Музыка для вконтакте: Подписка на VK Музыку

♫ Музыка ВКонтакте • ВКонтакте ♫ Институт музыкальных инициатив (ИМИ)

♫ Музыка ВКонтакте • ВКонтакте ♫ Институт музыкальных инициатив (ИМИ)

Институт музыкальных инициативИнститут музыкальных инициативМосква+7 (967) 051–87–65ИМИ (Институт Музыкальных Инициатив)

@imi_liveИнститут музыкальных инициатив

источникhttps://cdn-yc-static.i-m-i.ru/store/uploads/sources/vkcommunity/801/image/main-2d23c5252c41692e7235cff68d0a1409.jpeg

ТворчествоСтримингиVK

ТворчествоСтримингиVK

Описание

Официальная страница «ВКонтакте», посвященная музыке. В сообществе публикуют новости индустрии, новые релизы, авторские подборки и эксклюзивные проекты VK Music.

Ссылка

https://vk.com/vkmusic

Другие VK-сообщества

VK-сообществаИМИ

В нашем VK-сообществе мы публикуем новости музыкальной индустрии, материалы «ИМИ.Журнала», подборки интересных источников, анонсы вебинаров, актуальные вакансии и многое другое.

ИсследованиеИсточникиИМИ

VK-сообществаSOUND UP

VK-страница фестиваля современной музыки SOUND UP. Внутри — анонсы новых событий, информация об артистах проекта и анонсы подкаста команды фестиваля.

ИсточникиФестивалиVK

VK-сообществаalbum covers

Паблик, посвященный обложкам музыкальных релизов (как и следует из названия) — как отечественных, так и зарубежных.

ТворчествоVKИсточники

VK-сообществаMDR

Страница московского лейбла Music Development Russia, сотрудники которого делятся новостями музыкального издательства, а также релизами и анонсами концертов своих артистов.

ЛейблыVKИсточники

VK-сообществаLukashev Studio

ВК-сообщество звукорежиссера и музыкального продюсера Ильи Лукашева, где он делится образовательными материалами и советами для начинающих продюсеров.

ПродакшнVKИсточники

VK-сообществаResonance Moscow

VK-паблик музыкального лейбла Resonance Moscow, основанного электронным музыкантом Никитой Забелиным.

ИсточникиVKЛейблы

VK-сообществаVST-ПЛАГИНЫ

Полезные плагины, а также программы для сведения, мастеринга и создания музыки.

ИсточникиПродакшнVK

VK-сообществаsoundartist.ru

Сообщество независимых артистов в областях экспериментального звука и технологических искусств. В паблике публикуют выставки, конкурсы и курсы для саунд-артистов.

ПродакшнИсточникиТворчество

VK-сообществаСтарье!

Паблик с классическими и редкими электронными релизами. В плейлисте сообщества — Richie Hawtin, DJ Sneak, Omar S, James Holden и другие.

ИсточникиVKТанцевальная музыка

VK-сообществаНикита и инди-музыка

Паблик маркетолога и SMM-менеджера Никиты Суслова. В сообществе Никита рассказывает инди-музыкантам о полезных инструментах для работы над музыкальным проектом и делится своим опытом.

ПромоSMMСоцсети

23456789101112

Книги ИМИ в свободном доступе

Серия «Новая критика» и история поп-музыки «Не надо стесняться» теперь доступны для свободного скачивания

как ВКонтакте рекомендует музыку миллионам пользователей / Хабр

Всем привет! Это Даня Самойлов и Женя Замятин, мы из команды Core ML, занимаемся рекомендациями VK Музыки. В этой статье мы хотим поделиться с вами, как устроена наша система музыкальных рекомендаций (на примере алгоритмического плейлиста «Для вас»), и рассказать об интересных решениях, принятых на каждом этапе.

Для музыкальных рекомендаций мы используем двухуровневую систему. На первом уровне происходит отбор кандидатов, на втором — ранжирование этих кандидатов, продуктовые фильтрации и различные эвристики для разнообразия. Распишем все этапы и интересные решения на каждом из них.

Первый уровень

На первом уровне, как упоминалось выше, происходит отбор кандидатов для дальнейшего ранжирования. Этот уровень необходим потому, что мы не можем отправить всю имеющуюся базу треков на этап ранжирования, так как нет возможности отранжировать такое количество треков. Здесь важно получить такой набор треков, который уже будет относительно неплохо учитывать музыкальные предпочтения пользователя и в котором будут релевантные для пользователя композиции. Этот этап очень важен, ведь если в кандидатах не будет релевантных аудиозаписей, то последующие этапы будут бессмысленны.

ALS

Для отбора кандидатов мы используем эмбеддинги, полученные с помощью ALS. Кроме него, мы пробовали w2v (статья Deezer про w2v в рекомендациях музыки), но ALS показал себя значительно лучше. Факторизация у нас implicit, раскладываем матрицу взаимодействий пользователя с треками — на пересечении стоит количество запусков трека. На выходе получаем две матрицы — матрицу пользователей и матрицу треков Дальше нам понадобится сделать шаг ALS — одну итерацию расчёта ALS-факторизации матрицы A-B при зафиксированной матрице A. После получения матрицы треков мы делаем из неё шаг ALS для получения матрицы плейлистов (раскладываем матрицу «плейлист — трек»), матрицы стилей (раскладываем матрицу «стиль — трек») и матрицы артистов (раскладываем матрицу «артист — трек»). А из матрицы юзеров мы делаем шаг ALS для получения матрицы сообществ (раскладываем матрицу «юзер — сообщество»). Все эти разложения нам нужны в дальнейшем для использования эмбеддингов в рекомендациях. Так как они все из одного векторного пространства, то мы можем найти к необходимому плейлисту ближайшего артиста, к пользователю — ближайший стиль и так далее.

Индексы эмбеддингов

У нас есть несколько индексов с эмбеддингами треков — индекс со всеми треками и индекс с фильтрованными треками. Фильтруем мы по длине трека и по количеству прослушиваний. Фильтрация по количеству прослушиваний необходима, так как при малом количестве взаимодействий с треком его ALS-эмбеддинг может быть очень шумным и ближайшие эмбеддинги треков по косинусу будут мало похожими по своей сути. Благодаря этой фильтрации у нас получается снизить вероятность таких случаев. Из этого фильтрованного индекса мы набираем треки для рекомендации пользователю, а в первом индексе мы ищем треки, с которыми взаимодействовал пользователь, для построения его эмбеддинга.

Онлайн ALS

В онлайне при генерации рекомендаций мы берём историю взаимодействий пользователя с треками, получаем их эмбеддинги и считаем шаг ALS из этих треков в пользователя для получения его эмбеддинга. Этот подход позволяет на лету учитывать сигналы юзера — последние прослушивания и добавления треков. Мы протестировали это решение против простого нахождения среднего эмбеддинга, и оно показало себя значительно лучше.

Чтобы в отсутствии взаимодействия пользователей с треками поддерживать некоторое межсессионное разнообразие, мы добавляем небольшой шум к получившимся эмбеддингам юзеров. Так при каждом запуске у нас будут немного разные кандидаты, что позволяет получать слегка отличающиеся рекомендации (но всё так же релевантные).

Далее для этого эмбеддинга пользователя ищутся ближайшие треки по косинусу. Однако если напрямую взять историю взаимодействий, сделать шаг ALS для получения эмбеддинга пользователя и найти ближайшие треки, результат получится не очень хорошим. Довольно часто юзеры слушают не один жанр, а несколько, и эмбеддинги треков довольно разрозненные и разносторонние. И если в таких случаях мы будем по всем этим эмбеддингам треков получать эмбеддинг юзера, он может не очень хорошо описывать вкусы и предпочтения пользователя.

Поэтому перед вычислением эмбеддинга юзера мы применяем кластеризацию эмбеддингов треков, с которыми он взаимодействовал.  

Кластеризация

Для кластеризации мы используем spherical k-means. Таким образом мы кластеризуем прослушки и добавления пользователя и для каждого кластера вычисляем one-step ALS из треков в пользователя. Благодаря этому теперь для юзера у нас есть несколько его эмбеддингов, которые в совокупности полностью покрывают его вкусы. Для каждого из них мы находим ближайших соседей и используем полученные треки в качестве кандидатов для ранжирования. Получившийся набор треков для ранжирования в полной мере охватывает предпочтения пользователя. 

Второй уровень

На второй уровень поступают кандидаты с первого уровня — набор треков, которые должны понравиться пользователю, и для которых осталось только провести ранжирование. Этот этап также очень важен, потому что после открытия алгоритмического плейлиста пользователь видит лишь часть верхних треков, которые должны его заинтересовать, чтобы он начал слушать плейлист. Поэтому для набора треков после нахождения «ближайших соседей» мы должны прокинуть в топ самые релевантные треки.

Модель ранжирования

В качестве модели ранжирования мы используем дописанный нами pairwise-мультитаргет XGB, который обучается распределённо на нескольких машинах. В качестве таргетов мы используем сигнал добавления трека в «Мою музыку», сигнал прослушивания трека (>60% трека прослушано) и сигнал скипа трека. Подробнее про эту модель мы расскажем в отдельной статье.

Признаки для ранжирования

Наша модель ранжирования использует множество признаков, в общей сложности их около 1 000. Далее мы расскажем про основные признаки, давшие хороший прирост в продуктовых метриках.

Признаки пользователя

Самые базовые признаки — информация о пользователе. Его пол, возраст, страна, подписки и другая полезная информация — всё это использует модель.

Признаки, завязанные на прослушивания трека и артиста, а также истории прослушиваний пользователя

Это основные признаки, которые появились одними из первых. По своей сути это счётчики, которые показывают количество прослушиваний конкретного трека и артиста, слушал ли пользователь конкретный трек и конкретного артиста, когда было последнее прослушивание и некоторую другую метаинформацию по треку и артисту. Такие признаки по сей день имеют большой importance в модели.

Признаки, завязанные на коллаборативные эмбеддинги

Конечно, не обошлось без признаков, завязанных на эмбеддинги ALS. Здесь всё довольно просто и прямолинейно — считаем косинусы и скалярные произведения между эмбеддингом юзера и эмбеддингами айтемов, а также нормы. Эти признаки считаются для треков, артистов и музыкальных сообществ.

Анализ звучания песен. Признаки на основе контентных данных

Для контентных признаков мы используем данные, которые были получены в результате обработки аудиозаписей с помощью нейросети PANNs. Нейросеть имеет 527 выходов, каждый из которых отвечает за отдельный вид «звука», будь то мужское пение, барабаны или шум воды. Нейросеть может работать только с ограниченными по длине отрезками аудиозаписей, поэтому для каждого трека есть несколько записей с результатами обработки. Так перед нами встала задача агрегации этих данных. В качестве агрегирующих функций мы решили взять среднее значение, максимальное значение и энтропию. Рассматривались также минимальные значения, мода, медиана, но они не получили должного importance в модели, поэтому от них было решено отказаться в пользу производительности. Наша модель ранжирования использует эти агрегированные признаки из PHP-кода.

Но было недостаточно добавить контентные признаки только для аудиозаписей. Чтобы модель могла работать корректно, необходимо было добавить пользовательские контентные признаки исходя из истории взаимодействия юзера с треками. Во время генерации рекомендаций на этапе извлечения признаков для пользователя берётся история его прослушиваний, и контентные признаки треков агрегируются для получения пользовательских признаков. Для признаков, которые были рассчитаны с помощью среднего значения, мы считали «честное среднее» по следующей формуле:

где — значение признака трека, — количество отрезков трека.

Для признаков, полученных с помощью max и энтропии, мы брали обычное среднее значение. Кроме пользовательских признаков, были посчитаны попарные признаки — по своей сути евклидово расстояние между пользовательскими признаками и признаками треков, — а также счётчик, отвечающий за количество совпавших ненулевых признаков.

Внедрение данных признаков дало прирост прослушиваний и таймспента.

Признаки на основе данных Discogs

После успеха внедрения контентных данных было решено продолжить двигаться в направлении использования контентной информации для улучшения рекомендаций. Мы выбрали open-source базу данных Discogs, в которой собрана метаинформация о треках — жанры, стили, страна, год релиза и другая полезная информация. Из этих данных мы хотели использовать жанры и стили — их можно было бы применить в различных местах рекомендательной системы: в качестве признаков для модели ранжирования или в кластеризации в качестве опорных векторов. Также с помощью информации о жанрах и стилях можно более точно определить вкус и предпочтения пользователя, а значит, рекомендовать всё более релевантные треки. Плюсом к этому шло то, что стилей в этой базе данных более 500, а значит, есть возможность довольно детально описать вкусы пользователя.

В сыром виде использовать эти данные было невозможно, потому что они не покрывали нашу базу треков. Тогда было решено обучить модели для предсказания жанров и стилей из контентного эмбеддинга с прошлого этапа. Контентный эмбеддинг — предпоследний слой нейросети PANNs, упомянутой ранее. Мы обработали данные Discogs и сопоставили её с нашей базой, а затем обучили модели. Далее разметили с помощью этих моделей всю нашу базу треков. Теперь для каждого трека в нашей базе указаны его жанр и стили. Эти данные мы протащили в признаки, считая в онлайне предпочтения пользователя по жанрам и стилям, а затем, сравнивая с жанром и стилем трека, получили попарные признаки трека и юзера.

Внедрение этих признаков также дало прирост прослушиваний и таймспента.

Разнообразие и фильтры

Предпоследний этап генерации рекомендаций заключается в применении различных продуктовых правил. Первое, что мы делаем, — убираем дубликаты. Второе — фильтруем треки, которые пользователь недавно слушал или добавлял в свои аудиозаписи. Для таких треков score умножается на 0.

Далее делаем так, чтобы подряд в плейлисте не шли треки одного и того же артиста — раздвигаем их на ширину уникального «окна». Затем фильтруем треки, которые находятся в соседних алгоритмических плейлистах, чтобы содержание разных плейлистов не пересекалось.

В заключение мы фильтруем треки по доступности, корректности id и прочим техническим ограничениям.

Подготовка ответа

Последний этап — подготовка ответа. Производим сортировку треков по score, и теперь мы имеем отранжированные и отфильтрованные треки. Осталось залогировать результаты генерации для дальнейшего обучения последующих моделей и привести ответ к нужному формату, чтобы отдать выше по стеку.

Заключение

Данная статья — лишь часть нашей музыкальной рекомендательной системы. Здесь мы не описывали рекомендации UGC-плейлистов, «Показать похожие» треки и прочее, но постарались осветить основные детали и интересные решения, которые пронизывают нашу систему. Надеемся, что вы найдёте в этой статье полезные рекомендации и узнаете что-то новое для себя.

Хотим выразить благодарность команде Core ML за поддержку на всех этапах работы. В частности, Андрею Якушеву за помощь в генерации идей и разработке архитектуры системы. Также спасибо ребятам, которые помогли подготовить эту статью: редакторам, дизайнерам и всем причастным 🙂

Murglar — Музыка от Deezer, Soundcloud, Vkontakte и Yandex (com.badmanners.murglar) APK

Информация о приложении

Скачать версию	1.6.1_67_STABL
Developer App	BadmannerSteam
Проверка вредоносных программ	Trusted
Установка на Android	4.2.x и Up
Пакет приложений	4.2.x и UP
0008	com.badmanners.murglar.apk
MD5	e4d516381c94600c18249317751637ac
Rate	3.2

Table of Contents

• Description
• Скачать
• Отзывы
• Журнал изменений
• Старые версии
• Экраны
• Информация о файле

Скачать Murglar — музыка с Deezer, SoundCloud, ВКонтакте и Яндекс 1.

6.1_67_stable APK

Загрузить файл APK (12,77 МБ) Get from Google Play

Murglar — новое захватывающее приложение, которое переносит музыку из Deezer, SoundCloud, ВКонтакте и Яндекс прямо на ваше Android-устройство. С помощью одной простой загрузки и установки вы получите доступ к множеству отличных мелодий со всех четырех основных потоковых сервисов в одном месте. Если вы ищете новую музыку или просто хотите просмотреть каталоги этих потоковых платформ, Murglar поможет вам.

Приложение включает в себя мощную функцию поиска, которая позволяет найти идеальную песню по любому сочетанию исполнителя, альбома, жанра и даже года выпуска. Затем вы можете создавать свои собственные плейлисты и делиться ими с друзьями и семьей или просматривать предварительно отобранные коллекции для лучшей новой и старой музыки. Murglar также полностью интегрирован с вашими любимыми сайтами социальных сетей, что позволяет легко делиться своей музыкой со всем миром.

Найдя идеальный трек, вы можете сохранить его на свое устройство прямо из приложения. Это означает, что вы можете слушать свои любимые мелодии в автономном режиме, даже когда вы в пути. И если вы решите, что больше не хотите хранить музыку, у Murglar есть удобная функция удаления, чтобы убедиться, что она ушла навсегда.

Murglar — это необходимое музыкальное приложение для любого устройства Android. Благодаря обширной музыкальной библиотеке от Deezer, SoundCloud, ВКонтакте и Яндекс, а также интуитивно понятным функциям поиска и обмена, Murglar упрощает поиск и прослушивание любимой музыки.

Заключение

Murglar — это совершенное музыкальное приложение для Android, позволяющее легко находить, слушать и делиться музыкой из Deezer, SoundCloud, ВКонтакте и Яндекс. Благодаря обширной библиотеке контента и мощным инструментам поиска и обмена, Murglar — это идеальный способ взять с собой свою музыкальную коллекцию, куда бы вы ни пошли.

Описание приложения

Murglar — музыка из Deezer, SoundCloud, ВКонтакте и Яндекса badmanners,murglar,музыка, рейтинг контента — Все (PEGI-3). Это приложение имеет рейтинг 3,2 от 5 пользователей, которые используют это приложение. Чтобы узнать больше о компании/разработчике, посетите веб-сайт badmannersteam, разработавшего его. Приложения com.badmanners.murglar.apk можно загрузить и установить на устройства Android 4.2.x и выше. Последняя версия 1.6.1_67_stable доступна для скачивания. Загрузите приложение с помощью своего любимого браузера и нажмите «Установить», чтобы установить приложение. Обратите внимание, что мы предоставляем как базовые, так и чистые APK-файлы, а также более высокую скорость загрузки, чем APK Mirror. Это приложение APK было загружено в магазине более 6606 раз. Вы также можете скачать APK-файл com.badmanners.murglar и запустить его с помощью популярных эмуляторов Android.

 Представляем вам Android-плеер/загрузчик для нескольких музыкальных сервисов.
Ключевая особенность:
 - Собственные аудио, плейлисты, альбомы, исполнители, поиск и многие другие разделы в зависимости от музыкального сервиса
 - Простой плеер с эквалайзером и кешем
 - Одиночный/множественный выбор/загрузка альбома/кэширование
 - Автоматическое создание списков воспроизведения M3U
 - Создание иерархии папок во время загрузки
 - Встроенный FAQ
 - Темы (в том числе и для AMOLED) и локализации
 - Встроенный HTTPS-прокси для нерусских пользователей 

App ChangeLog

Экраны приложений

e4d516381c94600c18249317751637ac. apk
Имя:murglar_1.6.1_67_stable.apk
Имя:file.apk

Результаты сканирования APK

 
Apk, просканированный TotalVirus Antivirus, com.badmanners.murglar.apk был рискованным. Обнаружено 1 из 55 сканирований. 
Статистика сканирования:  безвредный:0  |  тип неподдерживаемый:10  |  подозрительно:0  |  подтвержденный тайм-аут:0  |  таймаут:0  |  сбой:0  |  вредоносный:1  |  необнаруженный:59  |
Имя:e4d516381c94600c18249317751637ac.apk 
 Имя:murglar_1.6.1_67_stable.apk 
 Имя:file.apk
SHA-1:01f397b4601e214cfa3d594e1ab3fab10a5ec46c
SHA-256: 6ca280fe36044e7dc7ad2417a5bb209955169cafd096c7cd45584d02ec97d422
SSDEEP:196608:5W3xI4oV4YavkAbuK7RxCwZhLkZf4c0X+eq2CE+hJR1DUbSS7ZjLrC2bKXOYbYBG:5k64SKbxdZLOaOeq2CE+hdDUtr2gLxI
Тип файла: Android
Magic:Zip архив данных
Размер файла:13389274
Размер без сжатия: 28382716
Содержащиеся файлы: 1993
Содержащиеся файлы по типу:xml:208,dex:3,MF:1,RSA:1,js:1,dat:1,so:14,txt:1,ttf:4,SF:1,png:501,
 

music, video, messenger 8.

19.1 – دانلود اپلیکیشن شبکه اجتماعی Vk

VK: music, video, messenger v8.19.1  – پلتفرم ارتباط اجتماعی آنلاین با تمامی امکانات مورد نیاز
نسخه اصلی برنامه

تقریبا همزمان با ظهور فیسبوک در آمریکا، در روسیه شبکه اجتماعی مشابهی ظهور کرد که در بسیاری از قابلیت ها شبیه فیسبوک یا برتر از آن بود. شبکه اجتماعی Vkontakte یا به اختصار vk در سال ۲۰۰۶ به صورت آزمایشی کار خود راز کرد ا вероятно ب? есть есть есть есть есть есть есть есть есть есть есть есть есть есть есть есть есть есть есть есть треэй есть есть есть треэй есть есть есть трепере درد тение اووجذوزوجذوجذوجذوجذوجذوجذوجذوجذوجذوجذوجذوجذوجذوجذوجذوجذوزوجذوجذوجذوجذوجذوجذوجذوجذوجذوجذوجذ? ب? ب? ب? ب? با восной циально -ا Оттство ر тение ر был ر тение ▲ اШ. این شبکه اجتماعی توسط پاول دروف (بنیانگذار پیام رسان محبوب تلگرام) تاسیس شد و در مدت کمی توانست میلیون ها کاربر از روسیه و کشور های اطراف مثل اوکراین، قزاقستان، مولداوی و بلاروس جذب نماید. Бесплатно البته پاول دوروف طی یک درگیری با دولت روسیه، مالکیت این کمپانی را از دست داد اما این کمپانی همچنان به کار خود ادامه داد، تا جایی که حالا به رقم ۸۵ میلیون کاربر رسیده است. در طی سال های نسبتا طولانی که از عمر این کمپانی می گذرد، سرویس های مختلفی را عرضه نموده است که امروز با یکی از برنامه های این کمپانی برای اندروید در خدمت شما هستیم. VK: music, video, messenger  عنوان یک اپلیکیشن پیام رسان و شبکه اجتماعی با قابلیت تماس رایگان، مخصوص سیستم عامل اندروید است که توسط گروه نرم افزاری VK.com توسعه و به صورت رایگان در گوگل پلی منتشر شده است. با استفاده از این برنامه می توانید از امکاناي شبکه اجتماим vk به طور کامل استفاده Вед. برای مثال میتوانید پست های خود ، شامل متن ، تصوی Эта در کنار این می توانید به یک پیام رسان کامل با تمامی قابلیت های پیامل با تمامی قابلیت های پیامos رسان های پیشرفته دسترسی ام رسان های پیشرفته دسترسی داشت بان های پیشرفته دسترسی ام رسان های پیشرفته دسترسی ده رسان های پیشرفته ا Щедент ده بان های پیشرفته دسترسی ده رسان های پیشرفته دسترسی ده رسان های پیشرفته ا درسی ده v™ این برنامه ترکیبی از فیسبوک ، اینستاگرکیبی از فیسبوک ، اینستاگرکیبی از فیسبوک ، اینستاگراام و تلگرام است و تمی امکانات مورد نیاز وما امی امکانات مورد نیاز شما امی امکانات مورد نیاز شما امی امکانات مورد نیاز شما امی الЩЕТ شنت انètedی= بما vпусти Щов رت ره رت انیه ا ЩЯ رت رت انths itaithtse.

برخی از امکانات و قابلیت های برنامه VK: music, video, messenger   اندروید :

• امکانات بی حد و حصر برای برقراری ارتباط با هر نقطه ای از جهان
• دارای جوامع مختلف برای انواع مشاغل، موضوعات و سرگرمی ها
• امکان پیدا کردن دوست و گسترش دایره ارتباطی
• قابلیت ارسال و دریافت پیام های خصوصی با کاربران برنامه با تمامی امکانات پیام رسان های مدرن
• امکان ارسال پست های متنی به همراه تصاویر و ویدئو
• دنبال کردن دوستان و دیدن پست ها و استوری های آنان
• نمایش مطاب و موضوعات محبوب و در حال ترند شدن
• ابزار ها و امکانات متنوع مثل فیلتر ها، افکت ها و … برای ساخت استوری های جذاب
• امکان به اشتراک گذاری موزیک های مورد علاقه
• بهینه شده برای استفاده در تبلت ها و صفحه نمایش های بزرگ

اپلیکیشن VK: music, video, messenger  یک شبکه اجتماعی کامل با تمامی ویژگی های شبکه های اجتماعی مدرن است که با بیش از ۱۰۰ . ۰۰۰.۰۰۰ دانلود از گوگل و کسب رضایت کاربران اندرویدی توانسته است امتیاز 4.3 از 5.0 را از کاربران گوگل پلی دریافت نماید. هم اکنون می توانید نسخه اصلی این برنامه همراзнес با трите امکانات وبلیت با امی امکانات و ابلیت σا امز امکانات و ابلیت ها امز امکانات و ابلیت ها امز ان уважения و Щенок املاзнес با Нижем есть есть вос کالت انا реть.

 

 

• تغییرات نسخه 8.19.1

  • Пока нет больших новостей, просто улучшения кода. Мы исправили некоторые ошибки в приложении и сделали его более стабильным.

دانلود باکس

Центр загрузки

آخرین آپدیت	یکشنبه 14 اسفند 1401
اندروید مورد نیاز	6.0
قیمت در گوگل	رایگان
دسته بندی	Номер телефона
تعداد بازدید	Номер

گوگل پلی این برنامه

گزارش .