Taylor s Tune
1.0.0
Taylor's Tune est un outil de recommandations musicales axé sur l'humeur qui tire parti des nouveaux modèles de langue open source de pointe (tels que Mixtral-8x7b, LLAMA3-70B, LLAMA3-7B, GEMMA-7B) pour fournir les meilleures chansons rapides de Taylor selon les besoins de l'utilisateur.
Vous pouvez l'essayer en tant que WebApp ici, tandis que si vous êtes plus intéressé par la partie technique, vous pouvez lire le rapport de projet.
Dans cette fenêtre, l'utilisateur peut expliquer à l'agent le statut émotionnel et la situation relationnelle afin d'en obtenir des conseils. La sous-section de gauche offre la possibilité de choisir parmi les modèles disponibles, ainsi que de régler certains hyperparamètres de chat tels que la longueur de la mémoire, le nombre de chansons suggérées et les jetons de sortie LLM maximum .
Ce deuxième panneau permet à l'utilisateur de répondre au questionnaire proposé dans Je savais que vous étiez des problèmes: les tendances émotionnelles du répertoire de Taylor Swift , avec lesquelles les suggestions de chansons sont déduites à l'aide d'un modèle statistique.
Le troisième panneau rapporte l'ensemble de données utilisé pour le projet. Le premier associe une description textuelle pour chaque score de critère émotionnel numérique.
Les critères considérés sont: les sentiments de soi, le verre à moitié plein, les étapes de la dépression, le tempo, la gravité, les perspectives d'avenir, le sentiment de sexe masculin, la convivialité
Le second contient les paroles, les critères émotionnels, la description du sens et l'URL Spotify de chaque chanson.
Créez votre propre cluster Qdrant, puis copiez la touche API et l'URL
Obtenez une clé API Groq
Créez un fichier secrets.toml dans ce fichier de dossier racine contenant les touches suivantes: GROQ_API_KEY , QDRANT_API_KEY , QDRANT_CLIENT_URL . Ici, vous pouvez mieux vérifier comment fonctionnent les secrets
Vous pouvez maintenant choisir soit pour installer l'application locale sur votre Python Env / Venv actuel ou pour utiliser le dockerfile fourni
Copiez le fichier secrets.toml dans le dossier Apposite (instructions ici)
Installez les packages requis avec
pip3 install -r requirements.txt
Vectorisez les ensembles de données et téléchargez-les sur votre vecteur QDrant DB en exécutant le cahier vector_db_upload.ipynb
Exécutez l'application avec
streamlit run _Chat.py
Créer l'application
docker build -t taylor .
Vectorisez les ensembles de données et téléchargez-les sur votre vecteur QDrant DB en exécutant le cahier vector_db_upload.ipynb
Exécutez l'application
docker run -p 8501:8501 taylor
Le projet est entièrement open source et peut également être étendu à d'autres artistes avec quelques petits ajustements. Je vais fortement appliquer si quelqu'un veut contribuer au projet!
Le WebApp a été développé et hébergé à l'aide de Streamlit tandis que l'outil d'orchestration entre VectordBS et LLMS choisi est Langchain.
Lorsqu'un utilisateur envoie une invite, une première recherche de similitude lyrique est effectuée, tandis qu'en même temps, le LLMS essaie de prédire les scores numériques pour chaque critère, selon la première base de données illustrée dans la page Emotional scores . Par la suite, une question des critères DBS pour les meilleures chansons K est interprétée. Ensuite, les résultats des deux requêtes sont fusionnés et fournis comme contexte supplémentaire au LLM pour la suggestion finale.
Le système a été évalué sur la capacité de décrection émotionnelle et sur la capacité de recommandation. Plus d'informations à ce sujet dans le rapport.
Carnets utiles:
vector_db_upload.ipynb : permet de vectoriser et de télécharger les deux bases de données fournies sur votre cluster QDRant existantlyrics_summarization.ipynb : Get Song's Signification Description Basé sur ses paroles
