger MusicGen checkpoint, not a different runtime.

Mono and text-conditioned only. The melody-conditioned and stereo MusicGen checkpoints are different models and are not covered by this file. 2.1 GB, F32.

Files

  • musicgen-small.gguf -- the model, exported with loom-exporter.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · loom-py-rt

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
3d9b41b

0 моделей