网易云音乐自动听歌打卡神器:3步实现每日300首打卡,轻松直冲LV10 🚀
还在为网易云音乐等级升级慢而烦恼?这款网易云音乐自动听歌打卡工具将彻底解放你的双手!只需简单配置,即可自动完成每日300首歌曲打卡任务,让你的音乐等级飞速提升,轻松解锁LV10专属特权。无论是上班族还是学生党,都能在忙碌之余享受音乐等级提升的乐趣。
📌 为什么选择这款自动打卡工具?
这款工具基于开源项目优化而来,针对网易云音乐最新API进行了全面适配,修复了原项目中的常见BUG,确保打卡功能稳定可靠。无需复杂编程知识,小白也能轻松上手,让音乐等级提升变得像呼吸一样简单!
✨ 核心功能亮点
- 全自动打卡:后台自动播放歌曲并记录听歌时长,无需人工干预
- 多账号支持:通过
account.json文件配置多个账号信息,实现批量打卡 - 智能防风控:模拟真实用户行为,避免账号异常风险
- 详细日志记录:
run.log文件实时记录打卡进度和状态,问题排查更方便
图:工具运行时的实时打卡进度展示,清晰显示当前播放歌曲和累计打卡数量
📋 3步快速上手指南
1️⃣ 环境准备与安装
首先克隆项目仓库到本地:
git clone https://gitcode.com/gh_mirrors/ne/neteasy_music_sign
安装项目所需依赖库:
pip install -r requirements.txt
2️⃣ 简单配置两步走
配置API服务
必须步骤:先部署NeteaseCloudMusicApi,将部署地址填入init.config文件的api字段。
填写账号信息
- 单账号:直接在
init.config中填写网易云账号密码(明文即可,无需加密) - 多账号:在
account.json中添加多个账号信息,格式如下:
[
{"username": "账号1", "password": "密码1"},
{"username": "账号2", "password": "密码2"}
]
图:init.config配置文件关键参数说明,标红部分为必须填写项
3️⃣ 开始自动打卡
选择一个歌曲数量≥300首的歌单(获取歌单ID:分享歌单链接中的id=后面的数字),填入init.config的playlist_id字段,然后运行:
python main.py
程序将自动开始播放歌曲,每天最多打卡300首,达到上限后自动停止。
🛠️ 项目文件说明
| 文件名 | 作用 |
|---|---|
main.py |
项目主程序入口文件 |
init.config |
核心配置文件,包含API地址、账号信息等 |
account.json |
多账号配置文件 |
requirements.txt |
项目依赖库列表 |
run.log |
打卡日志记录文件 |
⚠️ 注意事项
- 确保歌单歌曲数量≥300首,否则可能无法完成每日最大打卡量
init.config中的md5Switch请保持false,无需修改- 运行过程中若提示缺少依赖,请根据提示自行安装
- 本项目仅供学习交流使用,请勿用于商业用途
🎯 常见问题解决
Q: 打卡过程中提示API连接失败怎么办?
A: 检查NeteaseCloudMusicApi是否正常运行,确保init.config中的API地址正确无误。
Q: 程序运行后没有打卡记录?
A: 查看run.log文件检查错误信息,确认账号密码是否正确,网络连接是否正常。
📈 为什么要提升网易云音乐等级?
网易云音乐等级不仅是荣誉的象征,还能解锁多项实用特权:LV8以上可免费下载无损音质音乐,LV10更有专属皮肤和个性化推荐特权。有了这款自动打卡工具,让你轻松超越99%的用户,成为音乐达人!
🚀 立即开始你的自动打卡之旅
这款网易云音乐自动听歌打卡工具已帮助 thousands+ 用户轻松提升音乐等级。现在就动手试试,让你的音乐账号快速成长,享受更高等级带来的优质体验!如有任何使用问题,欢迎提交issues反馈,我们会及时处理和优化。
祝大家听歌愉快,等级飙升!🎵
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0197
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0126
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python06
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07