Galaxy MIDI Dataset
收藏资源简介：
银河MIDI数据集是已知最大的、最全面的符号音乐数据集，包含19,893,571个独一无二、标准化的MIDI文件，以及预计算的特征、嵌入、歌词、卡拉OK数据和流派标签，专为音乐AI和MIR研究设计。
The Galaxy MIDI Dataset is the largest and most comprehensive symbolic music dataset known to date. It contains 19,893,571 unique and standardized MIDI files, along with pre-computed features, embeddings, lyrics, karaoke data, and genre labels, and is specifically designed for music AI and Music Information Retrieval (MIR) research.
Galaxy MIDI Dataset 数据集总结
一、数据集概况
- 数据集名称：Galaxy MIDI Dataset
- 发布方：Project Los Angeles / Tegridy Code
- 定位：已知星系中规模最大、最全面的 MIDI 数据集，是 Tegridy MIDI Dataset 和 Discover MIDI Dataset 的直接延续。
- 核心规模：19,893,571 个唯一、标准化、原创的 MIDI 文件，总大小 152 GB。
- 许可协议：CC BY-NC-SA 4.0（署名—非商业性使用—相同方式共享），可免费用于非商业研究、教育和创作，需注明出处。
二、数据集内容
1. 核心数据
- MIDI 文件：19,893,571 个唯一、标准化、原创的 MIDI 文件。
2. 预计算注释与派生数据
- 综合 MIDI 特征：17,190,286 组。
- midisimx 嵌入向量：15,591,559 个。
- 文件识别：9,361,365 个。
- 流派/艺术家/歌曲标签：89,569 个 MIDI 文件。
- 卡拉 OK MIDI：99,475 个。
- 对齐英文歌词：47,069 个 MIDI 文件。
3. 精选子集
- 单声部旋律 MIDI：2,111,480 个。
- 独奏旋律 MIDI：754,092 个。
- 独奏鼓轨 MIDI：586,398 个。
4. 其他资源
- 8 个精选 JSONL 文件列表：用于内存高效地子集化与流式处理，包括
all、clean、aligned、drum_track、genres、karaoke、mono_melodies、solo_melodies。 - 4 个生产级 SoundFont 音色库：用于渲染与试听。
- 完整性验证：提供 MD5 与 SHA256 校验和。
- 官方艺术图：数据集宣传图。
- 捆绑源代码：
midisimx、tegridy-tools及许可证。
三、数据集结构
顶层目录/文件及其规模：
| 目录 / 文件 | 描述 | 规模 |
|---|---|---|
MIDIs |
完整语料库，包含唯一、标准化、原创的 MIDI 文件 | 19,893,571 个文件 |
Features |
预计算综合 MIDI 特征，合并为单一容器 | 17,190,286 条 |
Embeddings |
干净 MIDI 子集的预计算 midisimx 嵌入 | 15,591,559 个向量 |
Files Lists |
精选 JSONL 文件列表，用于快速子集化与流式处理 | 8 个列表 |
Identified |
MIDI 文件识别结果 | 9,361,365 条 |
Genres |
流派、艺术家、歌曲标签 | 89,569 个 MIDI |
Karaoke |
卡拉 OK MIDI 数据 | 99,475 个 MIDI |
Lyrics |
对齐英文歌词 | 47,069 个 MIDI |
SoundFonts |
高质量 SF2 音色库，用于渲染与试听 | 4 个音色库 |
Artwork |
官方数据集艺术图 | — |
Code |
捆绑源代码：midisimx、tegridy-tools 及许可证 |
— |
ATTRIBUTION.txt |
来源归属信息 | — |
完整结构包含 11 个根目录、19,893,571 个 MIDI 文件、32 个数据文件。
四、关键特性
- Galaxy 级规模：19,893,571 个唯一 MIDI 文件 / 152GB，同类中规模最大。
- 唯一、标准化、原创：完全去重并标准化的语料库。
- 17,190,286 组预计算综合 MIDI 特征：无需自行搭建提取管线。
- 15,591,559 个预计算 midisimx 嵌入：可直接用于相似度搜索、检索和下游建模。
- 9,361,365 个已识别 MIDI：经过匹配与识别的文件。
- 99,475 个卡拉 OK MIDI 和 47,069 个带对齐英文歌词的 MIDI。
- 89,569 个带流派、艺术家、歌曲标签的 MIDI。
- 丰富的精选子集：2,111,480 个单声部旋律 MIDI、754,092 个独奏旋律、586,398 个独奏鼓轨。
- 8 个精选 JSONL 文件列表：即时、内存高效地子集化。
- 4 个生产级 SoundFont：可立即渲染与试听。
- 配套 pip 包：两行代码即可下载并解压整个数据集。
- 完整完整性验证：包含 MD5 与 SHA256 校验和。
- 明确许可：CC BY-NC-SA 4.0。
五、安装与使用
环境要求
- Python 3.x 及 pip。
- 数据集压缩后大小为 152GB，需确保足够的磁盘空间和稳定的网络连接。
- 推荐使用多核机器以进行快速并行解压。
- 依赖项详见官方 midisimx 仓库。
1）安装
sh pip install -U galaxymidi
2）下载
python import galaxymidi galaxymidi.download_dataset()
或使用 Hugging Face CLI： sh pip install -U "huggingface_hub[cli]" huggingface-cli download projectlosangeles/Galaxy-MIDI-Dataset --repo-type dataset --local-dir Galaxy-MIDI-Dataset
3）解压
python from galaxymidi import fast_parallel_extract fast_parallel_extract.fast_parallel_extract()
4）快速开始
python import galaxymidi
加载精选文件列表
all_midis_files_list = galaxymidi.read_jsonl()
加载预计算 Galaxy 嵌入（midisimx 格式）
embeddings = galaxymidi.load_embeddings()
加载预计算综合 MIDI 特征
features = galaxymidi.load_features()
渲染 MIDI 以试听
output_wav_file = galaxymidi.render_midi(my_midi.mid)
配套工具
- galaxymidi：配套 pip 包，支持一键下载、快速并行解压和数据加载，可通过
pip install galaxymidi安装。 - midisimx：用于计算数据集预计算嵌入部分的 MIDI 相似度与嵌入模型，作为
galaxymidi的依赖自动安装。
六、文档
- galaxymidi API Reference：https://github.com/asigalov61/galaxymidi/blob/main/galaxymidi/docs/API_REFERENCE.md
- galaxymidi API Functions Index：https://github.com/asigalov61/galaxymidi/blob/main/galaxymidi/docs/API_FUNCTIONS_INDEX.md
- Galaxy MIDI Dataset Technical Report：https://github.com/asigalov61/galaxymidi/tree/main/galaxymidi/report
七、数据集统计
- 19,893,571 个唯一、标准化、原创的 MIDI 文件
- 17,190,286 组预计算综合 MIDI 特征
- 15,591,559 个预计算 MIDI 嵌入
- 9,361,365 个已识别 MIDI 文件
- 2,111,480 个带单声部旋律的 MIDI
- 754,092 个独奏旋律 MIDI 文件
- 586,398 个独奏鼓轨 MIDI 文件
- 99,475 个卡拉 OK MIDI 文件
- 89,569 个带流派、艺术家、歌曲标签的 MIDI
- 47,069 个带对应英文歌词的 MIDI
八、完整性验证信息
- MD5：e23f34866b946ea56c989d24eb9ae48b
- SHA256：1c0aade6ff554a268230ec0404b04ccbf91e386058db109a1845115c510eb9aa
九、许可说明
- 数据集采用 Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International 许可（见
LICENSE-CC-BY-NC-SA.txt）。简言之：可在非商业目的下共享和改编数据集，但需适当署名（见ATTRIBUTION.txt及引用部分），并以相同许可分发衍生作品。 Code目录中的捆绑代码按其自身许可条款分发，详见Code/LICENSE。- 捆绑的 SoundFont 受其各自原始许可约束。
十、引用
bibtex @misc{project_los_angeles_2026, author = { Project Los Angeles and Tegridy Code }, title = { Galaxy MIDI Dataset }, year = 2026, url = { https://huggingface.co/projectlosangeles/Galaxy-MIDI-Dataset }, publisher = { Hugging Face } }
bibtex @misc{project_los_angeles_2025, author = { Project Los Angeles }, title = { Discover-MIDI-Dataset }, year = 2025, url = { https://huggingface.co/datasets/projectlosangeles/Discover-MIDI-Dataset }, publisher = { Hugging Face } }
bibtex @misc{TegridyMIDIDataset2025, title = {Tegridy MIDI Dataset: Ultimate Multi-Instrumental MIDI Dataset for MIR and Music AI purposes}, author = {Alex Lev}, publisher = {Project Los Angeles / Tegridy Code}, year = {2025}, url = {https://github.com/asigalov61/Tegridy-MIDI-Dataset} }
bibtex @misc {breadai_2025, author = { {BreadAi} }, title = { Sourdough-midi-dataset (Revision cd19431) }, year = 2025, url = {url{https://huggingface.co/datasets/BreadAi/Sourdough-midi-dataset}}, doi = { 10.57967/hf/4743 }, publisher = { Hugging Face } }
bibtex @inproceedings{bradshawaria, title={Aria-MIDI: A Dataset of Piano MIDI Files for Symbolic Music Modeling}, author={Bradshaw, Louis and Colton, Simon}, booktitle={International Conference on Learning Representations}, year={2025}, url={https://openreview.net/forum?id=X5hrhgndxW}, }
十一、应用方向
数据集设计用于支持音乐信息检索（MIR）、符号音乐生成、音乐理解、表示学习以及 Music AI 的大规模预训练。
