Как очистить YouTube Music от ИИ-музыки: опыт проекта на ytmusicapi

Зачем это понадобилось

Поток сгенерированной музыки растёт быстрее, чем площадки успевают его фильтровать. По данным Deezer, в июне 2026 года полностью сгенерированные ИИ треки впервые превысили половину суточных загрузок – в пиковые дни до 90 000 композиций. Deezer исключает такие треки из алгоритмических рекомендаций, а неслушаемые и накрученные удаляет.

YouTube Music 14 октября 2026 года начал распространение меток Made with AI для песен, созданных преимущественно генеративным ИИ. Метка касается только значительного участия нейросети, а её отсутствие не гарантирует, что ИИ не использовали. В нашей проверке 17 октября метку не удалось найти ни у одного из 25 треков, которые наш детектор уже признал синтезированными, – ни в данных песни, доступных скрипту, ни в коде страницы. Возможно, распространение до этих треков ещё не дошло или метка видна только в приложении.

На практике в персональных миксах аккаунта, на котором делался проект, по нашим правилам было от 4 до 28% ИИ-треков. В отдельных «радио» от ИИ-трека доля доходила до 68–76%, а один из самых заметных хитов недели – BAD TIMES исполнителя Imael Angel, первое место в мировом и российском чартах Shazam и в чарте продаж iTunes House – получил у нашего детектора оценку 1,00, то есть был распознан как синтезированный.

Что получилось: 8 публичных и 2 личных плейлиста

Автоматизированные плейлисты

Чартовые плейлисты обновляются каждую пятницу в 19:00 по Москве. Описания у них на русском и английском, все треки ищутся только среди официальных аудиозаписей YouTube Music и проходят ИИ-фильтр. Если свежего трека ещё нет на стримингах, берётся видео с YouTube после сверки исполнителя и названия; если трека нет нигде, его место занимает следующая позиция чарта.

Два личных плейлиста приватные: они собираются из персональных миксов конкретного аккаунта, поэтому ссылок на них в статье нет.

• «Мой микс без ИИ» – 100 треков каждую ночь: знакомое и любимое 20, давно не слушали 5, новинки любимых исполнителей 20, незнакомое в любимых жанрах 30 («радио» YouTube от любимых треков каждого жанра), тренды недели 15 (наши чартовые плейлисты), новые жанры 10 (по два соседних жанра за ночь, по кругу). Доли жанров: шансон 22%, русская поп 18%, спокойная электроника 18%, клубная 16%, неоклассика 13%, мировой поп 13%, в итоге около 36–40 русских песен из 100. Повторы со вчерашним миксом исключены.
• «Мой микс – клипы» – 60 треков по тому же алгоритму, но только с настоящим официальным клипом и без треков звукового микса этого дня. YouTube Music при добавлении в плейлист подменяет клип аудиоверсией, поэтому в плеере нужно один раз включить режим «Видео».

Как скрипт отличает ИИ от живой музыки

Аудиторию ИИ-проектам накручивают, поэтому число прослушиваний и подписчиков не помогает. Подделать нельзя возраст исполнителя, и на нём построены правила.

• Проверяются только новые исполнители и каналы – с первым релизом или созданием канала не раньше 2024 года, когда вышла третья версия генератора Suno. Трек, где среди исполнителей есть давний артист, не трогается.
• Новый исполнитель считается ИИ-проектом, если звук его 30-секундного превью распознан как синтезированный (порог 0,5).
• Или если у него нет ни одного трека ни на Deezer, ни в iTunes: живого новичка дистрибьютор обычно выпускает на всех площадках, а Deezer, по собственным данным, исключает полностью сгенерированные треки из рекомендаций и удаляет неслушаемые и накрученные. Из 1609 новых исполнителей, прошедших проверку звука, 559 распознаны как ИИ, 908 звучат как живые, а превью не нашлось у 142.
• Или если он выпускает релизы потоком: от 5 релизов, для русских исполнителей – от 10. Встречались проекты с 349 и 292 релизами меньше чем за два года.
• Видео с обычного канала без карточки исполнителя считается ИИ, если канал создан в 2024 году или позже.
• Если звук чистый и релизов мало, исполнитель считается живым новичком и не трогается.

Звук проверяет открытый детектор lofcz/ai-music-detector – небольшая ONNX-модель около 15 КБ, рассчитанная на Suno до v5 и Udio до 1.5. Файл модели и обработку 30-секундных превью мы взяли из проекта Prototypr/ai-music-classifier (обе работы под лицензией MIT) и переписали без PyTorch, чтобы проверка быстро работала на сервере GitHub. Превью берутся из открытых API Deezer и iTunes.

Перед включением автоматики детектор проверили на размеченных треках:

На 79 живых треках не было ни одной ложной тревоги. Часть «иностранного ИИ», который нашло правило по возрасту, детектор посчитал живой музыкой: это либо живые новички, либо генераторы, которых модель не знает. Поэтому вывод «живой новичок, не трогаем» делается только при сочетании чистого звука и небольшого числа релизов.

Сколько ИИ нашли и удалили

Скрипт ставит ИИ-трекам дизлайк – прямой сигнал рекомендациям «такое не предлагать» – и убирает их из истории прослушиваний. Правила ужесточались по ходу работы, поэтому прогоны отличаются охватом.

Оставшиеся 1373 трека принадлежат 990 исполнителям и каналам; 343 из них на русском языке. Из истории прослушиваний удалено 25 ИИ-треков. В последнем полном прогоне, ещё до исправления ошибки с iTunes, 622 трека от 507 исполнителей распределились по причинам так: поток релизов – 236 исполнителей, нет ни на Deezer, ни в iTunes – 157, звук – 96, новый канал – 18.

Доля ИИ в персональных миксах по 200 треков на момент этого прогона:

Победить мусор в миксах YouTube одними дизлайками не удалось: сервис каждый день собирает новые миксы и подмешивает исполнителей, которых накануне ещё не существовало. В тот же день появился новый микс «Ритмы городских улиц», где из 200 треков 43 были ИИ, причём 16 из них уже имели дизлайк, а ещё 38 оказались самодельными загрузками с обычных каналов. Поэтому основным способом слушать стал собственный «Мой микс без ИИ»: он берёт персонализацию из миксов YouTube, но пропускает в плейлист только официальные аудио живых исполнителей и дополнительно проверяет звук каждого трека.

Ограничения и ошибки

• Первая версия правил ошибочно отнесла к ИИ David Guetta, Khalid и Франца Шуберта: страница исполнителя иногда отдаёт только свежие переиздания, а полную дискографию YouTube загружал не с первого раза. Ошибку нашли на пробном прогоне до каких-либо изменений в аккаунте; теперь неудачная загрузка дискографии означает «проверить не удалось», а не «ИИ».
• Превью iTunes в формате M4A скрипт сначала не мог декодировать, поэтому правило «нет ни на Deezer, ни в iTunes» фактически проверяло только Deezer. После исправления 84 из прежней группы «без превью» оказались живыми исполнителями, с 34 их треков дизлайки сняты, а 274 подтверждены как ИИ по звуку.
• Ложные срабатывания возможны и сейчас: правило «нет превью» может задеть живого новичка, которого не нашли на Deezer и в iTunes, а правило потока релизов – плодовитого молодого продюсера. Каждое действие записывается в журнал, по которому дизлайк можно снять.
• Не ловятся перезаливы со старых каналов, созданных до 2024 года, и ИИ-треки под профилями давних исполнителей.
• Русские песни из «Понравилось» и все их исполнители исключены из любых проверок по договорённости с владельцем аккаунта, даже если детектор считает трек синтезированным.
• Обычные прослушивания из истории не удаляются. Скрипт не видит, дослушан трек или пропущен, а для рекомендаций прослушивание – главный сигнал вкуса, особенно если лайки ставятся редко.
• ytmusicapi – неофициальная библиотека: она имитирует запросы веб-версии, и Google её не поддерживает и не одобряет. Изменение интерфейса YouTube Music может на время сломать скрипт.
• Обложку плейлиста через API поставить нельзя: обложки загружаются вручную в приложении.

Beatport: почему скрипт не ходит на сайт

Сайт Beatport защищён Cloudflare. Серверы GitHub он перестал пускать уже на второй день, а после частых запросов во время отладки стал отказывать скрипту и на домашнем адресе. Обходить защиту мы не стали. Чарты Beatport раз в неделю собирает задача в приложении Claude: в пятницу в 13:07 расширение Claude in Chrome открывает пять страниц Top 100 в обычном Chrome владельца аккаунта с паузами по 10 секунд и сохраняет снимок в репозиторий. Облачный запуск в 19:00 берёт Beatport из снимка, если ему не больше 4 дней; иначе электронные плейлисты собираются только из iTunes. Если Cloudflare попросит подтвердить, что пользователь человек, задача останавливается и просит сделать это вручную.

Как сделать такой проект: устройство

Проект состоит из трёх частей, и ИИ-фильтр – общая для них середина. Без него чартовые плейлисты наполнялись бы ИИ-хитами (BAD TIMES стоял первым сразу в трёх чартах), а личный микс повторял бы мусор из миксов YouTube.

Ниже – порядок сборки. Команды рассчитаны на Linux; на Windows и macOS отличаются только пути к Python.

Шаг 1. Окружение и доступ к YouTube Music

Понадобятся Python 3.12 или новее, ffmpeg для декодирования превью, аккаунт GitHub и YouTube Music.

python3 -m venv .venv
.venv/bin/pip install ytmusicapi requests beautifulsoup4 librosa onnxruntime scipy

Файл авторизации создаётся из заголовков запроса браузера. Откройте music.youtube.com в браузере, где вы вошли в аккаунт, в инструментах разработчика (F12) на вкладке «Сеть» найдите POST-запрос browse и скопируйте его заголовки (в Firefox: «Копировать значение» – «Копировать заголовки запроса»). Затем выполните команду, вставьте заголовки и нажмите Enter и Ctrl+D:

.venv/bin/ytmusicapi browser

Появится файл browser.json с cookie вашего аккаунта Google. Его нельзя никому передавать, публиковать и добавлять в репозиторий; если выйти из аккаунта в этом браузере, файл перестанет работать. Firefox копирует заголовок Content-Encoding: gzip, из-за которого запросы ломаются, – удалите его из файла.

Шаг 2. Чарт в плейлист

Ищите только среди официальных аудио (filter="songs") и сверяйте и исполнителя, и название. Без сверки названия скрипт при отсутствии нужной песни молча подставит другую песню того же артиста – так у нас вместо «Разлетелись как птицы» Александра Новикова оказалась его «Птица с дробью».

from ytmusicapi import YTMusic
yt = YTMusic("browser.json")

def find_song(artist, title):
    for r in yt.search(f"{artist} {title}", filter="songs", limit=5):
        names = " ".join(a["name"] for a in r.get("artists") or []).lower()
        if artist.lower().split()[0] in names and title.lower() in r["title"].lower():
            return r
    return None

ids = [t["videoId"] for t in (find_song(a, s) for a, s in chart) if t]
yt.create_playlist("Мой чарт", "Описание", privacy_status="PUBLIC", video_ids=ids)

Чарты берите из открытых источников: CSV Shazam, RSS iTunes, страницы Billboard и радиостанций. Опрашивайте их редко и не обходите защиту сайтов.

Шаг 3. ИИ-фильтр: возраст исполнителя

Первый и самый дешёвый признак – год первого релиза. У трека в YouTube Music есть идентификаторы исполнителей; по ним загружается страница артиста. На ней видны только последние релизы, поэтому, если все они свежие, нужна полная дискография: иначе давний артист с потоком новых синглов будет выглядеть новичком.

def first_release(artist_id):
    info = yt.get_artist(artist_id)
    blocks = [info.get(k) or {} for k in ("albums", "singles")]
    years = [int(r["year"]) for b in blocks for r in b.get("results", []) if str(r.get("year", "")).isdigit()]
    if years and min(years) >= 2024:            # видны только свежие релизы - нужна полная дискография
        for b in blocks:
            if b.get("params"):
                full = yt.get_artist_albums(b["browseId"], b["params"], limit=None)
                years += [int(r["year"]) for r in full if str(r.get("year", "")).isdigit()]
    releases = sum(len(b.get("results", [])) for b in blocks)
    return (min(years) if years else None), releases

Две ошибки, которые мы сделали и исправили: загрузка полной дискографии иногда не удаётся с первого раза – её нужно повторять, а неудачу считать «проверить не удалось», а не «ИИ»; и на старте мы проверяли только исполнителей с 2025 года, хотя массовая генерация шла с 2024-го. Результат храните в кэше – к концу второго дня в нашем было 11 597 исполнителей, и без кэша каждый прогон заново запрашивал бы тысячи страниц.

Шаг 4. ИИ-фильтр: превью и детектор по звуку

Для нового исполнителя нужен звук. Скрипт ищет 30-секундное превью трека в открытых API Deezer и iTunes; если трека там нет – превью популярных треков исполнителя на Deezer. У найденного превью обязательно сверяйте исполнителя, иначе детектор оценит чужую песню.

import requests

def deezer_preview(artist, title):
    # точный запрос часто пуст (диакритика, «feat.» в названии) - тогда свободный
    for q in (f'artist:"{artist}" track:"{title}"', f"{artist} {title}"):
        data = requests.get("https://api.deezer.com/search", params={"q": q, "limit": 3}).json()
        for item in data.get("data", []):
            if item.get("preview") and artist.lower().split()[0] in item["artist"]["name"].lower():
                return item["preview"]      # ссылка на MP3, 30 секунд

def itunes_preview(artist, title):
    data = requests.get("https://itunes.apple.com/search",
                        params={"term": f"{artist} {title}", "entity": "song", "limit": 3}).json()
    for item in data.get("results", []):
        if artist.lower().split()[0] in item.get("artistName", "").lower():
            return item.get("previewUrl")   # ссылка на M4A (AAC), 30 секунд

Модель детектора скачивается одним файлом, к ней нужны librosa, onnxruntime и scipy:

mkdir -p models
curl -L -o models/ai_music_detector.onnx \
  https://raw.githubusercontent.com/Prototypr/ai-music-classifier/main/models/ai_music_detector.onnx

Детектор не слушает музыку целиком: он усредняет спектр 30 секунд, оставляет полосу 1–8 кГц, вычитает нижнюю огибающую, чтобы убрать мелодию, и передаёт оставшиеся пики модели. Обработка повторяет код lofcz/ai-music-detector, но без PyTorch:

import subprocess, requests, librosa, numpy as np, onnxruntime as ort
from scipy.ndimage import minimum_filter1d

SR, NFFT = 16000, 8192
model = ort.InferenceSession("models/ai_music_detector.onnx")
inp = model.get_inputs()[0]
band = (np.linspace(0, SR / 2, NFFT // 2 + 1) >= 1000) & (np.linspace(0, SR / 2, NFFT // 2 + 1) <= 8000)

def decode(url):
    """MP3 Deezer и M4A iTunes -> моно 16 кГц через ffmpeg (librosa сама M4A не откроет)."""
    audio = requests.get(url).content
    out = subprocess.run(["ffmpeg", "-v", "error", "-i", "pipe:0", "-t", "30", "-ac", "1",
                          "-ar", str(SR), "-f", "f32le", "pipe:1"], input=audio, capture_output=True, check=True)
    return np.frombuffer(out.stdout, dtype=np.float32)

def ai_probability(url):
    y = decode(url)
    spec = np.abs(librosa.stft(y, n_fft=NFFT, hop_length=NFFT // 2, window="hann")) ** 2
    mean_db = (10 * np.log10(np.clip(spec, 1e-10, 1e6))).mean(axis=1)[band]
    hull = np.clip(minimum_filter1d(mean_db, size=10, mode="nearest"), -45, None)
    peaks = np.clip(mean_db - hull, 0, 5.0)
    fp = (peaks / (peaks.max() + 1e-6)).astype(np.float32)
    fp = np.interp(np.linspace(0, 1, inp.shape[1]), np.linspace(0, 1, len(fp)), fp).astype(np.float32)
    return float(model.run(None, {inp.name: fp.reshape(1, -1)})[0][0, 0])

Оценка 0,5 и выше означает синтезированный звук. Для треков давних исполнителей, где цена ошибки выше, мы используем порог 0,9.

Декодируйте превью через ffmpeg, а не только через librosa: Deezer отдаёт MP3, а iTunes – M4A, который librosa без внешнего декодера не открывает. Мы на этом ошиблись: функция молча возвращала «звука нет», и правило «нет ни на Deezer, ни в iTunes» фактически проверяло только Deezer. Ошибку нашли при проверке кода для этой статьи, исправили и сняли дизлайки с исполнителей, которые нашлись в iTunes и оказались живыми.

Шаг 5. ИИ-фильтр: правила решения

Ни один признак сам по себе не надёжен, поэтому решение принимается по сочетанию:

Шаг 6. Проверка фильтра до первого запуска

Прежде чем ставить дизлайки, проверьте фильтр на треках, про которые вы точно знаете ответ: на лайкнутых песнях давних артистов он не должен срабатывать ни разу. Мы проверили детектор на 79 живых треках, включая 52 трека русского шансона, – ложных тревог не было. Затем делайте пробный прогон без изменений в аккаунте и просматривайте список: именно так мы поймали ошибку первой версии, которая отнесла к ИИ David Guetta, Khalid и Шуберта.

python ai_cleanup.py            # пробный прогон: только список найденного
python ai_cleanup.py --apply    # дизлайки и удаление ИИ из истории

Каждое действие записывайте в журнал с идентификатором трека: по нему любой ошибочный дизлайк можно найти и снять. Обычные прослушивания из истории не удаляйте – для рекомендаций это главный сигнал вкуса.

Шаг 7. Расписание на GitHub Actions

Создайте приватный репозиторий и добавьте содержимое browser.json в секрет Settings – Secrets and variables – Actions, например YTMUSIC_BROWSER_JSON. Workflow с расписанием в нашем проекте выглядит так:

on:
  schedule:
    - cron: "0 16 * * 5"    # пятница 19:00 МСК: чарты и чистка миксов
    - cron: "30 1 * * *"    # каждую ночь: ИИ из истории и личный микс
  workflow_dispatch:
jobs:
  sync:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v5
      - uses: actions/setup-python@v6
        with:
          python-version: "3.12"
      - run: pip install -r requirements.txt
      - run: printf '%s' "$AUTH" > browser.json
        env:
          AUTH: ${{ secrets.YTMUSIC_BROWSER_JSON }}
      - run: python sync.py
      - run: python ai_cleanup.py --apply

В конце каждого запуска workflow сохраняет в репозиторий кэш исполнителей, журнал и историю чартов: без этого следующий запуск начинал бы с нуля. Наши запуски занимали от 3 до 16 минут в зависимости от того, включена ли чистка миксов.

Как помочь рекомендациям

• Слушайте собственные плейлисты, а не «радио» от случайного трека: одно ИИ-радио на час перевешивает много хороших сигналов.
• Ставьте лайк понравившимся трекам – это обучает YouTube и пополняет «знакомое» в личном миксе.
• ИИ-трек сразу пропускайте и отмечайте дизлайком или «Не интересует».
• Очистите давнюю историю в «Моих действиях» Google и включите автоудаление записей старше 3 месяцев: тогда случайные прослушивания прошлых лет перестанут влиять на миксы. История общая для YouTube и YouTube Music.

Как в проекте участвовала Claude Opus 5.5

Весь код – пять Python-скриптов (чарты, ИИ-фильтр, детектор звука, умный микс и генератор обложек) и workflow GitHub Actions – написан в диалоге с моделью Claude Opus 5.5 в Claude Code. Модель проверяла источники чартов на живых сайтах, сравнивала признаки ИИ на размеченных треках, делала пробные прогоны перед изменениями в аккаунте и находила собственные ошибки, например подмену песни при отсутствии нужного трека. Владелец аккаунта задавал требования, проверял результат в приложении и сам выполнял действия, которые модель не делает: вход в аккаунты, ввод секретов и подтверждение проверки Cloudflare.

Вывод

Полностью очистить миксы YouTube Music от ИИ дизлайками нельзя: сервис ежедневно добавляет новых исполнителей, а метки Made with AI только начали распространяться. Надёжнее собирать собственные плейлисты из проверенных чартов и персональных миксов, отсекая новых исполнителей по возрасту, звуку и присутствию на Deezer и iTunes. Такой проект можно повторить на открытых инструментах и бесплатном GitHub Actions, но cookie аккаунта нужно хранить только в секретах, а сайты чартов опрашивать редко.