Как очистить YouTube Music от ИИ-музыки: опыт автоматического фильтра на ytmusicapi
Поток треков, созданных нейросетями, растёт, и отличить их от записей живых исполнителей становится всё сложнее. В октябре 2026 года YouTube Music начал распространять пометку Made with AI для музыки, созданной преимущественно с помощью генеративных моделей. Однако отсутствие такой отметки ещё не доказывает, что при создании композиции не использовали ИИ. Поэтому авторы проекта разработали собственный способ очистить рекомендации и плейлисты от подозрительных треков.
Система использует библиотеку ytmusicapi и бесплатные GitHub Actions. Она автоматически обновляет восемь публичных плейлистов с чартами, а также каждую ночь собирает два личных: обычный микс без ИИ и его версию, составленную из клипов. Публичные подборки обновляются по пятницам в 19:00 по московскому времени; описания доступны на русском и английском языках. Если нужной записи пока нет на стриминговых сервисах, скрипт ищет подходящее видео на YouTube, сверяя название и исполнителя.
За первые запуски фильтр поставил дизлайки 1407 композициям. После исправления ошибки 34 отметки сняли: в итоге система пометила 1373 трека от 990 исполнителей и каналов, включая 343 русскоязычных. Дизлайк здесь служит сигналом рекомендациям не предлагать похожий контент, а удаление треков из истории прослушиваний дополнительно помогает очистить персональные миксы. Если вы ищете, как удалить треки из YouTube Music, важно учитывать, что проект не заменяет ручное управление библиотекой: он воздействует на рекомендации через оценки и историю.
Как скрипт распознаёт ИИ-музыку
Один из основных признаков - возраст исполнителя. Накрутить прослушивания и подписчиков можно, поэтому популярность не всегда показательна, тогда как дата появления артиста и его каталога менее подвержена манипуляциям. Но одного этого критерия недостаточно: среди недавно появившихся исполнителей есть настоящие музыканты, а модели могут не распознавать новые генераторы.
Второй этап - анализ звука. Для проверки скрипт использует компактную ONNX-модель из проекта lofcz/ai-music-detector, рассчитанную на треки Suno до версии v5 и Udio до 1.5. Модель ищет характерные периодические пики в диапазоне 1-8 кГц - следы обработки, которые могут возникать в нейросетевых генераторах. Для анализа применяются 30-секундные фрагменты, полученные через открытые API Deezer и iTunes. При этом звуковой признак зависит от генератора, поэтому отсутствие характерных пиков не гарантирует, что запись создана человеком.
Решение принимается по совокупности условий. Например, если у недавно появившегося артиста чистый результат аудиопроверки и немного релизов, система предпочитает не помечать его: это может быть начинающий музыкант, а не ИИ-проект. Перед автоматическим запуском детектор проверили на размеченных композициях: среди 79 записей живых исполнителей ложных срабатываний не было. Подробности реализации и то, как устроен проект на ytmusicapi, можно изучить в разборе системы фильтрации ИИ-музыки в YouTube Music.
Результаты и ограничения
В отдельных персональных радиоподборках доля треков, которые фильтр определял как сгенерированные, достигала 68-76%. В обычных миксах конкретного аккаунта показатель колебался от 4 до 28%. Среди отмеченных композиций оказался и BAD TIMES исполнителя Imael Angel - трек, занимавший высокие позиции в чартах Shazam и iTunes House. Детектор присвоил ему оценку 1,00.
Проверка на тестовых треках также показала, что пометка Made with AI на тот момент не помогала выявлять такие записи: 17 октября её не обнаружили ни у одной из 25 композиций, которые система сочла синтезированными. Возможно, распространение маркировки ещё не дошло до них или она отображалась только в приложении. Сами личные плейлисты проекта закрыты, поскольку формируются на основе миксов конкретного аккаунта.
Чтобы повторить эксперимент, потребуются аккаунт YouTube Music, настройки доступа для ytmusicapi, код фильтрации и репозиторий GitHub. Скрипт можно запускать вручную или настроить расписание в GitHub Actions. В проекте также использованы модель и обработка аудио из Prototypr/ai-music-classifier; обе работы распространяются по лицензии MIT. Авторы собрали код в диалоге с Claude Opus 5.5 через Claude Code, но результат зависит не от самого ИИ-помощника, а от выбранных критериев и качества проверки.
Практическое ограничение такого подхода - неполнота данных. Детектор ориентирован на определённые версии генераторов, а новые инструменты могут создавать звук, который он пока не распознаёт. Кроме того, трек может сочетать человеческое исполнение и нейросетевую обработку. Поэтому автоматическая отметка - не окончательное доказательство происхождения записи, а способ сделать рекомендации точнее.
Тем, кто интересуется, как убрать ИИ-музыку из YouTube Music, стоит помнить: этот проект не удаляет композиции с платформы и не меняет её каталоги. Он формирует более подходящую подборку для конкретного пользователя, обучая рекомендации через дизлайки и очистку истории. Репозиторий можно искать по запросу ytmusicapi GitHub; перед запуском полезно проверить правила фильтра на собственных примерах и убедиться, что скрипт не затрагивает музыку, которую вы хотите сохранить.
Сервис подписки и его возможности - отдельный вопрос: YouTube Music Premium цена может зависеть от страны и типа плана, но платная подписка сама по себе не гарантирует отсутствие ИИ-треков в рекомендациях. Для этого важнее управлять историей, оценивать неподходящую музыку и следить за составом плейлистов. А автоматизация помогает выполнять такие действия регулярно, не разбирая каждый микс вручную.
