NotaGen
ElectricAlexis/NotaGenRevisado por IA
Revisado por RepoPicks Radar el
¿Qué es NotaGen?
NotaGen es un modelo de investigación que compone partituras clásicas. Le das una época, el estilo de un compositor y los instrumentos, y escribe la partitura en notación ABC, que se puede convertir en MusicXML, PDF o audio. La forma más rápida de probarlo es la página de los creadores en Hugging Face, donde escribes el prompt y escuchas. Ejecutarlo en tu propia computadora implica Python con conda, PyTorch con CUDA, descargar el archivo del modelo a mano y unos 8 GB de memoria de video. El código también incluye todo lo necesario para entrenarlo y ajustarlo con tu propia música.
NotaGen es gratis y de código abierto (MIT) y puede reemplazar a Suno y Udio.
¿Qué tan fácil es instalar NotaGen?
A · descarga y abre · Web
- Windows D
- Linux D
- Web A
En la web es una A: la propia página de los creadores en Hugging Face Space ejecuta NotaGen-X, escribes "Period-Composer-Instrumentation" y puedes "preview the audio / pdf scores, and download them", sin instalar nada. En tu propia máquina con Windows o Linux es una D, sin ningún release para descargar: `conda create --name notagen python=3.10`, PyTorch 2.3.0 con CUDA 11.8, cuatro pasos de `pip install`, el archivo del modelo que hay que descargar a mano desde Hugging Face y unos 8 GB de memoria de video, siguiendo un segundo conjunto de instrucciones en `gradio/README.md`. Mac no está cubierta, ya que la línea de instalación pide una tarjeta Nvidia.
NotaGen en GitHub
- Estrellas
- 1246el 10 nov 2026
- Descargas
- —todas las versiones
- Crecimiento
- —sin ganancia en la última lectura
Estrellas a lo largo del tiempo
Datos
- Funciona en
- Windows, Linux, Web
- Necesitas instalar
- Nada más que el programa
- Para compilar desde el código
- Python
- Espacio en disco
- 150 MB–450 MB · estimación
- Cuentas o claves
- Ninguna
- Costo
- Gratis · Código MIT, archivos del modelo publicados abiertamente en Hugging Face, y la demo en línea en Hugging Face Space no pide nada.
- Licencia
- MIT (Permisiva)
- Último cambio en GitHub
- 21 abr 2025
Señales de riesgo de NotaGen (8)
- AtenciónEnlaces de descarga a sitios de archivos
El README enlaza a https://drive.google.com/drive/folders/1iVLkcywzXGcHFodce9nDQyEmK4UDmBtY?usp=sharing
revisión automática
- AtenciónDependencias con vulnerabilidades conocidas
Dependencias fijadas con vulnerabilidades conocidas (OSV): transformers: GHSA-29pf-2h5f-8g72, GHSA-37mw-44qp-f5jm, GHSA-4w7r-h757-3r74; gradio: GHSA-39mp-8hj3-5c49, GHSA-5cpq-9538-jm2j, GHSA-6655-8ph2-63j3
revisión automática
- Atenciónel archivo del modelo viene de otro lugar
Nada de lo que realmente genera música está en el repositorio: el README enlaza cinco archivos `.pth` en Hugging Face (`weights_notagen_pretrain...`, `weights_notagenx_p_size_16...`) más otros dos de una cuenta distinta para CLaMP 2 (`huggingface.co/sander-wood/clamp2`). Los archivos `.pth` de PyTorch se cargan desempaquetando objetos de Python guardados, lo cual es una forma de ejecutar código, así que lo que descargas decide lo que pasa en tu máquina. Las comprobaciones también señalan un enlace a un dataset en Google Drive.
revisión con IA
- Atenciónno se dice de dónde viene la música con la que aprendió
La descripción general dice "Pre-training on 1.6M musical pieces" y "Fine-tuning on ~9K classical compositions" sin nombrar la fuente ni su licencia; solo se da crédito al pequeño dataset de ejemplo (lieder de Schubert de OpenScore Lieder). El propio filtro del proyecto muestra que el modelo puede repetir lo que aprendió: en `RL/data.py`, "Sheets that may plagiarize from ground truth data (ld_sim>0.95) are excluded". A quién pertenece una partitura que escribe es una pregunta abierta.
revisión con IA
- Infouna tarjeta gráfica potente es el verdadero requisito
El README: "Deploying NotaGen-X inference locally may require 8GB of GPU memory", y para entrenar "The use of NotaGen-large requires at least 24GB of GPU memory for training and inference", con los modelos más pequeños ofrecidos como salida. La línea de instalación fija `pytorch==2.3.0 pytorch-cuda=11.8`, así que es una tarjeta Nvidia o nada.
revisión con IA
- Infoel entrenamiento reporta a un servicio en línea
`requirements.txt` fija `wandb==0.17.2`, el servicio Weights & Biases, que usan los scripts de preentrenamiento, ajuste fino y aprendizaje por refuerzo. Si entrenas con tu propia música, los datos de esa ejecución van a ese servicio a menos que lo desactives.
revisión con IA
- Infobibliotecas fijadas antiguas y sin commits desde hace un año y medio
El último commit es del 2025-04-21, 563 días antes de esta revisión, con 26 issues abiertos y sin releases. `requirements.txt` fija `transformers==4.40.0`, `gradio==5.17.1` y `numpy==1.26.4` — las versiones que señaló la revisión de vulnerabilidades — así que un entorno Python actual puede no reproducirlo.
revisión con IA
- Infocódigo de investigación que se configura editando archivos
No hay ninguna interfaz para configurar nada: las instrucciones te dicen que edites `pretrain/config.py`, `finetune/config.py`, `inference/config.py`, `RL/config.py`, `clamp2/extract_clamp2.py` y `RL/data.py`, pegando en cada uno nombres largos de archivos de peso como `weights_notagen_schubert_p_size_16_p_length_1024_p_layers_20_c_layers_6_h_size_1280_lr_1e-05_batch_1.pth`. Las versiones más prácticas — un notebook de Colab y un nodo de ComfyUI — son aportes de otras personas, guardados en sus propios repositorios.
revisión con IA
La evidencia aparece en su idioma original.
Lo que Radar no pudo verificar de NotaGen
- Si la instalación todavía funciona, con PyTorch 2.3.0, CUDA 11.8 y las bibliotecas fijadas
- Cuánto tarda una partitura en una tarjeta de 8 GB, y cuánto espacio en disco ocupan los archivos del modelo
- Si la música es agradable o útil, algo que solo se puede saber escuchando
- A quién pertenecen las partituras que escribe, lo cual depende de datos de entrenamiento que el repositorio no describe
- Qué guarda la demo en línea de Hugging Face de los prompts que escribes