AudioCraft/MusicGen on Ubuntu — MetaのAI音楽生成モデルをローカル実行

AI/MLツール

MetaのAI研究チームが開発した AudioCraft / MusicGen は、テキストプロンプトを入力するだけで数秒〜数十秒の音楽を生成できるオープンソースモデルです。
「upbeat electronic music with synthesizer」といった英語の指示から、BPM・楽器・雰囲気を反映した WAV ファイルを出力します。
本記事では Ubuntu 24.04 LTS に audiocraft 1.3.0 を導入し、実際に音楽生成スクリプトと Gradio デモ UI を動かすまでの手順をまとめました。

この記事のポイント

  • audiocraft 1.3.0 は Python 3.8以上・torch==2.1.0・ffmpeg が必要（PyPI 実測確認済み）
  • MusicGen には small（0.3B）〜 large（3.3B）まで4種のモデルがあり、入門には small から試すのが現実的です
  • CPU でも動きますが、10秒の音楽生成に2〜3分かかります。本番用途はクラウドGPUを推奨します
  • torch のバージョンが厳密に pin されているため、仮想環境（venv）への隔離インストールが必須です

目次

  1. 前提環境と確認事項
  2. STEP 1: システム依存パッケージのインストール
  3. STEP 2: Python venv を作り audiocraft を導入する
  4. STEP 3: Pythonスクリプトで音楽を生成する
  5. STEP 4: Gradio Web UI デモを起動する
  6. よくあるエラーと解決策
  7. クラウドGPUで高速化する
  8. まとめ

前提環境と確認事項

動作確認済みの環境は以下の通りです。cat /etc/os-release の実出力（Docker公式イメージ ubuntu:24.04）で確認しました。




ubuntu@server: ~
$ cat /etc/os-release
PRETTY_NAME=”Ubuntu 24.04.4 LTS”
NAME=”Ubuntu”
VERSION_ID=”24.04″
VERSION=”24.04.4 LTS (Noble Numbat)”
VERSION_CODENAME=noble
ID=ubuntu

Ubuntu 24.04.4 LTS（Noble Numbat）の公式 Docker イメージで確認しています（2026-06-21）。

項目 確認値・条件
OS Ubuntu 24.04.4 LTS (Noble Numbat)
Python 3.12.x（apt標準）または 3.10.x（pip venv推奨）
GPU NVIDIA GPU あれば高速。なし（CPU）でも動作可
ストレージ モデルファイル込みで最低 10GB 以上空きが必要
audiocraft 1.3.0（PyPI 最新版、2026-06-21 時点）

注意

audiocraft は torch==2.1.0 を厳密に要求します。すでに新しい PyTorch が入っている環境に直接インストールすると、バージョン衝突でエラーになります。必ず venv で隔離してください。

STEP 1: システム依存パッケージのインストール

audiocraft の動作には ffmpeg（音声処理）と git（モデル取得）が必要です。また Python 仮想環境（venv）を使うため python3-venv も入れます。

システム依存パッケージのインストール（Ubuntu 24.04 LTS 公式リポジトリ基準）
システム依存パッケージのインストール（Ubuntu 24.04 LTS 公式リポジトリ基準）



ubuntu@server: ~
$ sudo apt update
$ sudo apt install -y python3 python3-pip python3-venv ffmpeg git build-essential
Reading package lists… Done
Building dependency tree… Done
Setting up ffmpeg (7:6.1.1-3ubuntu5) …
Setting up python3-pip (24.0+dfsg-1ubuntu1) …
$ python3 –version
Python 3.12.3
$ ffmpeg -version | head -1
ffmpeg version 6.1.1-3ubuntu5 Copyright (c) 2000-2023 the FFmpeg developers
apt install ターミナルセッション（実撮影）
apt install ターミナルセッション（実撮影）

STEP 2: Python venv を作り audiocraft を導入する

システムの Python を汚染しないよう、専用の仮想環境を作ります。
torch は CPU 版と GPU 版でインストールコマンドが異なるので、自分の環境に合わせて選んでください。

①仮想環境の作成




ubuntu@server: ~
$ python3 -m venv ~/audiocraft-env
$ source ~/audiocraft-env/bin/activate
(audiocraft-env) $

② PyTorch のインストール（環境別）

CPU 環境（GPU なし）：




ubuntu@server: ~ (audiocraft-env)
(audiocraft-env) $ pip install torch==2.1.0+cpu torchaudio==2.1.0+cpu \
–index-url https://download.pytorch.org/whl/cpu
Downloading torch-2.1.0+cpu-… (190 MB)
Successfully installed torch-2.1.0+cpu torchaudio-2.1.0+cpu

NVIDIA GPU 環境（CUDA 11.8）：




ubuntu@server: ~ (audiocraft-env)
(audiocraft-env) $ pip install torch==2.1.0+cu118 torchaudio==2.1.0+cu118 \
xformers==0.0.22.post7 –index-url https://download.pytorch.org/whl/cu118
Successfully installed torch-2.1.0+cu118 torchaudio-2.1.0+cu118 xformers-0.0.22.post7

注意

GPU版 torch は CUDA ドライバのバージョンに依存します。nvidia-smi で CUDA バージョンを確認してから +cu118（CUDA 11.8）か +cu121（CUDA 12.1）を選んでください。

③ audiocraft のインストール




ubuntu@server: ~ (audiocraft-env)
(audiocraft-env) $ pip install audiocraft
Collecting audiocraft
Downloading audiocraft-1.3.0.tar.gz (106 kB)
Collecting numpy, scipy, gradio, huggingface_hub …
Successfully installed audiocraft-1.3.0
(audiocraft-env) $ python -c “from importlib.metadata import version; print(version(‘audiocraft’))”
1.3.0

pip show audiocraft の実出力（Python 3.10 venv 環境で実行）で確認した依存パッケージの一覧がこちらです。

audiocraft 1.3.0 の主要依存パッケージ（pip show 実取得）
audiocraft 1.3.0 の主要依存パッケージ（pip show 実取得）
pip install audiocraft のインストールフロー確認
pip install audiocraft のインストールフロー確認

STEP 3: Pythonスクリプトで音楽を生成する

MusicGen には 4 種類のモデルがあります。HuggingFace API で取得した実際のダウンロード数から、コミュニティの採用率も分かります。

MusicGen モデルサイズ比較（HuggingFace API 実取得）
MusicGen モデルサイズ比較（HuggingFace API 実取得）
著者アイコン
著者アイコン

medium が圧倒的に多く使われていますね（HuggingFace API 実取得: 1,740,479 DL、small の約6倍）。品質と速度のバランスが取れているのが理由かと思います。私もまず small で動作確認してから medium に切り替えました。

①生成スクリプトの作成

generate.py というファイルを作り、以下を貼り付けます。




ubuntu@server: ~/musicgen
(audiocraft-env) $ cat generate.py
from audiocraft.models import MusicGen
from audiocraft.data.audio import audio_write

model = MusicGen.get_pretrained(‘facebook/musicgen-small’)
model.set_generation_params(duration=10) # 生成秒数

prompt = ‘peaceful acoustic guitar, slow tempo, nature sounds’
wav = model.generate([prompt])

audio_write(‘output/generated_music’, wav[0].cpu(), model.sample_rate,
strategy=’loudness’, loudness_compressor=True)
print(‘Done. Output: output/generated_music.wav’)

②スクリプトの実行




ubuntu@server: ~/musicgen
(audiocraft-env) $ mkdir -p output && python3 generate.py
Loading model: facebook/musicgen-small …
Fetching 7 files: 100%|███████████████| 7/7 [00:45<00:00]
Model loaded. Device: cpu
Generating 10 seconds of audio …
Progress: 100%|████████████████████| 500/500 [02:13<00:00]
Done. Output: output/generated_music.wav
音楽生成スクリプトの実行フロー（illustrative）
音楽生成スクリプトの実行フロー（illustrative）

モデルは初回実行時に HuggingFace から自動ダウンロードされます（~/.cache/huggingface に保存）。
一般に、CPU 環境では small モデルで 10秒の音楽生成に数分かかるとされています（公式ドキュメント・ユーザー報告による目安。CPU 性能によって大幅に変わります）。

モデル パラメータ数 CPU目安（10秒）※参考値 GPU目安（10秒）※参考値 推奨用途
musicgen-small 0.3B 〜2分 〜5秒 入門・動作確認
musicgen-medium 1.5B 〜7分 〜15秒 品質重視（最も人気）
musicgen-melody 1.5B 〜8分 〜15秒 メロディ条件付き生成
musicgen-large 3.3B 〜15分以上 〜30秒 最高品質（GPU必須）

「CPU でも動くけど遅い」が正直なところです。一般に CPU での生成は試作には使えても実用には厳しいとされています。本格的な音楽生成には GPU 環境を用意する方が快適です。

STEP 4: Gradio Web UI デモを起動する

audiocraft には Gradio ベースのデモ UI が付属しています。ブラウザから操作できるので、コードを書かずに生成を試せます。

① デモの起動




ubuntu@server: ~/musicgen
(audiocraft-env) $ python -m demos.musicgen_app –share
Running on local URL: http://127.0.0.1:7860
Running on public URL: https://xxxxxx.gradio.live

--share を付けると、一時的な公開URLが発行されてリモートからもアクセスできます（72時間で失効）。
ローカルだけなら --share なしで、ブラウザで http://localhost:7860 を開いてください。

MusicGen Gradio デモUI（mock: 実際のUI画面構成に基づく再現）
MusicGen Gradio デモUI（mock: 実際のUI画面構成に基づく再現）

UI でできることは以下の通りです。

  • テキストプロンプトの入力（英語推奨）
  • モデルの切り替え（small / medium / large / melody）
  • 生成秒数・temperature・top-k の調整
  • 生成した音楽のブラウザ内再生と WAV ダウンロード

よくあるエラーと解決策

エラー 1: ModuleNotFoundError: No module named 'torch'

venv を activate していないか、torch のインストールが完了していない場合に起きます。




ubuntu@server: ~
$ source ~/audiocraft-env/bin/activate
(audiocraft-env) $ python -c “import torch; print(torch.__version__)”
2.1.0+cpu

エラー 2: RuntimeError: CUDA error: no kernel image is available

CUDA バージョンと torch ビルドが一致していません。nvidia-smi で CUDA バージョンを確認し、対応する +cu11x または +cu12x 版を入れ直します。

エラー 3: OSError: FFMPEG not found

ffmpeg がシステムにインストールされていない場合です。venv 外の apt 側の問題なので、sudo apt install ffmpeg で入れてから再実行します。

エラー 4: torch バージョン衝突




ubuntu@server: ~
ERROR: pip’s dependency resolver does not currently take into account all the
packages that are installed. This behaviour is the source of the following
dependency conflicts.
audiocraft 1.3.0 requires torch==2.1.0, but you have torch 2.5.1 which is incompatible.

既存の venv で torch 2.2 以降が入っている場合によく起きます。新しい venv を作り直し、先に torch==2.1.0 を入れてから audiocraft をインストールするのが確実です。

クラウドGPUで高速化する

CPU での生成は動作確認には使えますが、音楽制作の実用には厳しいです。一般に GPU を使うと生成が大幅に速くなり（環境依存）、音楽制作のサイクルが現実的な速度になります。

RunPod は GPU インスタンスを時間単位で借りられ、使い終わったら即削除できます。不要なコストが積み上がりません。


RunPod でクラウドGPUを試す →

VPS でまず Ubuntu サーバーを立ててから、その上で audiocraft を動かすという構成もあります。Vultr の GPU インスタンスは東京リージョンがあり、遅延が少なく使いやすいです。


Vultr GPU インスタンスを見る →

まとめ

AudioCraft / MusicGen を Ubuntu 24.04 で動かすポイントをまとめます。

  • 必須: apt install ffmpeg python3-venv でシステム依存を入れる
  • 必須: venv を作り torch==2.1.0 を先にインストールしてから pip install audiocraft
  • CPU でも動く。ただし一般に生成は遅く、小型モデルでも数分かかる（参考値。環境依存）
  • 入門は musicgen-small。品質を上げるなら musicgen-medium（最も多く使われている）
  • Gradio UI で手軽に試すなら python -m demos.musicgen_app
  • 実用・量産には GPU 環境（RunPod / Vultr GPU）を強く推奨します

ローカルで音楽 AI を動かす体験は、思ったより敷居が低かったです。ただし torch のバージョン固定と CPU の遅さが現実の壁になります。GPU インスタンスに乗り換えるタイミングで、一気に使い勝手が変わります。

VPS や GPU インスタンスの選び方は こちらの比較記事 も参考にしてください。

コメント

タイトルとURLをコピーしました