[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-salu133445--muspy":3,"similar-salu133445--muspy":122},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":20,"owner_twitter":21,"owner_website":22,"owner_url":23,"languages":24,"stars":29,"forks":30,"last_commit_at":31,"license":32,"difficulty_score":33,"env_os":34,"env_gpu":34,"env_ram":34,"env_deps":35,"category_tags":44,"github_topics":48,"view_count":55,"oss_zip_url":56,"oss_zip_packed_at":56,"status":57,"created_at":58,"updated_at":59,"faqs":60,"releases":91},9239,"salu133445\u002Fmuspy","muspy","A toolkit for symbolic music generation","MusPy 是一款专为符号音乐生成打造的开源 Python 工具库，旨在为开发者构建完整的音乐创作系统提供一站式支持。在音乐生成研究中，从数据收集、预处理到模型训练与评估，往往涉及繁琐且重复的准备工作。MusPy 通过整合通用数据集管理、多种主流音乐格式（如 MIDI、MusicXML）的读写接口，以及标准化的音乐表示方法，有效解决了研发流程中基础设施重复建设的问题，显著提升了实验效率与结果的可复现性。\n\n这款工具特别适合从事人工智能音乐研究的研究人员、算法工程师以及相关领域的开发者使用。其核心亮点在于提供了丰富的数据预处理管道，无缝对接 PyTorch 和 TensorFlow 等主流深度学习框架；内置了基于音高、事件、钢琴卷帘等多种音乐表示形式的实现；并配备了包括音频渲染、乐谱可视化及客观评价指标在内的全套模型评估工具。无论是想要快速验证新想法的科研人员，还是希望构建稳健音乐生成管线的工程团队，MusPy 都能帮助你们将精力更专注于核心算法的创新，而非底层数据的琐碎处理。","MusPy\n=====\n\n[![GitHub workflow](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fworkflow\u002Fstatus\u002Fsalu133445\u002Fmuspy\u002FTesting)](https:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy\u002Factions)\n[![Codecov](https:\u002F\u002Fimg.shields.io\u002Fcodecov\u002Fc\u002Fgithub\u002Fsalu133445\u002Fmuspy)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fsalu133445\u002Fmuspy)\n[![GitHub license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fsalu133445\u002Fmuspy)](https:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy\u002Fblob\u002Fmaster\u002FLICENSE)\n[![GitHub release](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fv\u002Frelease\u002Fsalu133445\u002Fmuspy)](https:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy\u002Freleases)\n\n\nMusPy is an open source Python library for symbolic music generation. It provides essential tools for developing a music generation system, including dataset management, data I\u002FO, data preprocessing and model evaluation.\n\n\nFeatures\n--------\n\n- Dataset management system for commonly used datasets with interfaces to PyTorch and TensorFlow.\n- Data I\u002FO for common symbolic music formats (e.g., MIDI, MusicXML and ABC) and interfaces to other symbolic music libraries (e.g., music21, mido, pretty_midi and Pypianoroll).\n- Implementations of common music representations for music generation, including the pitch-based, the event-based, the piano-roll and the note-based representations.\n- Model evaluation tools for music generation systems, including audio rendering, score and piano-roll visualizations and objective metrics.\n\n\nWhy MusPy\n---------\n\nA music generation pipeline usually consists of several steps: data collection, data preprocessing, model creation, model training and model evaluation. While some components need to be customized for each model, others can be shared across systems. For symbolic music generation in particular, a number of datasets, representations and metrics have been proposed in the literature. As a result, an easy-to-use toolkit that implements standard versions of such routines could save a great deal of time and effort and might lead to increased reproducibility.\n\n\nInstallation\n------------\n\nTo install MusPy, please run `pip install muspy`. To build MusPy from source, please download the [source](https:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy\u002Freleases) and run `python setup.py install`.\n\n\nDocumentation\n-------------\n\nDocumentation is available [here](https:\u002F\u002Fsalu133445.github.io\u002Fmuspy) and as docstrings with the code.\n\n\nCiting\n------\n\nPlease cite the following paper if you use MusPy in a published work:\n\nHao-Wen Dong, Ke Chen, Julian McAuley, and Taylor Berg-Kirkpatrick, \"MusPy: A Toolkit for Symbolic Music Generation,\" in _Proceedings of the 21st International Society for Music Information Retrieval Conference (ISMIR)_, 2020.\n\n[[homepage](https:\u002F\u002Fsalu133445.github.io\u002Fmuspy\u002F)]\n[[video](https:\u002F\u002Fyoutu.be\u002FatdHMEuAYno)]\n[[paper](https:\u002F\u002Fsalu133445.github.io\u002Fmuspy\u002Fpdf\u002Fmuspy_ismir2020_paper.pdf)]\n[[slides](https:\u002F\u002Fsalu133445.github.io\u002Fmuspy\u002Fpdf\u002Fmuspy_ismir2020_slides.pdf)]\n[[poster](https:\u002F\u002Fsalu133445.github.io\u002Fmuspy\u002Fpdf\u002Fmuspy_ismir2020_poster.pdf)]\n[[arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2008.01951)]\n[[code](https:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy)]\n[[documentation](https:\u002F\u002Fsalu133445.github.io\u002Fmuspy\u002F)]\n\n\nDisclaimer\n----------\n\nThis is a utility library that downloads and prepares public datasets. We do not host or distribute these datasets, vouch for their quality or fairness, or claim that you have license to use the dataset. It is your responsibility to determine whether you have permission to use the dataset under the dataset's license.\n\nIf you're a dataset owner and wish to update any part of it (description, citation, etc.), or do not want your dataset to be included in this library, please get in touch through a GitHub issue. Thanks for your contribution to the community!\n","MusPy\n=====\n\n[![GitHub 工作流](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fworkflow\u002Fstatus\u002Fsalu133445\u002Fmuspy\u002FTesting)](https:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy\u002Factions)\n[![Codecov](https:\u002F\u002Fimg.shields.io\u002Fcodecov\u002Fc\u002Fgithub\u002Fsalu133445\u002Fmuspy)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fsalu133445\u002Fmuspy)\n[![GitHub 许可证](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fsalu133445\u002Fmuspy)](https:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy\u002Fblob\u002Fmaster\u002FLICENSE)\n[![GitHub 发布](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fv\u002Frelease\u002Fsalu133445\u002Fmuspy)](https:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy\u002Freleases)\n\n\nMusPy 是一个用于符号化音乐生成的开源 Python 库。它提供了开发音乐生成系统所需的基本工具，包括数据集管理、数据输入输出、数据预处理和模型评估等功能。\n\n\n特性\n--------\n\n- 针对常用数据集的数据集管理系统，并提供与 PyTorch 和 TensorFlow 的接口。\n- 支持常见符号化音乐格式（如 MIDI、MusicXML 和 ABC）的数据输入输出，并与其他符号化音乐库（如 music21、mido、pretty_midi 和 Pypianoroll）兼容。\n- 实现了多种用于音乐生成的常见音乐表示方法，包括基于音高的表示、基于事件的表示、钢琴卷帘表示和基于音符的表示。\n- 提供音乐生成系统的模型评估工具，包括音频渲染、乐谱和钢琴卷帘可视化以及客观指标等。\n\n\n为什么选择 MusPy\n---------\n\n音乐生成流程通常包含多个步骤：数据收集、数据预处理、模型构建、模型训练和模型评估。虽然某些组件需要针对每个模型进行定制，但其他部分可以在不同系统之间共享。特别是对于符号化音乐生成而言，文献中已经提出了许多数据集、表示方法和评价指标。因此，一个易于使用的工具包，能够实现这些标准流程，可以节省大量时间和精力，并提高实验的可重复性。\n\n\n安装\n----\n\n要安装 MusPy，请运行 `pip install muspy`。如果需要从源代码构建 MusPy，请下载 [源代码](https:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy\u002Freleases)，然后运行 `python setup.py install`。\n\n\n文档\n----\n\n文档可在 [这里](https:\u002F\u002Fsalu133445.github.io\u002Fmuspy) 获取，同时也以代码中的 docstring 形式提供。\n\n\n引用\n----\n\n如果您在已发表的工作中使用了 MusPy，请引用以下论文：\n\nHao-Wen Dong, Ke Chen, Julian McAuley, and Taylor Berg-Kirkpatrick, “MusPy: A Toolkit for Symbolic Music Generation,” in _Proceedings of the 21st International Society for Music Information Retrieval Conference (ISMIR)_，2020年。\n\n[[主页](https:\u002F\u002Fsalu133445.github.io\u002Fmuspy\u002F)]\n[[视频](https:\u002F\u002Fyoutu.be\u002FatdHMEuAYno)]\n[[论文](https:\u002F\u002Fsalu133445.github.io\u002Fmuspy\u002Fpdf\u002Fmuspy_ismir2020_paper.pdf)]\n[[幻灯片](https:\u002F\u002Fsalu133445.github.io\u002Fmuspy\u002Fpdf\u002Fmuspy_ismir2020_slides.pdf)]\n[[海报](https:\u002F\u002Fsalu133445.github.io\u002Fmuspy\u002Fpdf\u002Fmuspy_ismir2020_poster.pdf)]\n[[arXiv](https:\u002F\u002Farxiv.org\u002Fabs\u002F2008.01951)]\n[[代码](https:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy)]\n[[文档](https:\u002F\u002Fsalu133445.github.io\u002Fmuspy\u002F)]\n\n\n免责声明\n----------\n\n本库是一个用于下载和准备公开数据集的实用工具库。我们不托管或分发这些数据集，也不对其质量或公平性作出任何保证，更不声称您拥有使用这些数据集的许可。是否可以根据数据集的许可协议使用该数据集，完全由您自行判断并承担责任。\n\n如果您是某个数据集的所有者，并希望更新其中的任何内容（例如描述、引用信息等），或者不希望您的数据集被纳入本库中，请通过 GitHub 问题与我们联系。感谢您为社区所做的贡献！","# MusPy 快速上手指南\n\nMusPy 是一个用于符号音乐生成的开源 Python 库，提供数据集管理、数据读写、预处理及模型评估等核心工具，支持 PyTorch 和 TensorFlow 接口。\n\n## 环境准备\n\n- **操作系统**：Linux, macOS, Windows\n- **Python 版本**：建议 Python 3.7 及以上\n- **前置依赖**：\n  - `numpy`\n  - `scipy`\n  - `matplotlib`\n  - `pretty_midi` 或 `mido`（用于 MIDI 处理）\n  - `torch` 或 `tensorflow`（根据深度学习框架需求选装）\n\n> 💡 国内用户建议使用清华或阿里镜像源加速依赖安装：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>\n> ```\n\n## 安装步骤\n\n### 方式一：通过 pip 安装（推荐）\n\n```bash\npip install muspy\n```\n\n国内加速安装：\n\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple muspy\n```\n\n### 方式二：从源码安装\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy.git\ncd muspy\npython setup.py install\n```\n\n## 基本使用\n\n以下示例展示如何加载一个 MIDI 文件并转换为 MusPy 内部表示格式：\n\n```python\nimport muspy\n\n# 加载 MIDI 文件\nmusic = muspy.read_midi(\"example.mid\")\n\n# 转换为钢琴卷帘表示\npiano_roll = music.to_piano_roll()\n\n# 可视化钢琴卷帘\nmuspy.plot_piano_roll(piano_roll)\n```\n\n如需使用内置数据集（如 LMD、MAESTRO 等），可调用：\n\n```python\ndataset = muspy.LMDataset(root=\"\u002Fpath\u002Fto\u002Flmd\", download=True)\nfor item in dataset:\n    print(item.title)\n```\n\n更多详细用法请参考官方文档：https:\u002F\u002Fsalu133445.github.io\u002Fmuspy","一位音乐 AI 研究员正试图构建一个基于深度学习的自动作曲系统，需要从海量多格式乐谱数据中训练模型并评估生成效果。\n\n### 没有 muspy 时\n- **数据清洗耗时巨大**：面对 MIDI、MusicXML 和 ABC 等多种格式的原始数据集，需手动编写大量脚本进行解析和统一，极易出错且难以维护。\n- **特征工程重复造轮子**：为了适配 PyTorch 或 TensorFlow，必须自行实现音符、钢琴卷帘等复杂音乐表示的转换逻辑，开发周期被严重拉长。\n- **评估标准难以统一**：缺乏标准化的客观评价指标和可视化工具，导致不同实验结果之间难以横向对比，复现他人研究更是困难重重。\n- **接口兼容性差**：现有的音乐处理库（如 music21 或 mido）功能单一且互不兼容，整合它们需要耗费大量精力处理依赖冲突和数据对齐问题。\n\n### 使用 muspy 后\n- **一站式数据管理**：muspy 内置了主流数据集的管理接口，支持自动下载与预处理，并能直接输出适配 PyTorch\u002FTensorFlow 的数据加载器，将数据准备时间从数周缩短至数小时。\n- **多种表示法即取即用**：muspy 提供了基于音高、事件、钢琴卷帘等多种标准音乐表示的实现，研究员可灵活切换输入形式而无需重写底层转换代码。\n- **标准化评估体系**：利用 muspy 集成的音频渲染、乐谱可视化及客观度量工具，能快速生成直观的实验报告，确保评估结果具备可比性和可复现性。\n- **无缝生态集成**：muspy 充当了通用中间件，平滑连接了各类外部音乐库，让研究员能专注于模型架构创新而非底层数据接口的调试。\n\nmuspy 通过标准化音乐生成全流程的基础设施，让开发者从繁琐的数据工程中解放出来，真正聚焦于算法创新与艺术表达。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsalu133445_muspy_c08a4b82.png","salu133445","Hao-Wen (Herman) Dong 董皓文","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fsalu133445_584beb31.jpg","Assistant Professor at University of Michigan | PhD from UC San Diego | Augmenting Human Creativity with AI | Gen AI for Music, Audio & Video","University of Michigan","USA\u002FTaiwan","salu.hwdong@gmail.com","hermanhwdong","https:\u002F\u002Fhermandong.com","https:\u002F\u002Fgithub.com\u002Fsalu133445",[25],{"name":26,"color":27,"percentage":28},"Python","#3572A5",100,510,56,"2026-04-13T11:48:03","MIT",1,"未说明",{"notes":36,"python":34,"dependencies":37},"该工具是一个用于符号音乐生成的 Python 库，支持通过 pip 安装或从源码构建。它提供数据集管理、数据输入输出（支持 MIDI、MusicXML、ABC 等格式）、多种音乐表示方法实现以及模型评估工具。虽然文中提到支持与 PyTorch 和 TensorFlow 对接，但未明确指定具体的版本要求、硬件配置或操作系统限制。用户需自行确认所使用数据集的许可权限。",[38,39,40,41,42,43],"PyTorch","TensorFlow","music21","mido","pretty_midi","Pypianoroll",[45,46,47],"音频","其他","开发框架",[49,50,51,52,53,54],"python","music","music-generation","audio","music-information-retrieval","machine-learning",2,null,"ready","2026-03-27T02:49:30.150509","2026-04-19T03:18:03.887649",[61,66,71,76,81,86],{"id":62,"question_zh":63,"answer_zh":64,"source_url":65},41460,"MusPy 如何处理 NumPy 数据类型（如 np.int64）导致的验证错误？","MusPy 目前对类型检查较为严格，NumPy 标量类型（如 np.int64）可能无法通过验证或导致 JSON 序列化错误。解决方案包括：\n1. 使用 `Base.from_dict` 方法时启用 `cast` 选项，自动将错误的输入类型转换为正确类型；或使用 `strict` 选项在类型错误时抛出异常。\n2. 调用 `Base.fix_type` 方法修复类型问题。\n3. 在代码中显式使用 `int()` 等函数将 NumPy 标量转换为原生 Python 类型，特别是在传入 `remove_invalid` 或其他对类型敏感的函数之前。","https:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy\u002Fissues\u002F48",{"id":67,"question_zh":68,"answer_zh":69,"source_url":70},41461,"如何在 CI 环境（如 Travis CI）中解决 music21 的 m21ToXml 函数引发的意外错误？","该问题通常与 `_xmlschema_` 库及 pytest 的导入顺序有关，表现为本地运行正常但 CI 失败。有效的变通方案是将相关的补丁代码（patch）放置在 `tests\u002F__init__.py` 文件中，而不是具体的测试文件（如 `tests\u002Ftest_musicxml.py`）中。这是因为不同环境下的模块导入顺序不同，放在 `__init__.py` 可以确保补丁在测试运行前优先加载并生效。","https:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy\u002Fissues\u002F18",{"id":72,"question_zh":73,"answer_zh":74,"source_url":75},41462,"MusPy 是否支持读取和保存压缩文件（如 .json.gz）？","是的，MusPy 已支持压缩功能。\n1. `load` 和 `save` 函数现在可以自动识别压缩文件扩展名（例如 `.json.gz` 和 `.yaml.gz`）。\n2. 可以通过可选的 `compression` 参数指定压缩方法（如 gzip, lzma）。\n3. 支持直接传递打开的文件对象（TextIO）给 `save_*` 和 `load_*` 方法，以便更灵活地处理压缩流。","https:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy\u002Fissues\u002F39",{"id":77,"question_zh":78,"answer_zh":79,"source_url":80},41463,"为什么尝试将 MusPy Music 对象保存为 ABC 格式会失败或输出无效内容？","目前 MusPy 没有原生的 ABC 格式支持。虽然可以通过 music21 进行转换，但 music21 本身并不支持将对象输出（write）为 ABC 格式。因此，调用 `muspy.write_abc` 实际上无法生成有效的 ABC 文件，可能会返回无效的 stream 对象字符串。短期内暂无计划构建原生的 ABC 写入支持。","https:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy\u002Fissues\u002F61",{"id":82,"question_zh":83,"answer_zh":84,"source_url":85},41464,"在使用 muspy.synthesize 生成音频后，为什么无法在 Jupyter Notebook 中使用 IPython.display.Audio 播放？","`muspy.synthesize` 生成的音频数据通常是 NumPy 数组，而 `IPython.display.Audio` 在接收数组数据时必须明确指定 `rate`（采样率）参数。如果未指定 `rate`，IPython 会抛出 ValueError。解决方法是在调用时显式传入采样率，例如：`IPython.display.Audio(audio_data, rate=16000)`。此外，需确保音频数据格式符合 WAV 写入要求（如数据类型和维度）。","https:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy\u002Fissues\u002F38",{"id":87,"question_zh":88,"answer_zh":89,"source_url":90},41465,"如何从支持和弦的数据集（如 Wikifonia）中提取和弦信息？","虽然文档中提到了 Chord 类，但在某些数据集解析中，和弦信息的提取可能尚未完全实现或直接暴露。对于 Wikifonia 等标记为支持和弦的数据集，建议检查返回的 Music 对象中是否包含 `chords` 属性。如果当前版本无法直接提取，可能需要关注后续更新或查看源码中 `from_note_representation` 等相关解析函数的实现细节，因为部分功能可能仍在开发中或需要特定的解析配置。","https:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy\u002Fissues\u002F6",[92,97,102,107,112,117],{"id":93,"version":94,"summary_zh":95,"released_at":96},333452,"v0.5.0","发布说明\n=============\n\n变更\n-------\n\n- 添加 `Beat` 和 `Barline` 类\n- 添加 `Music.trim` 和 `Track.trim` 方法\n- 添加 `Music.__delitem__` 和 `Track.__delitem__` 方法\n- 增加对 MuseScore 的 MSCX 和 MSCZ 格式支持\n- 优化事件表示模块\n- 使用 Zenodo 链接引用 MusicNet 数据集 (#70)\n\n变更日志\n---------\n\nhttps:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy\u002Fcompare\u002Fv0.4.0...v0.5.0","2022-04-16T19:33:23",{"id":98,"version":99,"summary_zh":100,"released_at":101},333453,"v0.4.0","# MusPy v0.4.0 发行说明\n\n## 类\n\n- 为 `Base.from_dict` 添加 `strict` 和 `cast` 选项\n- 添加 `Base.fix_type` 用于修复无效类型\n- 修复 `Base.remove_duplicate` (#46)\n- `Base` 类现已实现 `__hash__`，可哈希\n- `Base` 类现已实现 `__lt__` 和 `__gt__`，可排序\n- 修复 `Annotation` 的属性和类型 (#44)\n\n## I\u002FO 接口\n\n- 添加性能表示和 REMI 事件表示 (#63)\n- 增强 MusicXML 输入（歌词、装饰音、反复记号、跳转）\n- 增强 MIDI 输入接口（控制器变化消息）(#43)\n- 修复 music21 输入接口中的调号读取问题\n- 修复合成音频音量过低的问题 (#60)\n- 在事件表示接口中处理 NumPy 类型 (#48)\n\n## 数据集\n\n- 添加 EMOPIA 数据集 (#64)\n- 添加 MAESTRO V3 数据集\n- 增强 `download_and_extract` (#34)\n- TensorFlow 和 PyTorch 现在仅在被调用时才会导入 (#42)\n- 支持 MusicDataset 中的压缩文件 (#59)\n\n## 节拍支持\n\n- 添加 `Beat` 类\n- 添加 `Music.infer_beats` 和 `muspy.infer_beats`\n- 在 music21 输入接口中支持节拍\n\n## 更改日志\n\nhttps:\u002F\u002Fgithub.com\u002Fsalu133445\u002Fmuspy\u002Fcompare\u002Fv0.3.0...v0.4.0","2021-10-10T01:54:51",{"id":103,"version":104,"summary_zh":105,"released_at":106},333454,"v0.3.0","# MusPy v0.3.0 发行说明\n\n## 类\n\n- 修复 `Base.adjust_time` 中的意外打印 (#14)\n- 添加方法 `ComplexBase.extend` (#33)\n- 向 `Base.to_ordered_dict` 添加参数 `deepcopy` (#33)\n- 实现 `Base.__deepcopy__` 以加快深拷贝速度 (#33)\n- 实现 `ComplexBase.__add__` 和 `ComplexBase.__iadd__`，以支持 `+` 和 `+=` 运算符 (#33)\n- 在 `Base.to_ordered_dict` 中默认创建深拷贝 (#33)\n\n## JSON\u002FYAML 接口\n\n- 向 `load`、`load_json`、`load_yaml`、`save`、`save_json` 和 `save_yaml` 添加参数 `compressed` (#36, #39)\n- 将 `Base.to_ordered_dict`、`Base.pretty_str`、`Base.print`、`save_json` 和 `save_yaml` 中的参数 `skip_none` 重命名为 `skip_missing`\n- 支持在 `load`、`load_json`、`load_yaml`、`save`、`save_json` 和 `save_yaml` 中使用文件对象 (#39)\n- 在 YAML 转储器中使用默认的流式风格\n- 在 JSON\u002FYAML 接口中默认使用 UTF-8 编码\n\n## MIDI 接口\n\n- 使用 pretty_midi 后端增强 MIDI 输入输出功能 (#41)\n- 在 `write_midi_mido` 中为每个音轨递增通道号 (#40)\n- 将 `write_midi_mido` 和 `to_mido` 中的参数 `use_note_on_as_note_off` 更改为 `use_note_off_message`\n\n## 数据集\n\n- 添加数据集 `HaydnOp20Dataset` (#13) 和 `MusicNetDataset`\n- 向 `Dataset.download` 和 `Dataset.download_and_extract` 添加参数 `overwrite` (#34)\n- 向 `Dataset.save`、`Dataset.download`、`Dataset.extract`、`Dataset.download_and_extract`、`RemoteDataset.__init__`、`FolderDataset.__init__`、`RemoteFolderDataset.__init__`、`RemoteMusicDataset.__init__` 和 `RemoteABCFolderDataset.__init__` 添加参数 `verbose`\n- 在 `datasets.utils.download_url` 中支持 SHA-256 哈希校验\n- 在 `datasets.utils.extract_archives` 中支持 xz 文件\n- 如果数据集根目录不存在，则创建该目录 (#16, #34)\n\n## 其他更改\n\n- 修复事件表示中的多个错误 (#15, #21, #22, #23, #24, #25)\n- 修正 `Note.adjust_time`，使其调整结束时间而非持续时间 (#37)\n- 添加函数 `from_music21_part`、`from_music21_score` 和 `from_pypianoroll_track`\n- 在 `outputs.music21.to_music21_key` 中支持不同的调性指定\n- 支持解析 Music21 输入中的力度信息\n- `read_abc` 和 `read_abc_string` 现在将返回音乐对象或音乐对象列表","2021-01-03T19:11:50",{"id":108,"version":109,"summary_zh":110,"released_at":111},333455,"v0.2.0","- 修复 `muspy.from_mido` 中的调号读取问题 (#5)\n- 修复音符表示中的时间溢出问题（将默认数据类型从 uint8 改为 int）(#8, #9)\n- 修复 `muspy.inputs.music21.parse_key_signatures` 和 `muspy.inputs.music21.from_music21_part` 中 music21 解析的相关问题 (#10, #11, #12)\n- 修复基类方法中的多个 bug（`muspy.Base.to_ordered_dict`、`muspy.Base.validate`、`muspy.Base.validate_type`、`muspy.Base.adjust_time` 以及 `muspy.ComplexBase.remove_invalid`)\n- 将 `muspy.to_object` 中的参数 `target` 重命名为 `kind`\n- 交换 `muspy.Note` 和 `muspy.Chord` 中 `duration` 和 `pitch` 参数的顺序\n- 交换音符表示中 `duration` 和 `pitch` 特征的顺序（`muspy.to_event_representation` 和 `muspy.from_event_representation`）\n- 为 `muspy.Music` 添加 `to_mido` 方法\n- 为 `muspy.Music.adjust_resolution` 添加 `rounding` 参数\n- 为 `muspy.to_event_representation` 添加 `dtype` 参数\n- 为事件表示添加 `encode_velocity` 参数（影响 `muspy.to_event_representation` 和 `muspy.from_event_representation`）\n- 为 `muspy.Base.validate`、`muspy.Base.is_valid`、`muspy.Base.validate_type`、`muspy.Base.is_valid_type` 以及 `muspy.Base.adjust_time` 添加 `recursive` 参数\n- 为 `muspy.Base.print` 添加 `skip_none` 参数\n- 将 Pypianoroll 版本升级至 1.0.0","2020-11-06T02:46:00",{"id":113,"version":114,"summary_zh":115,"released_at":116},333456,"v0.1.0","- 修复 `Chord.pitches_str` 的名称（#3, 536a877）以及 `Metadata.creators` 和 `Music.downbeats` 的类型（ed2ed1f）\n- 修复 `TimeSignature`、`Note` 和 `Chord` 的 `_validate()` 方法（3504be3, ed2ed1f）\n- 为数据集添加包装函数 `list_datasets()` 和 `get_dataset()`（9aacae0）\n- 改进 `Base`（121e718）和 `Dataset`（2f24836）\n- 将 `Note` 和 `Chord` 中的速度属性设为可选（3504be3）\n- 将 `Dataset.convert()` 中的 `ignore_exception` 参数默认值设为 True（3504be3）\n- 更新数据集信息（67fc563）及其 md5\u002Fsha256 校验和（5821827）","2020-09-05T18:48:08",{"id":118,"version":119,"summary_zh":120,"released_at":121},333457,"v0.0.0","首次发布！","2020-08-28T21:34:16",[123,135,143,152,160,169],{"id":124,"name":125,"github_repo":126,"description_zh":127,"stars":128,"difficulty_score":129,"last_commit_at":130,"category_tags":131,"status":57},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[132,47,133,134],"Agent","图像","数据工具",{"id":136,"name":137,"github_repo":138,"description_zh":139,"stars":140,"difficulty_score":129,"last_commit_at":141,"category_tags":142,"status":57},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[47,133,132],{"id":144,"name":145,"github_repo":146,"description_zh":147,"stars":148,"difficulty_score":55,"last_commit_at":149,"category_tags":150,"status":57},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",160015,"2026-04-18T11:30:52",[47,132,151],"语言模型",{"id":153,"name":154,"github_repo":155,"description_zh":156,"stars":157,"difficulty_score":55,"last_commit_at":158,"category_tags":159,"status":57},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[47,133,132],{"id":161,"name":162,"github_repo":163,"description_zh":164,"stars":165,"difficulty_score":55,"last_commit_at":166,"category_tags":167,"status":57},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[168,132,133,47],"插件",{"id":170,"name":171,"github_repo":172,"description_zh":173,"stars":174,"difficulty_score":55,"last_commit_at":175,"category_tags":176,"status":57},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[168,47]]