AudioMuse-AI: Plugin Navidrome per Playlist Intelligenti e Analisi audio in locale
Crea playlist intelligenti con l'AI sul tuo server.
Sono stato recentemente contattato dallo sviluppatore di AudioMuse-AI, che ringrazio, e mi ha proposto di approfondire e conoscere il suo progetto. Ammetto che la tempistica non poteva essere più fortunata: da un po di tempo, con l’avvento dell AI, cercavo esattamente una soluzione di questo tipo per arricchire il mio stack musicale self-hosted (ne avevo già discusso in precedenza qui ). E l’idea di poter aggiungere una qualche tipo di analisi con AI e playlist automatiche in base alle mie richieste/necessità create tramite machine learning locale era esattamente ciò che mancava al mio setup.
Ho accettato di scrivere questo articolo perché il progetto risponde a un’esigenza reale che avevo personalmente e perché credo possa essere utile alla community di smanettoni self-hoster. La mia motivazione è puramente informativa e condividere con altri appassionati una soluzione che ritengo valida.
Ci tengo come sempre a specificare che:
Non ho alcun legame commerciale con AudioMuse-AI o il suo/suoi sviluppatori Non ricevo compensi di alcun tipo per questo articolo Non ci sono link di affiliazione presenti Non ho partecipazioni o interessi economici nel progetto
Cos’è AudioMuse-AI?
AudioMuse-AI è un sistema di analisi musicale basato su intelligenza artificiale progettato per essere installato sul proprio server (self-hosted). A differenza di molti servizi cloud, AudioMuse-AI analizza la tua collezione musicale direttamente sul tuo hardware, utilizzando modelli di machine learning specializzati per l’audio (Librosa, ONNX ), senza mai inviare dati all’esterno.
Il progetto si integra perfettamente con music player come Navidrome (ma supporta anche api da Jellyfin, LMS, Lyrion e Emby), permettendoti di ottenere playlist intelligenti, analisi musicali avanzate e raccomandazioni personalizzate mantenendo il pieno controllo sui tuoi dati.
Self-Hosted First, Privacy First
Progettato con la privacy come priorità:
- Analisi completamente locale: tutti i dati audio vengono analizzati direttamente sul tuo server
- Nessuna API esterna obbligatoria: non è necessaria una connessione internet per le funzionalità core
- Nessun metadata inviato all’esterno: le tue informazioni musicali rimangono sul tuo server
- Nessuna telemetria: non viene effettuata alcuna raccolta di dati anonimi o telemetria
Architettura di Deployment Sicuro
Il container core non ha un layer di autenticazione integrato perché, ad oggi, non è pensato per essere esposto direttamente su internet.
Configurazione Consigliata
Per un deployment sicuro, lo standard prevede tre livelli:
- Rete interna isolata: AudioMuse-AI e il music player (nel nostro esempio Navidrome) comunicano su una rete privata
- Su Kubernetes: utilizzo di servizi ClusterIP visibili solo all’interno del cluster
- Su Docker Compose: rete interna isolata tra i container (al seguente link puoi avere una panoramica iniziale di networking docker)
- Layer di sicurezza esterno: l’interfaccia web viene protetta tramite adozioni di soluzioni di autenticazione esterne
- Esempio: Authentik (o un qualsiasi altro IdP self-hosted) e con Traefik da reverse proxy
- Solo gli utenti autenticati possono accedere all’interfaccia
- Comunicazione server-to-server: per utenti meno smanettoni che non vogliono configurare reverse proxy e sistemi di autenticazione, è possibile non esporlo su internet
Integrazione con Navidrome
Al seguente link trovate il docker compose per il nostro caso d’uso per Navidrome
Il Plugin Ufficiale
Il sistema di plugin per Navidrome è stato rilasciato nella release 0.60.0 pochi giorni fa. Il plugin è considerato stabile e presenta:
- Logica semplice e affidabile: rimappa 1:1 le chiamate di AudioMuse-AI senza alcuna logica complessa
- Manutenzione attiva: il team è molto reattivo quando gli utenti aprono issue
- Compatibilità estesa: funziona con Navidrome Web UI e ulteriori client di terze parti come Tempus (Android) e/o Feishin (web)
Funzionalità AI: Opzionali e Configurabili
Offre alcune funzionalità potenziate dall’intelligenza artificiale, ma mantenendo sempre l’approccio self-hosted:
Configurazione Locale con Ollama
Puoi configurare Ollama sul tuo homelab per utilizzare l’AI completamente in locale, senza inviare dati su internet.
Funzionalità AI Disponibili
- Music Map: Mappa 2D visuale basata sui generi
- Sonic Fingerprint: Genera playlist basate sulle abitudini personali di ascolto
- Song Paths: Crea percorsi di ascolto fluidi tra più canzoni
- Song Alchemy: Mischia tracce con ADD/SUBTRACT per playlist curate
Tutte le altre funzionalità non utilizzano il machine learning e funzionano completamente offline.
Alternativa Cloud (Opzionale)
Se preferisci, puoi configurare servizi terzi cloud come Gemini, ma in questo caso i dati vengono inviati su internet. La scelta è completamente lasciata a te.
Gestione dei Log e Trasparenza
Log Locali
I log di sistema sono completamente locali e rimangono sul tuo server/homelab.
Nessun Server Centrale
Ad Oggi non esiste alcun server centrale disponibile su internet. I tuoi dati rimangono esclusivamente sulla tua macchina.
Prospettive Future: Database Condiviso
È in fase di valutazione l’implementazione di un database centralizzato in stile MusicBrainz, che permetterebbe agli utenti di condividere le analisi musicali per arricchire il sistema complessivo.
Se questa funzionalità vedrà la luce un giorno:
- Sarà totalmente opzionale e disabilitata di default
- L’utente dovrà abilitarla esplicitamente
- Ogni comunicazione richiederà del consenso specifico
- Il database non raccoglierà log di sistema
- L’approccio self-hosted rimarrà la priorità
Mai sarà obbligatorio inviare dati su internet - questo è un principio fondamentale del progetto e che mi auguro che rimanga così.
Layer di Autenticazione Integrato: previsto in Roadmap
L’implementazione di un layer di autenticazione nativo è tra le funzionalità future previste, anche se non è prevista nel brevissimo termine. Questo permetterà deployment più semplici per utenti meno esperti, mantenendo buoni standard di sicurezza.
Come Iniziare
Documentazione Ufficiale
Tutta la documentazione è disponibile sul repository GitHub:
- Repository principale: github.com/NeptuneHub/AudioMuse-AI
- Supporto hardware: Hardware
- Documentazione: Docs
- Panoramica architetturale: ARCHITECTURE
Per Chi è AudioMuse-AI?
Ideale per:
- Appassionati di self-hosting che vogliono mantenere il controllo dei propri dati
- Utilizzatori di Navidrome che cercano funzionalità di analisi musicale avanzate
- Chi ha già un homelab e vuole arricchirlo con analisi AI
- Persone attente alla privacy che non vogliono affidarsi esclusivamente a servizi terzi
Cosa richiede:
- Conoscenze base di Docker o Kubernetes per il deployment
- Un music player tra quelli compatibili/integrabili
- Server o NAS per l’hosting (anche un Raspberry Pi può essere sufficiente e adeguato per collezioni moderate di rip musicali)
Conclusioni
AudioMuse-AI rappresenta un’alternativa rispettosa della privacy ai servizi di analisi musicale cloud. Con un approccio self-hosted/privacy first, analisi completamente locale e funzionalità AI opzionali e configurabili, offre il meglio di entrambi i mondi: tecnologia avanzata e pieno controllo dei dati.