让Mousai成为你的免费开源音乐识别助手:5秒内找到任何歌曲
在咖啡厅听到心动的背景音乐却不知歌名?看电影时被配乐打动却无法追溯来源?Mousai这款免费开源的音乐识别工具将彻底解决这些烦恼。作为一款类似Shazam的应用,它能在5-10秒内精准识别任何歌曲,让你轻松捕捉每一个心动的旋律瞬间。
3步快速安装Mousai
Mousai提供多种便捷的安装方式,无论你是普通用户还是开发者,都能轻松上手:
Flatpak安装(推荐)
对于大多数Linux用户,通过Flatpak安装是最简单的方式:
flatpak install flathub io.github.seadve.Mousai
从源码构建
如果你想体验最新开发版本,可以从源码编译:
git clone https://gitcode.com/gh_mirrors/mo/Mousai
cd Mousai
meson _build --prefix=/usr/local
ninja -C _build install
首次启动后,只需完成简单配置:获取AudD API令牌(可在audd.io免费注册),选择音频输入源(麦克风或桌面音频),即可开始你的音乐识别之旅。
实用功能详解:不止于识别
秒速音乐识别
Mousai采用先进的音频识别技术,通过src/recognizer/模块实现高效的音乐特征分析。无论是环境中的音乐还是电脑播放的音频,只需点击"Listen"按钮,等待几秒即可获得结果。
Mousai正在识别音乐
多平台音乐播放
识别成功后,Mousai提供丰富的播放选项。通过src/player.rs实现的内置播放器,你可以直接聆听识别结果,也可以一键跳转到YouTube、Spotify等平台深入探索。
Mousai歌曲详情页面
完整的识别历史管理
所有识别记录会自动保存在本地数据库中,通过src/database/模块实现高效管理。你可以随时回顾听过的歌曲,创建自己的音乐收藏库。
Mousai主界面
5个实用场景,让音乐探索更自由
场景1:商场背景音乐识别
逛街时听到喜欢的背景音乐?打开Mousai,点击识别按钮,几秒钟后就能获取歌曲信息,不再错过任何好音乐。
场景2:电影/剧集配乐捕捉
观看影视作品时遇到动人配乐?使用Mousai的桌面音频捕获功能,即使没有对话静音也能精准识别背景音乐。
场景3:电台歌曲收藏
收听电台节目时,Mousai可以帮你快速记录下喜欢的歌曲,自动保存到历史列表,方便后续查找。
场景4:离线录音识别
没有网络时也不用担心!Mousai支持先录音保存,待网络恢复后再进行识别,确保不错过任何音乐。
场景5:批量处理录音文件
如果你有多个录音文件需要识别,Mousai可以批量处理并一次性返回所有结果,大大提高音乐整理效率。
Mousai批量识别结果
技术特色:Rust打造的高效体验
Mousai采用Rust语言开发,结合GTK4界面框架,实现了高性能与美观UI的完美结合。核心功能模块包括:
- src/recognizer/:音乐识别核心逻辑
- src/song.rs:歌曲数据模型定义
- src/window/:用户界面组件实现
这种架构设计确保了应用的响应速度和稳定性,即使在资源有限的设备上也能流畅运行。
结语:开启你的音乐探索之旅
无论你是音乐爱好者、内容创作者,还是只想轻松识别身边的音乐,Mousai都能成为你的得力助手。它不仅是一款工具,更是连接你与音乐世界的桥梁。立即安装体验,让每一段旋律都不再陌生。
Mousai——让音乐识别变得简单而高效的开源解决方案。
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 StartedRust0138- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniCPM-V-4.6这是 MiniCPM-V 系列有史以来效率与性能平衡最佳的模型。它以仅 1.3B 的参数规模,实现了性能与效率的双重突破,在全球同尺寸模型中登顶,全面超越了阿里 Qwen3.5-0.8B 与谷歌 Gemma4-E2B-it。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
MusicFreeDesktop插件化、定制化、无广告的免费音乐播放器TypeScript00