text-to-bgm は何をしますか?
テキスト記述からBGMを生成します。Apple Silicon搭載Mac上で、ローカルAIを使用。mlx-audiocraft(MetaのMusicGenをAppleのMLXフレームワークに移植したもの)を搭載。
- 100%オフライン — モデルダウンロード後はクラウド不要、APIキー不要、インターネット不要
- プライベート — すべての生成は端末上で実行
- 高速 — M1/M2/M3/M4上でMLX GPUアクセラレーション対応
使用すべき場面
ユーザーが以下を依頼した場合にこのスキルを使用します:
- BGM / インストゥルメンタル音楽の生成
- アンビエント音楽、ローファイビート、シネマティックサウンドトラックの作成
- 動画、ゲーム、ポッドキャスト、学習/集中セッション用のオーディオ制作
- macOS Apple Siliconでのテキスト→音楽リクエスト全般
以下の場合は使用しないでください:
- 効果音 →
audiogen-mlx(mlx-audiocraftに含まれています)を使用 - ボーカル/歌唱 → MusicGenはボーカルが苦手
- 本格的な楽曲制作 → より長く構造化された音楽にはACE-Stepを検討
必要条件
- macOS(Apple Silicon搭載:M1、M2、M3、M4)
- Python 3.10以上(3.11推奨)
- RAM: 小モデルで最低8GB、大規模モデルでは16GB以上
- ディスク: モデルごとに1.2GB(小)〜約6.5GB(ステレオ大)
インストール
# 一行インストール
pip install mlx-audiocraft
# 確認
musicgen-mlx --help
または付属のセットアップスクリプトを使用:
bash setup.sh
使用方法
基本
musicgen-mlx "柔らかなピアノを使ったローファイな勉強用チルビート" -d 30 -o bgm.wav
完全なCLIリファレンス
musicgen-mlx [-h] [-m MODEL] [-o FILE] [-d SEC] [--no-open]
[--top-k K] [--temperature T] [--cfg-coef C]
prompt
引数:
prompt 生成する音楽のテキスト記述
オプション:
-m, --model NAME HuggingFaceモデル(デフォルト: facebook/musicgen-small)
-o, --output FILE 出力WAVファイルパス(デフォルト: ./musicgen_output.wav)
-d, --duration SEC 生成時間(秒)(デフォルト: 8)
--no-open 生成後にファイルを開かない
--top-k K Top-kサンプリング(デフォルト: 250)
--temperature T サンプリング温度(デフォルト: 1.0)
--cfg-coef C 分類器フリーガイダンス係数(デフォルト: 3.0)
モデル
| モデル | サイズ | 品質 | 速度(M4 Max) | 用途 |
|---|---|---|---|---|
facebook/musicgen-small | 300M / 1.2GB | 良好 | リアルタイム比1.3倍 | デフォルト推奨 |
facebook/musicgen-medium | 1.5B / 3.4GB | より良い | リアルタイム比約0.6倍 | 高品質 |
facebook/musicgen-large | 3.3B / 5.5GB | 最高(モノラル) | リアルタイム比約0.4倍 | 高品質出力 |
facebook/musicgen-stereo-large | 3.3B / 6.5GB | 最高(ステレオ) | リアルタイム比約0.3倍 | 最終出力 |
生成パラメータ
| パラメータ | 範囲 | 効果 |
|---|---|---|
--temperature | 0.5–1.5 | 高いほどクリエイティブ/多様。低いほど予測可能 |
--top-k | 100–500 | 高いほど多様なノート選択 |
--cfg-coef | 1.0–7.0 | 高いほどプロンプトに厳密に従う。デフォルト3.0でバランス |
ラッパースクリプトの使用
便利なgenerate_bgm.shを使用:
bash generate_bgm.sh "シネマティックなオーケストラの壮大な予告編音楽" -d 45
オプション: -m <モデル>、-d <秒数>、-t <温度>、-o <出力ファイル>
Python API
import mlx.core as mx
import numpy as np
import soundfile as sf
from audiocraft_mlx.models.musicgen import MusicGen
# モデルの読み込み
mg = MusicGen.get_pretrained("facebook/musicgen-small")
# 生成パラメータの設定
mg.set_generation_params(duration=30, temperature=1.0, top_k=250, cfg_coef=3.0)
# 生成
audio = mg.generate(["滑らかなサックスと落ち着いたドラムのローファイジャズホップ"])
# 保存
wav = np.array(audio[0]) # [チャンネル数, サンプル数]
sf.write("output.wav", wav.T, mg.sample_rate)
プロンプトエンジニアリング
包括的なガイドと例についてはprompts.mdを参照してください。
クイックヒント:
- ジャンル/スタイルから始める:「ローファイヒップホップ」「シネマティックオーケストラ」「アンビエントエレクトロニック」
- 楽器を追加:「温かみのあるピアノ」「柔らかなシンセパッド」「アコースティックギター」
- ムード/雰囲気を記述:「リラックス」「高揚感」「神秘的」「エネルギッシュ」
- 制作上の特徴を含める:「ビニールのパチパチ音」「リバーブ」「80 BPM」「サイドチェインコンプレッション」
- 目的で締めくくる:「勉強に最適」「ポッドキャストの背景」「ゲームメニュー音楽」
⚠️ MusicGenは英語のプロンプトとインストゥルメンタル音楽で最も効果的です。
手順(AIエージェント向け)
- インストール確認:
musicgen-mlx --helpを実行。不足している場合はpip install mlx-audiocraftでインストール。 - 要件の収集: ユーザーにジャンル、ムード、長さを尋ねる。曖昧な場合は人気のBGMスタイルを提案。
- モデル選択: デフォルトは
facebook/musicgen-small(高速、300M)。より高品質にはfacebook/musicgen-medium、最高品質にはfacebook/musicgen-stereo-largeを使用。 - プロンプト作成: prompts.mdのプロンプトガイドに従い、10〜30語の英語記述を作成。
- 長さの設定: ループには15〜30秒、短いBGMには30〜60秒、長めの楽曲には60〜120秒。
- 生成:
musicgen-mlx "<プロンプト>" -m <モデル> -d <秒> -o <パス>.wavを実行。 - 報告: ユーザーに出力ファイルパスを伝える。必要に応じてパラメータ調整後の再生成を提案。
注意点
- ⚠️ 初回実行時にモデルをダウンロード — HuggingFaceから1.2〜6.5GB。ユーザーに警告すること。
- ⚠️ Apple Siliconのみ — Intel Macでは動作しません。
- ⚠️ デフォルトは8秒 — BGMでは必ず
-dを指定。 - ⚠️ インストゥルメンタル専用 — ボーカル/歌詞は苦手。
- ⚠️ 非商用ライセンス — CC-BY-NC 4.0。商用利用は不可。
- ⚠️ RAM消費大 — 8GBマシンでは小規模・中規模モデルのみ使用。
- ⚠️ 大規模モデルは遅い — ステレオ大はリアルタイム比約0.3倍。60秒の生成に約3分かかる。
動作確認
# 1. CLIの確認
musicgen-mlx --help
# 2. 簡単なテスト
musicgen-mlx "ピアノメロディー" -d 5 -o /tmp/test_bgm.wav
# 3. 出力の確認
file /tmp/test_bgm.wav
# 期待: RIFF (little-endian) data, WAVE audio
# 4. 再生
open /tmp/test_bgm.wav
ファイル
| ファイル | 目的 |
|---|---|
SKILL.md | このファイル — スキル定義とリファレンス |
setup.sh | ワンコマンドインストールスクリプト |
generate_bgm.sh | エージェントフレンドリーな簡単生成用ラッパー |
prompts.md | ジャンルテンプレート付きプロンプトエンジニアリングガイド |