Pitch: como eu filtro álbuns reais, e música feita por IA, no acervo do Internet Archive
Fiz um site de descoberta musical chamado The Deep Cut: https://thedeepcut.vercel.app
O código é aberto (MIT): https://github.com/mizerrrr/the-deep-cut
A ideia é simples: cada edição mostra seis álbuns sorteados das coleções musicais do Internet Archive (Jamendo, Netlabels, Free Music Archive, Unlocked Recordings, LPs digitalizados e uma busca por gêneros de música brasileira e latino-americana). Não tem feed nem personalização, e a seleção não é ranqueada por plays. Você clica, ouve e, se gostar, vai para o registro original no archive.org. A música é dos artistas; o site só é uma janela para o acervo.
O que deu trabalho de verdade foi a parte de baixo. Deixo aqui o que aprendi, porque talvez sirva para quem for mexer com a API do Archive:
1. A Advanced Search não passa do resultado 10.000.
Pedir uma página aleatória da coleção inteira falhava quase sempre, e as coleções grandes nunca eram lidas por completo. A solução foi sortear uma ordenação (título, criador, data, tamanho etc.) e uma página dentro dessa janela. Nas coleções grandes, a busca é antes recortada por um prefixo de título aleatório, para qualquer parte delas poder aparecer.
2. output=json, nunca wt=json.
O wt=json é rejeitado pelo Archive e pode voltar uma resposta de erro com HTTP 200. Ou seja, valide o corpo da resposta, não só o status.
3. "audio" não quer dizer "álbum".
Para entrar, o item precisa ter pelo menos 4 faixas distintas (MP3 e FLAC da mesma faixa contam como uma) e uma imagem de capa original de tamanho útil. Espectrograma, forma de onda e miniatura gerada pelo próprio Archive não valem. Podcasts, rádio, sermões, palestras e audiolivros são descartados. Música clássica fica de fora. Se o registro não informa artista ou ano, o site não inventa.
4. O "ano" do Archive muitas vezes é o dia do upload.
Um LP de 1971 enviado em 2025 aparece como 2025. Então o site usa o ano que o próprio registro declara ("(1971)" no título, "℗ 1971" na descrição) e, nas coleções abertas a qualquer pessoa, ignora uma data que é só o dia do upload. Em Netlabels e Jamendo a data é mesmo a do lançamento.
5. Filtro anti-IA (só para lançamentos de 2025 em diante).
O Archive recebe muito álbum gerado com Suno/Udio. O filtro descarta o item quando:
- o título, a descrição ou as tags declaram uso de IA (Suno, Udio, Stable Audio, "AI-generated"…), ignorando frases como "no AI";
- o MP3 tem a tag "made with suno";
- a capa tem o nome de arquivo padrão de gerador de imagem (
file_0000…do ChatGPT,Gemini_Generated_Image, ComfyUI, DALL·E).
Sinais fracos (tags-SEO de palavras soltas, artista vazio, título com gêneros empilhados, séries numeradas, títulos de "música para dormir") só descartam quando aparecem dois juntos. É heurística: não analisa o áudio e deixa coisa passar. Se você achar um álbum de IA que escapou, me manda.
6. Cores da página = cores da capa.
Para o canvas conseguir ler os pixels, as capas passam por uma função no mesmo domínio (/api/thumb). A primeira seleção de cada época vem pronta do servidor (/api/pool, com cache de 5 minutos, servindo a versão antiga enquanto monta a nova). O botão "Search More" busca direto do navegador.
Stack: HTML/JS puro, sem framework e sem dependências; o mesmo módulo de busca e verificação roda no navegador e nas funções da Vercel. É instalável como PWA, com faixa e capa na tela de bloqueio e nas teclas de mídia. Salvos, curtidas e histórico ficam no navegador, sem conta. Uso o Vercel Web Analytics para contar visitas.
Filtros por época: 60s, 70s, 80s, 90s, 00s, 10s+ (2010–2024) e 25–26.
Feedback que me ajudaria:
- álbuns que passaram pelos filtros e não deviam (IA, coletânea, item que não é álbum);
- coleções do Archive que vocês acham que deviam entrar;
- se travou em algum navegador ou celular.