Audio Studio MCP bilan mahalliy AI musiqa va ovoz effektlari studiyasini yarating

Audio Studio MCP mahalliy Mac yoki Windows kompyuterini Claude Code, Claude Desktop, Cursor va boshqa Model Context Protocol mijozlari uchun sun’iy intellekt asosidagi ovoz studiyasiga aylantiradi. Sizga kerak bo‘lgan audioni oddiy tilda tasvirlaysiz, server esa musiqa, cholg‘u looplari yoki ovoz effektlarini yaratish uchun Stable Audio 3 dasturini mahalliy ravishda ishga tushiradi.

Qayta ishlash o‘z kompyuteringizda amalga oshirilgani sababli, loyiha bulut xizmati yoki API kalitini talab qilmaydi. Yaratilgan fayllar WAV formatida mahalliy saqlanadi, har bir fayl yonida uni yaratishda ishlatilgan prompt, seed va sozlamalarni o‘z ichiga olgan JSON fayli ham bo‘ladi. Keyin natijalarni o‘yin dvigateli yoki video tahrirlash dasturida tahrirlash, loop qilish, normallashtirish va eksport qilish mumkin.

Audio Studio MCP nima qiladi

Loyiha AI mijozingiz va mahalliy Stable Audio 3 muhiti o‘rtasida MCP serverini taqdim etadi. Masalan, “Kafe sahnasi uchun 85 BPM tezlikda 60 soniyalik lo-fi BGM loop yarating” so‘rovi MCP orqali yuboriladi, Stable Audio bilan mos promptga aylantiriladi va qo‘llab-quvvatlanadigan mahalliy backend tomonidan qayta ishlanadi.

Apple Silicon qurilmalarida Audio Studio MCP MLX backendidan foydalanadi. NVIDIA GPU o‘rnatilgan Windows tizimida esa CUDA bilan PyTorch backendidan foydalanadi. Natijani yuqori sifatli WAV fayli sifatida saqlash yoki OGG va FLAC formatlariga qayta ishlash mumkin.

Asosiy imkoniyatlar

• Matn asosida musiqa, cholg‘u looplari, stemlar va ovoz effektlarini yaratish.
• Bitta chaqiruvda birdan to‘rttagacha variant so‘rash.
• Butun klip uslubini o‘zgartirish, tanlangan vaqt oralig‘ini qayta yaratish yoki mavjud trekni davom ettirish.
• Krossfeydlar yordamida uzluksiz looplar yaratish.
• Sukunatni kesish, monoga aylantirish, qayta namunalash, fade qo‘llash va ovoz balandligini normallashtirish.
• Post-processing orqali audioni 48 kHz WAV, OGG yoki FLAC formatida eksport qilish.
• Har bir audio fayli yonida JSON faylida qayta yaratish ma’lumotlarini saqlash.
• Modelni ma’lum vaqt ishlatilmagandan keyin avtomatik yoki xotirani bo‘shatish zarur bo‘lganda qo‘lda o‘chirish.

Tizim talablari

Apple Silicon o‘rnatilgan macOS

• M1 yoki undan keyingi model kabi Apple Silicon Mac.
• 16 GB tezkor xotira tavsiya etiladi.
• O‘rta model uchun taxminan 6 GB disk maydoni.
• git va ffmpeg.

NVIDIA GPU o‘rnatilgan Windows

• 64 bitli Windows 10 yoki Windows 11.
• Kamida 8 GB VRAM va yangilangan drayverga ega NVIDIA GPU.
• Model va PyTorch uchun taxminan 14 GB disk maydoni.
• git va ffmpeg.
• Bepul Hugging Face hisobi.

Intel Mac va AMD GPU qurilmalari qo‘llab-quvvatlanmaydi. NVIDIA GPU o‘rnatilgan Linux tizimi PyTorch backendida ishlashi mumkin, ammo repository Linux qo‘llab-quvvatlashini sinovdan o‘tmagan deb ko‘rsatadi va u uchun o‘rnatuvchi taqdim etmaydi.

macOS tizimiga o‘rnatish

Avval ffmpeg mavjud bo‘lmasa, uni o‘rnating:

brew install ffmpeg

Repositoryni klonlang va uning o‘rnatuvchisini ishga tushiring:

git clone https://github.com/kanaworksai-hue/audio-studio-mcp.git
cd audio-studio-mcp
./install.sh

O‘rnatuvchi uv ni sozlashi, sinovdan o‘tgan Stable Audio 3 muhitini vendor/ ichiga klonlashi, virtual muhit yaratishi va o‘rta hajmdagi 1.4B modelni yuklab olishi mumkin. Model hajmi taxminan 5.9 GB.

O‘rnatish yakunida o‘rnatuvchi ro‘yxatdan o‘tkazish buyrug‘ini chiqaradi. Checkout joylashgan haqiqiy yo‘ldan foydalanib, unga mos buyruqni ishga tushiring:

claude mcp add --scope user audio-studio -- /path/to/audio-studio-mcp/.venv/bin/audio-studio-mcp

Windows tizimiga o‘rnatish

Zarur bo‘lsa, Git va ffmpeg dasturlarini o‘rnating:

winget install Git.Git
winget install Gyan.FFmpeg

Loyihani o‘rnatishdan oldin Hugging Face saytidagi Stable Audio 3 medium model sahifasini ochib, litsenziyasini qabul qiling. PyTorch og‘irliklari cheklangan, shuning uchun o‘rnatuvchi so‘rasa, o‘qish ruxsatiga ega Hugging Face kirish tokenini ham taqdim etishingiz kerak.

Repositoryni klonlang va PowerShell o‘rnatuvchisini ishga tushiring:

git clone https://github.com/kanaworksai-hue/audio-studio-mcp.git
cd audio-studio-mcp
powershell -ExecutionPolicy Bypass -File install.ps1

Windows o‘rnatuvchisi CUDA yoqilgan PyTorch bog‘liqliklarini o‘rnatadi va rasmiy PyTorch checkpoint faylini yuklab oladi. O‘rta model hajmi taxminan 10.4 GB. Flash Attention talab qilinmaydi; u mavjud bo‘lmaganda muhit PyTorch’ning ichki attention mexanizmiga o‘tadi.

Serverni Claude Code bilan o‘rnatuvchi ko‘rsatgan yo‘l orqali ro‘yxatdan o‘tkazing yoki quyidagi misolni moslang:

claude mcp add --scope user audio-studio -- "C:\path\to\audio-studio-mcp\.venv\Scripts\audio-studio-mcp.exe"

Boshqa MCP mijozlarini ulash

Claude Desktop, Cursor va mos mijozlar serverni o‘z MCP konfiguratsiyasidan ishga tushirishi mumkin. Tegishli konfiguratsiya fayliga, masalan, claude_desktop_config.json yoki .cursor/mcp.json ga audio-studio yozuvini qo‘shing:

{
  "mcpServers": {
    "audio-studio": {
      "command": "/path/to/audio-studio-mcp/.venv/bin/audio-studio-mcp"
    }
  }
}

Windows’da .venv\Scripts ichidagi bajariladigan fayldan foydalaning. Bu JSON bo‘lgani uchun teskari qiya chiziqlar ikki marta yozilishi kerak:

{
  "mcpServers": {
    "audio-studio": {
      "command": "C:\\path\\to\\audio-studio-mcp\\.venv\\Scripts\\audio-studio-mcp.exe"
    }
  }
}

Birinchi audio klipingizni yarating

Server ro‘yxatdan o‘tkazilgach, MCP mijozingizda tabiiy tildan foydalaning. Masalan:

• Kafe sahnasi uchun 85 BPM tezlikda 60 soniyalik lo-fi BGM loop yarating va menga uchta variant bering.
• Tosh yo‘lakda og‘ir yog‘och eshikning qarsillab yopilish ovozini yarating va uni Godot uchun OGG formatida eksport qiling.
• Tunda ochiq o‘rmondagi yomg‘ir va momaqaldiroq shovqinini qisqa ambience sifatida yarating.

Server matndan audio yaratish uchun generate_audio vositasini taqdim etadi. U musiqa, cholg‘u, ovoz effekti va xom audio turlarini qo‘llab-quvvatlaydi. Musiqa uchun janr, kayfiyat, cholg‘ular, qo‘shimcha qatlamlar, ritm va tempni kiriting. Ovoz effektlari uchun manba, harakat, material va makonni tasvirlang.

Yaratilgan fayllar sukut bo‘yicha repozitoriyning outputs/ katalogiga yoziladi. Standart yaratiladigan format 44.1 kHz, 24-bit, stereo WAV hisoblanadi. Har bir fayl yaratish tafsilotlari yozilgan mos JSON yon fayliga ega.

Bir nechta variant so‘rang

Natijalar seed qiymatiga qarab sezilarli darajada farq qilishi mumkin. Variantlarni solishtirmoqchi bo‘lsangiz, ikki-to‘rtta variant so‘rang:

150 BPM tezlikda, yorqin square-wave lead va jo‘shqin barabanlarga ega to‘rtta ko‘tarinki 8-bit sarguzasht musiqasi variantini yarating.

Server variantlarga ketma-ket seed qiymatlarini belgilaydi. Takrorlanadigan natija uchun muayyan seed qiymatini ham berishingiz mumkin yoki seedni qoldirib, tasodifiy seed uchun -1 dan foydalanishingiz mumkin.

Yaratilgan audioni tahrirlang

Dastlabki generatsiya deyarli mos kelib, o‘zgartirish talab qilganda edit_audio dan foydalaning. Ushbu vosita uchta rejimni qo‘llab-quvvatlaydi:

• Variation: butun klip uslubini qayta o‘zgartiradi.
• Inpaint: tanlangan vaqt oralig‘ini qayta yaratadi.
• Continue: trekni joriy davomiyligidan oshirib uzaytiradi.

Masalan, mijozdan 20 soniyalik trekni 40 soniyagacha davom ettirishni yoki butun faylni qayta yaratish o‘rniga muammoli qismni qayta generatsiya qilishni so‘rashingiz mumkin:

Ushbu trekni 90 soniyagacha davom ettiring, uslub va energiyani saqlab qoling.

O‘tish yanada silliq eshitilishi uchun 8–12 soniyalar oralig‘idagi qismni qayta yarating.

README’da aniq vaqt ko‘rsatmalari, masalan, muayyan soniyada kulminatsiya bo‘lishini so‘rash model tomonidan ishonchli bajarilmasligi qayd etilgan. Ishonchliroq usul — avval klipni yaratish, keyin strukturaviy o‘zgarishlar uchun inpaint yoki continue dan foydalanish.

Audioni qayta ishlash va eksport qilish

process_audio vositasi buzmaydigan yakuniy ishlov berish amallarini qo‘llaydi. U hech qachon asl kirish faylini o‘zgartirmaydi. Mavjud amallar qatoriga qirqish, sukutni olib tashlash, monoga aylantirish, qayta namunalash, balandlikni normallashtirish, uzluksiz loop yaratish, fade effektlari, peak normallashtirish va chiqish formatini o‘zgartirish kiradi.

Masalan:

• Ushbu ovoz effektini monoga aylantiring, sukutni qirqing, qisqa fade qo‘llang va OGG formatida eksport qiling.
• Ushbu musiqadan uzluksiz loop yarating, uzunroq crossfade ishlating va WAV formatida eksport qiling.
• Ushbu o‘yin fon trekini -16 LUFS ga normallashtiring va OGG formatida eksport qiling.

Ko‘plab ovoz effektlari uchun peak normallashtirishdan foydalaning. Balandlikni normallashtirish uchun loyiha striming yoki video uchun taxminan -14 LUFS, o‘yin fon musiqasi uchun -16 LUFS va translyatsiya uchun -23 LUFS qiymatlarini tavsiya qiladi.

Standart peak chegarasi -1 dB. U chegaradan oshgan peaklarni kamaytiradi, ammo pastroq audioni kuchaytirmaydi. Qayta ishlangan fayllar asl generatsiya ma’lumotlarini metama’lumotlaridagi source maydoni ostida saqlaydi.

Loopdagi chertishlardan saqlaning

Uzluksiz loop kerak bo‘lganda WAV yoki OGG dan foydalaning. MP3 boshida va oxirida padding qo‘shishi mumkin, bu esa aniq loop qilishga xalaqit beradi. Agar tikuv joyida chertish davom etsa, loop crossfade davomiyligini oshiring yoki modeldan bar chizig‘ida tugaydigan loop yaratishni so‘rang.

Promptlaringizni yaxshilang

Stable Audio 3 bir yoki ikki jumladan iborat, odatda taxminan 45 so‘zdan oshmaydigan qisqa inglizcha promptlar bilan eng yaxshi ishlaydi. vocals, singer yoki lyrics kabi vokal atamalaridan saqlaning, chunki bu loyiha tushunarli qo‘shiq aytishdan ko‘ra instrumental musiqa va ovoz effektlarini yaratadi.

Musiqa prompti tuzilishi

Musiqa promptlari uchun foydali tartib: janr va sifatlovchi so‘zlar, asosiy cholg‘ular, qo‘shimcha qatlamlar, barabanlar yoki ritm va kayfiyat. Tempni bpm parametriga kiriting yoki so‘rovda aniq ko‘rsating.

Bo‘shashgan, xayolchan kayfiyat uchun mayin elektr pianino, yumshoq vinil shovqini, past chastotalari filtrlangan barabanlar va yumshoq chertib chalinadigan basga ega lo-fi hip-hop chill trek.

Ovoz effekti prompti tuzilishi

Ovoz effektlarini to‘rtta xususiyat orqali tasvirlang: tovushni nima yaratadi, u qanday rivojlanadi, nimadan tayyorlangan va qaysi makonda sodir bo‘ladi.

manba: shisha butilka / harakat: zarbadan parchalanish, bo‘laklarning sochilishi / material: qalin yashil shisha, o‘tkir va yorqin transient / makon: beton pol, yaqin masofa, quruq

So‘ralgan davomiylikni kontentga moslang. Odatda ta’sir tovushlari uchun bir-uch soniya, harakatlar uchun uch-olti soniya, muhit tovushlari uchun olti-o‘n besh soniya yoki undan ko‘proq, looplar uchun esa olti-yigirma soniya yaxshi natija beradi. To‘liq treklar uzoqroq bo‘lishi mumkin, medium modeli esa 380 soniyagacha bo‘lgan davomiylikni qo‘llab-quvvatlaydi.

Rasmiy standart sozlamalar steps=8 va cfg=1.0 hisoblanadi. Promptga qat’iyroq rioya qilish kerak bo‘lsa yoki salbiy promptdan foydalanmoqchi bo‘lsangiz, CFG qiymatini 3 dan 7 gacha sinab ko‘ring, biroq generatsiya taxminan ikki baravar ko‘proq vaqt olishi mumkinligini yodda tuting.

Modelni tanlang va serverni sozlang

Standart model medium bo‘lib, u eng yaxshi sifatni ta’minlaydi va 380 soniyagacha bo‘lgan davomiylikni qo‘llab-quvvatlaydi. Kichikroq sm-music va sm-sfx modellari tezroq ishlaydi va 120 soniyagacha bo‘lgan davomiylikni qo‘llab-quvvatlaydi.

Konfiguratsiya qiymatlarini MCP ro‘yxatdan o‘tkazish buyrug‘i yoki mijozingizning muhit blokida belgilang. Muhim o‘zgaruvchilar quyidagilar:

• AUDIO_STUDIO_OUTPUT_DIR: chiqish katalogini o‘zgartiradi. Standart qiymat <repo>/outputs.
• AUDIO_STUDIO_IDLE_UNLOAD_MIN: ko‘rsatilgan bo‘sh turish daqiqalari sonidan keyin model xotirasini bo‘shatadi. Avtomatik bo‘shatishni o‘chirish uchun 0 qiymatini belgilang.
• AUDIO_STUDIO_SA3_MODEL: medium, sm-music yoki sm-sfx modelini tanlaydi.
• AUDIO_STUDIO_MLX_CACHE_GB: macOS tizimida MLX bufer keshining maksimal hajmini belgilaydi.
• AUDIO_STUDIO_DEVICE: cuda, cuda:1 yoki cpu kabi PyTorch qurilmasini tanlaydi.
• AUDIO_STUDIO_BACKEND: auto, sa3-mlx yoki sa3-torch variantini tanlaydi.
• AUDIO_STUDIO_FFMPEG: ffmpeg PATH ichida bo‘lmaganda uning bajariluvchi faylini ko‘rsatadi.

Bitta faol server jarayonidan birgalikda foydalaning

Odatda har bir mijoz sessiyasi o‘z server jarayonini ishga tushiradi. Modellar birinchi so‘rovda yuklanadi va bo‘sh turish vaqti tugagach bo‘shatiladi. Bir nechta sessiya bitta faol jarayondan foydalanishi kerak bo‘lsa, Audio Studio MCP’ni mahalliy HTTP server sifatida ishga tushiring:

.venv/bin/audio-studio-mcp --http 8765 --preload
claude mcp add --scope user --transport http audio-studio http://127.0.0.1:8765/mcp

Windows tizimida bajariluvchi faylni virtual muhitdan ishga tushiring:

.venv\Scripts\audio-studio-mcp.exe --http 8765 --preload

HTTP server faqat 127.0.0.1 manzilida tinglaydi, shu sababli u kompyuter ichida mahalliy bo‘lib qoladi.

Xotira va unumdorlikni boshqaring

16 GB xotirali M1 Mac qurilmasida medium modeli yuklangan holatda taxminan 5–7 GB xotiradan foydalanadi. RTX 3060 qurilmasida esa repository o‘lchovlariga ko‘ra, VRAM sarfi taxminan 5,3 GB gacha yetgan. Model xotirasini darhol bo‘shatish uchun unload_models vositasidan foydalaning yoki avtomatik tozalash uchun AUDIO_STUDIO_IDLE_UNLOAD_MIN sozlamasini belgilang.

Kichik modellar qisqa kliplar uchun generatsiya vaqtini sezilarli darajada kamaytirishi mumkin. Repository ma’lumotlariga ko‘ra, sm-music bilan faol holatdagi 15 soniyalik generatsiya M1 Mac’da taxminan bir soniya, RTX 3060’da esa taxminan 0,7 soniya davom etadi. Haqiqiy unumdorlik qurilma, model, davomiylik va model avvaldan yuklangan-yuklanmaganiga bog‘liq.

Testlar va ishlab chiqish tekshiruvlarini ishga tushiring

Repository model og‘irliklarini talab qilmaydigan oflayn testlarni o‘z ichiga oladi:

uv run pytest

Haqiqiy model bilan uchidan-uchigacha test o‘tkazish uchun smoke testni ishga tushiring. macOS tizimida:

.venv/bin/python scripts/smoke_test.py

Windows tizimida:

.venv\Scripts\python scripts/smoke_test.py

Manba kodi MCP serveri, prompt yaratish, keyingi qayta ishlash va backend implementatsiyalari atrofida tashkil etilgan. Yangi platformani src/audio_studio_mcp/backends/ ostida yana bir backend sifatida qo‘shish mumkin.

Litsenziya va foydalanish masalalari

Audio Studio MCP kodi MIT litsenziyasi asosida tarqatiladi. Stable Audio 3 ish muhiti o‘rnatish vaqtida yuklab olinadi, model og‘irliklari esa Stability AI Community License asosida tarqatiladi. Generatsiya qilingan audiodan tijoriy foydalanishdan oldin model litsenziyasini ko‘rib chiqing. README ma’lumotlariga ko‘ra, yozilish vaqtida litsenziya jismoniy shaxslar va jami yillik daromadi 1 million AQSh dollaridan kam bo‘lgan tashkilotlar uchun tijoriy foydalanishga ruxsat beradi.

Xulosa

Audio Studio MCP tabiiy tildagi so‘rovlar orqali o‘yin audiosi, video fonlari, muhit tovushlari va effektlarni yaratish uchun amaliy mahalliy ish jarayonini taqdim etadi. Qurilmangizga mos backendni o‘rnating, serverni MCP mijozida ro‘yxatdan o‘tkazing, bir nechta nomzod yarating va eng yaxshi natijani toza WAV, OGG yoki FLAC fayliga aylantirish uchun tahrirlash hamda qayta ishlash vositalaridan foydalaning.

Namunalar va o‘rnatish bo‘yicha eng so‘nggi tafsilotlar uchun Audio Studio MCP repository va uning namunalar sahifasiga tashrif buyuring.