TechMoon 科技月球
WordPress、SEO 與 AI 工具實測指南
MusicGPT 實測：一支執行檔在本機跑 MusicGen 生成音樂
MusicGPT 用 Rust 把 Meta MusicGen 包成單一執行檔，免 Python 免帳號，實測下載 986MB 模型後 8 秒生成 10 秒音樂，全程本機零遙測；但模型權重是 CC-BY-NC 非商業授權，專案也凍結在 2025 年 2 月，fp16 預設路徑還會 404，免費的只有個人使用這條路。
用 AI 摘要這篇文章：
想在自己電腦上用文字生成音樂，市面上的路多數要連網：線上服務有額度、要登入，prompt 跟著你的臉一起送出去；自架最新模型則要先伺候 Python 環境與顯示卡。MusicGPT 走的是中間那條路，而且到今天還走得通：把一支 13MB 的執行檔抓下來、敲一行指令，它會自己拉好模型，然後在 8 秒左右生出一段 10 秒的音樂。這是我在 macOS 上實際跑出來的結果，生成與儲存全程沒有離開這台機器。不過先把結論放在前面：這個工具免費的只有程式那一層，它跑的模型權重禁止商用，而且整個專案已經一年八個月沒有新的程式碼了。它是還通電的老管線，好用，但你得先知道邊界在哪。
它把 MusicGen 收進一支執行檔
MusicGPT 是開發者 gabotechs 用 Rust 寫的開源工具，作者的自我介紹是 Apache DataFusion 的提交者。這個專案的目標只有一個：讓你不用裝 Python、不用碰任何機器學習框架，就能在本機跑 Meta 的文字生音樂模型 MusicGen。
MusicGen 是 Meta 在 2023 年公開的模型家族，有三種參數規模，你給它一段文字描述，它生成一段對應的器樂。整條推論鏈從原始碼就看得很清楚：文字先經過一個文字編碼器轉成條件向量，自迴歸解碼器逐段生成音訊 token，最後由音訊解碼器還原成波形。MusicGPT 把這套模型轉成 ONNX 格式，用自己的 Rust 推論程式搭配 ONNX Runtime 執行，選單上提供 small、medium、large 三種規模，再乘上 fp32、fp16、量化三種精度，一共七種組合。README 附了一張作者自己在 Mac M1 Pro 上與 Python transformers 版的速度對比圖，主打的就是同模型在它這層包裝下跑得更快，這組數字我沒有重現，當官方說法參考就好。
安裝路徑官方給了四條：macOS 與 Linux 用 Homebrew、Windows 直接抓 exe、有 NVIDIA 顯卡建議走 Docker，另外也能用 cargo 從原始碼裝。我這次是在 macOS 上抓官方 release 的 aarch64 二進位檔直接執行，這條路最單純，也最貼近多數人會用的方式。Windows 的 exe 同樣掛在 release 頁，點開就能用，不需要安裝器。
初次執行，它會自己補齊兩樣東西
執行之後它先檢查執行環境。因為推論靠 ONNX Runtime，它會先去微軟的 GitHub release 抓 onnxruntime 1.20.1 的動態函式庫，這一步在我的機器上 1 秒多完成。接著是模型本體：所有模型檔都放在作者自己的 Hugging Face 儲存庫（gabotechs/music_gen），我選的 small-quant 組合總共下載了 986MB，耗時約一分鐘，過程有進度條，下載完就永久放在本機。模型快取會佔掉接近 1GB 的磁碟空間，之後每段生成的音檔與對話紀錄也會往同一個資料夾累積，把它想成一個可以整包搬移、整包刪掉的資料匣就好。
資料預設存在系統的應用程式資料夾（macOS 是 ~/Library/Application Support/com.gabotechs.musicgpt），裡面分模型、生成音檔、聊天紀錄三類，也可以用 --data-path 參數指到別的位置，這也是專案凍結前加的最後一個功能。跑過一次之後就完全不連網了，模型已經快取，離線也能生成。原始碼裡的對外網址只有三類：Hugging Face 模型庫、微軟的 ONNX Runtime 下載點、本機位址，沒有任何遙測或統計回傳的程式碼。
實測：一行 prompt 到一段 WAV
CLI 模式長這樣：
musicgpt "a short cheerful chiptune melody" --model small-quant --secs 10 --no-playback在 Apple M4 Max 上（CPU 推論，不吃 GPU），這行指令從敲下去到 WAV 寫完總共 8.08 秒，換算成 9.94 秒的音訊，過程吃滿約 6 個核心。這個數字請當成高標參考，M4 Max 是目前消費級晶片的前段班，一般硬體會明顯更慢，官方文件自己也警告大模型需要很強的硬體。產出檔案預設叫 musicgpt-generated.wav、寫在當前目錄，用 --output 可以指定路徑；因為生成本身不花錢，本地跑的好處在這裡很實際，同一個想法可以連試十種寫法，不用計較額度。
同一條 prompt 我跑了兩次，兩個 WAV 檔案的內容並不相同，而程式沒有提供固定隨機種子的參數，也就是說它每次生成都有隨機性，想要「再生一次剛剛那段」是做不到的，滿意的結果請直接存檔。
輸出是單聲道 32kHz 的浮點 WAV。有個後製上的小提醒：實際產出的音量偏大，浮點取樣的峰值超過滿刻度（大於 1.0），直接匯入剪輯軟體前先衰減個幾 dB，聽起來會健康得多。
不帶 prompt 直接執行的話，它會在本機開一個網頁聊天介面（預設 port 8642），長得像簡化版的聊天機器人：上方顯示目前載入的模型與後端（例如 MusicGen Small Quantized (CPU)），下面是時長欄位加訊息輸入框。我從這個介面送出一段 80 年代流行樂的英文描述，生成完成後訊息串裡出現內建播放器，可以直接試聽，生成的音檔與對話紀錄都存在本機資料夾，下次打開還在。
加上 --gpu 在 Mac 上會自動偵測 CoreML 後端，執行 log 明確印出 CoreMLExecutionProvider detected，同樣能完成生成，官方對 GPU 支援的定位是實驗性質，跑之前它也會自己警告一句；Windows 與 Linux 上對應的是 CUDA，那條路需要 Docker，我沒有跑過。
免費的是程式，不是模型
這是整個工具最需要先講清楚的一層。MusicGPT 的程式碼採 MIT 授權，你可以自由修改、散佈；但它在初次執行時下載的 MusicGen 權重，授權是 CC-BY-NC-4.0，NC 代表非商業使用。README 對這件事寫得明白，兩層授權各管各的。
換句話說，拿它生成的音樂做個人影片素材、做 Demo 配樂、單純玩，都沒問題；想放進接案作品、廣告、任何收費的東西，授權就過不了這關。這條線跟著 Meta 原始的模型授權走，跟工具作者無關，作者也改變不了它。如果你要的是能商用的生成路線，brev.ai 這類線上 AI 音樂服務的免費與商用邊界值得先讀過再決定，付費方案後面才掛著完整的商業授權。
七種模型變體怎麼挑，其中一條路是斷的
| 變體 | 首次下載量級 | 實況與官方提醒 |
|---|---|---|
| small（預設） | 約 2.2GB | fp32 完整精度，入門完整版 |
| small-fp16 | 約 1.9GB | 預設路徑直接 404，要加參數才動（見下） |
| small-quant | 約 1GB | 我選用的組合，官方明說品質會折損 |
| medium | 約 7.9GB | 官方警告需要更強硬體 |
| medium-fp16 | 大概率同樣 404 | 預設路徑與 small-fp16 同型的缺檔問題 |
| medium-quant | 約 2.4GB | 量減半，品質折損 |
| large | 約 13.6GB | 官方警告需要很強的硬體 |
fp16 這條要特別講：我用預設參數跑 small-fp16，它抓完文字編碼器之後直接停下來，錯誤訊息是模型庫裡的 decoder_model_merged.onnx 回 404，整個變體用不了。原因是模型庫裡 fp16 只有拆成兩半的解碼器檔案，而預設下載邏輯去抓的是合併版，倉庫裡根本沒有這個檔。加上 --use-split-decoder 參數改抓拆分版就能動，實際下載 1.9GB 後正常生成。這個 bug 從模型庫的檔案清單與程式碼就能對上，兩年來沒有人修，也側面印證了專案的維護狀態。
其餘決策建議很單純：先用 small-quant 確認整條管線在你的機器上跑得動，再考慮換完整精度。追求品質就回 fp32，下載量與記憶體需求直接翻倍。至於記憶體到底要多少，官方沒有給對照表，issue 區有人問就是掛著沒答案，只能自己試。生成長度上限 30 秒（--secs 參數），它做的是短樣本，不是完整歌曲。
凍結一年八個月，管線還活著
最後一次程式碼更新停在 2025 年 2 月 9 日，版本 v0.3.28，那一天最後一個實質功能就是前面提過的資料路徑設定，之後的紀錄只剩 CI 標記。回頭看版本節奏，v0.3.24 到 v0.3.28 擠在 2025 年 1 月到 2 月的兩個月裡，然後就整隻停下來。這是單人專案，作者一人佔了 240 多個 commit，另外兩位貢獻者合計只有 6 個。
不過凍結不等於棄養。到 2026 年 3 月，作者還在 issue 區回覆文件路徑寫錯的回報，只是不再寫程式。issue 區現在掛著 21 個開著的討論，內容很能反映使用者的樣貌：有人問歌詞生成、有人問 MIDI 匯出、有人問需要多少 VRAM，AMD 顯卡支援的請求開了又關，關閉的人是提問者自己，沒有等到任何程式碼。測試當天，模型儲存庫、微軟的 ONNX Runtime release、Homebrew 安裝源三個外部依賴全部活著，整條管線暢通。
程式碼掛著 MIT 授權，對讀者的實際意義是：這包東西不會因為作者停更就消失，原始碼完整、有辦法的人可以自己接手維護或改正；但對多數只想開來用的人來說，它就是現在這個樣子，用與不用都建立在 2025 年 2 月那一刻的功能上。
風險要自己衡量的是：所有模型檔集中在作者個人的 Hugging Face 儲存庫，不是 Meta 官方那份，作者哪天刪庫，這工具就斷糧了。前面 fp16 那個缺檔 404 也一樣，這類問題在凍結的專案裡不會有人修，遇到就只能繞。另一個提醒是 roadmap 上 melody 導向生成與無限音樂串流兩個目標都沒有打勾，README 的授權段落列了 musicgen-melody 的權重來源，但程式的模型選單裡從來沒有 melody，模型庫裡也沒有那個目錄，想要哼旋律生音樂的人現在不用等。
中文能跑，英文才是它的母語
我拿「輕快的鋼琴旋律，帶有一點雨天的感覺」當 prompt 跑了一次，7.99 秒生成 9.94 秒音檔，流程沒有問題。但 MusicGen 的文字編碼器對中文的理解要打折扣，Meta 模型卡寫得很直白：”The model has been trained with English descriptions and will not perform as well in other languages.”
實務建議是用英文下 prompt，或者先讓翻譯工具轉一手再貼進去。寫 prompt 的方向跟你想的一樣直白，樂器、節奏、情緒、年代感都可以塞，例如 lo-fi hip hop with warm Rhodes chords and vinyl crackle 這種寫法就比「來點好聽的音樂」有效得多。模型卡還提醒兩件事：它對各種音樂風格與文化的表現不一致，而且偶爾會生成到一半收在靜音。生成的東西自己聽過、挑過再用，把它當靈感產生器比當成品產線更貼切。
誰該裝它，誰該走別條路
適合裝它的人：想在本機玩文字生音樂、在意提示詞與產出不要離開自己機器、需要 10 到 30 秒的短樣本當素材原型的人。零遙測、離線可用、免帳號免額度免浮水印，這些條件它都兌現了，在隱私這條軸上它比多數線上服務乾淨。硬體方面，Apple Silicon 的 Mac 是這工具最舒服的落點，我拿 M4 Max 跑出一秒音訊不到一秒生成的成績，換到舊一點的 Intel 筆電或入門 Windows 機器，同一段 10 秒樣本等個幾分鐘是合理的心理準備。
該走別條路的人：要商業授權的（授權層直接擋）、要人聲或歌詞的（MusicGen 做的是器樂）、要跟最新模型世代的人。MusicGen 是 2023 年的模型，這個工具凍結後也不會有新模型進來；想自架更新世代的開源模型可以看 DiffRhythm，要現成線上服務的話 brev.ai 這類工具各有各的額度與授權條件，音樂素材需求也可以看看 Mubert 的路線。
一句話收尾：MusicGPT 把 2023 年的 MusicGen 包得乾淨好用，個人玩免費又隱私，但它的免費就到個人線為止，模型舊、授權緊、停更久，這三件事先接受再裝。
