MusicGen Small

MusicGen Small

根据文字描述或音频提示生成短音乐片段，是 facebook MusicGen 的 small 检查点。适合想在自己电脑上试用文字生成音乐的开发者和音乐爱好者。

由 facebook 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：MusicGen Small 是 facebook 发布的文字生成音乐模型。它能根据一段文字描述或一段音频提示生成音乐样本。它是已发布的四个检查点之一，一次就能预测音频标记的全部四个码本。

适合谁：想试试用文字生成音乐的开发者、业余制作人和音频研究人员最适合它。它通过 transformers 库在 Python 中运行。

Industry | Who uses it | How they use it | Example
音乐制作 | 业余制作人 | 根据文字描述草拟简短的音乐想法 | 输入 happy rock 这样的提示，得到一段短片段
软件开发 | 开发者 | 通过 transformers 管道给 Python 应用加入文字生成音乐 | 把生成的音频保存为 wav 文件
研究 | 音频研究人员 | 研究单阶段的音乐生成模型 | 对比已发布的四个检查点

如果你打算商用，可以跳过它，因为它的许可证是非商业的。

用在哪里：你在自己的电脑上用 Python 运行它，可以在笔记本里试听结果，也可以保存成文件。

• 装有 Python 的 Windows、macOS 或 Linux
• 使用 transformers 4.31.0 或更新版本的 Python 脚本
• 笔记本，音频样本可以直接在里面播放
• Audiocraft 库，这是运行 MusicGen 的原始方式

Use case | Who | What they get back
文字生成音乐片段 | 业余制作人 | 一段贴合描述的短音频样本
同时处理两条提示 | 开发者 | 每条提示对应一段单声道 32 kHz 波形
保存结果 | 所有人 | 一个能用任何播放器打开的 wav 文件

如何设置：你需要装有 pip 的 Python，以及 4.31.0 或更新版本的 transformers 库，外加 scipy。

• Python 和 pip
• transformers 库和 scipy
• 足够的磁盘空间，F32 权重约 2.4 GB

1. 在 Windows、macOS 或 Linux 上安装 Python。
2. 更新 pip，然后安装 transformers 和 scipy。
3. 也可以提前用 Hugging Face hub 工具下载模型文件。

pip install --upgrade pip
pip install --upgrade transformers scipy

pip install -U huggingface_hub
hf download facebook/musicgen-small

如何使用：最快的办法是用文字转音频管道，它接收一句话并写出一个 wav 文件。

from transformers import pipeline
import scipy

synthesiser = pipeline("text-to-audio", "facebook/musicgen-small")

music = synthesiser("lo-fi music with a soothing melody", forward_params={"do_sample": True})

scipy.io.wavfile.write("musicgen_out.wav", rate=music["sampling_rate"], data=music["audio"])

想要更细的控制，就用建模代码里的处理器和 generate 调用。它会把文字变成单声道 32 kHz 波形。

from transformers import AutoProcessor, MusicgenForConditionalGeneration

processor = AutoProcessor.from_pretrained("facebook/musicgen-small")
model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small")

inputs = processor(
    text=["80s pop track with bassy drums and synth", "90s rock song with loud guitars and heavy drums"],
    padding=True,
    return_tensors="pt",
)

audio_values = model.generate(**inputs, max_new_tokens=256)

Tool | What it does
pipeline | 用几行代码运行文字转音频任务
AutoProcessor | 把你的文字提示变成模型输入
MusicgenForConditionalGeneration | 加载模型并生成音频数值
scipy.io.wavfile.write | 把音频保存为 wav 文件

示例：你给管道输入提示 "lo-fi music with a soothing melody"。它生成一段片段并写入名为 musicgen_out.wav 的 wav 文件，你可以用任何播放器打开。

新手与专家：你输入一句描述音乐的话，模型就返回一小段音频。第一个小尝试，是用 lo-fi 提示运行管道代码，然后播放它保存的文件。

在底层，一个 Transformer 一步一步地预测音频标记。这些标记来自以 32 kHz 运行的 EnCodec 分词器，有四个码本，速率 50 Hz。让码本在时间上稍微错开，模型就能并排预测它们，也就是每秒音频 50 步。与一些早期方法不同，它不需要单独的语义表示。

输入文字描述或音频提示
Transformer 每一步预测四个码本
小延迟让码本并行运行
输出单声道 32 kHz 音频波形

注意事项：许可证限制了你对生成片段的用法。

• Size: 记录中是 591M 个参数，F32 权重约 2.4 GB，以 Safetensors 格式存放
• Other versions: Hugging Face 列出了其他人做的 8 个量化版本和 16 个微调版本
• License: cc-by-nc-4.0，属于非商业许可
• Cost to run: 未提及
• Data it reaches: 你给它的文字或音频、你保存的 wav 文件，以及从 Hugging Face 下载的模型文件
• Not for: 许可证之下的商业用途

Hugging Face 上的数据（2026年11月14日）

• 任务：text to audio
• 框架：transformers
• 参数量：591M
• Weights: about 2.4 GB in F32; about 296 MB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：184,008
• 点赞：532
• 许可证：cc-by-nc-4.0
• Quantized versions: 8
• Fine-tunes: 16
• 标签：transformers, pytorch, safetensors, musicgen, text-to-audio

链接

• 模型：https://huggingface.co/facebook/musicgen-small
• 文件：https://huggingface.co/facebook/musicgen-small/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download facebook/musicgen-small

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。