YuE2 – 先写谱面再渲染成歌的开源 AI 音乐生成模型

YuE2 是一款由 M·A·P 于 2026 年 9 月开源的符号与音频统一音乐生成模型。与直接生成音频的模型不同，它先写出可读、可改的旋律与和弦谱面，再照谱面渲染出带人声与伴奏的完整歌曲，谱面因此成了人能检查、智能体也能修改的中间层，适用于歌曲创作、翻唱改编与音乐教学。

YuE2 的核心能力

它的差异不在「能不能出歌」，而在生成过程被拆成可审计的两段：符号段产出旋律与和弦，音频段把符号变成声音。下面六项都从这个拆分里长出来。

符号规划：先把歌写成谱，再渲染成声

输入歌词与风格后，模型先生成旋律与和弦计划并落成 ABC 记谱文本，再据此渲染人声与伴奏。相比 Suno 这类直接出音频的黑箱流程，谱面是可以打开看的——你能知道它打算用哪个和弦走向、旋律在哪个音区起落，也能在渲染前把不想要的部分改掉。

三档生成模式覆盖整曲、翻唱与直出

参数 cot 分三档：cot="full" 生成可编辑的旋律加和弦计划，是新歌默认；cot="melody" 只锁旋律、放开伴奏，官方推荐用于翻唱；cot="off" 跳过谱面直接从歌词与风格出音频。另有 abc 参数可喂进自己的谱面，等于把人写的曲和模型编的曲放进同一条流水线。

零样本翻唱：用转录谱换风格，不重训模型

翻唱路径先用 SheetSage2 把参考录音转成旋律 ABC 谱，再让 YuE2 按目标风格重新编曲演唱。官方在 948 首作品上测过：带完整谱面拿到 0.647 的 CLEWS mAP，不带谱面只有 0.006，差距几乎全来自「有没有谱」这一件事。它用的是通用生成权重，没有针对翻唱微调。

智能体改谱：把修改意见变成具体音符

中间产物是结构化谱面，改歌就不必靠反复重抽。把计划导出后，可以按「换爵士和声」「保留旋律改配器」这类指令改 score.abc，再回灌渲染。官方演示里一首《The Last Train》从普通话流行改到英语爵士，跨 9 轮对话、14 个版本，每版都留下谱面与提示词可对照。

分阶段 Python API：每步都能停下来看

接口拆成 plan() → generate_semantic() → synthesize() → decode() 四段。可以在生成语义 token 后就停下来检查，也能复用同一份计划换解码器重渲，不必每次把整首歌从头跑一遍——批量试风格时省下的是大量重复算力。

生态接入：ComfyUI、加速工具与智能体技能

官方节点已进 ComfyUI 模板库，有现成的文生音乐工作流；NOIZ 的 YuE2-Turbo 提供推理加速与并发；Maestro 把它接进本地生歌工具。仓库还自带 yue2-music 智能体技能，把生成歌曲、转录翻唱、改 ABC 谱写成可执行流程，官方推荐的组合是 GPT-6 Astra 驱动技能、YuE2 负责作曲出音。

YuE2 与同类音乐生成模型的对比

下表四个模型都在官方 WildSongBench 评测里（192 条提示词，2026 年 9 月 12 日），四项分数直接取自 YuE2 技术报告的结果表，权重与部署两列取自各项目公开信息。

四个模型总分咬得很紧：YuE2 的 6.7316 略高于 Suno v5.5 的 6.7150，低于 Mureka 9 的 6.9377，官方也写明最高均分之间的差距不足以证明统计显著。真正拉开距离的是两处结构性差异：一是谱面，另外三个都不能把中间作曲结果拿出来看；二是音高准确度，YuE2 的 PER 为 8.44%，明显高于 Suno v5.5 的 5.96%。逐项细节可对照 Suno v5.5 与 MiniMax Music 3.0 两页。

如果想先对比另一条闭源路线，可以看 Mureka（一个把编曲与演唱都封在云端的 AI 音乐生成服务），与 YuE2 同属 AI 音乐生成范畴，差异在于它不开放谱面结构与本地权重。

Mureka

由昆仑万维推出的AI音乐商用创作平台

YuE2 的应用场景与适用人群

因为能把作曲过程摊开，它的适用面比「一键出歌」的工具更偏向需要反复打磨的场合：

• 短视频与播客配乐：先按情绪出谱，再改和弦与配器，不必每次靠重抽碰运气。
• 翻唱与改编：把已有录音转录成旋律谱，换风格重新编曲，保留原曲旋律骨架。
• Demo 打样：给客户听三个和声方案，每个方案都附一份可读的谱面说明改了什么。
• 音乐教学：谱面与音频一一对应，能直观看到某个和弦在这里怎么用。
• 智能体工作流：把改谱指令写成流程，批量产出风格变体用于 A/B 听感测试。
• 研究与评测：WildSongBench、MERT2、SheetSage2 一起构成可复现的评测链路。

适用人群：适合已有基础音乐概念、愿意为一首歌多花几轮调整的作曲与制作岗位，以及需要把音乐生成嵌进自动化流程的开发者；只想一句话出歌、或不具备 Linux 环境的人，用商业网页服务会更省事。

YuE2 的使用方法

官方给两条路径：不装环境可直接开 yue.noizai.net 在线生成；要在本地跑，按下面五步。

1. 准备环境：Linux 系统、Python 3.12、一张支持 BF16 的 NVIDIA 显卡且显存不低于 24GB。Windows 与 Mac 不在官方 Quick start 范围内。
2. 装依赖：克隆 YuE 官方仓库后建虚拟环境，依次执行 pip install --upgrade pip 与 pip install .；模型首次使用会自动从 Hugging Face 拉取 m-a-p/YuE2-3B。
3. 跑第一条样例：执行 python examples/generate.py --output outputs/first-song，输出目录除音频外还留着谱面、语义 token、声学 latent、生成参数与模型标识，便于复现。
4. 选模式：新歌用 cot="full"；翻唱先过 SheetSage2 转谱，再把 cot 设为 "melody" 并喂入不带和弦符号的谱面，让伴奏跟着新风格走。
5. 改谱重渲：先导出计划，编辑 score.abc，再用 python examples/generate.py --request examples/song.json --abc-file edited.abc --cot full --output outputs/edited 重渲。改谱会生成一版完整新录音，不保留原波形。

显存吃紧时可用 NOIZ 的 YuE2-Turbo 做推理加速，或改用 ComfyUI 官方文生音乐工作流分步调试；批量出歌建议固定 seed 与解码器设置，否则版本之间很难比对差异。

YuE2 的项目地址

• 项目主页：https://map-yue2.github.io/
• GitHub 主仓库：https://github.com/multimodal-art-projection/YuE

YuE2 的开源许可与价格方案

YuE2 按 Apache-2.0 协议开源，代码与权重均可免费下载、自托管与商用，不存在软件许可费用。官方另提供 NOIZ 托管的免费在线试用，不需要本地显卡。

真实成本落在算力上：本地跑需要一张 24GB 显存级别的显卡；用云端 GPU 则按小时计费，整曲生成耗时与显卡型号直接决定单首成本。它不按首数收费，也没有订阅档位，出多少首只取决于有多少算力。

同系列资源同样开源分发：负责转谱的 SheetSage2、负责音乐理解的 MERT2、以及评测用的 WildSongBench 数据集，都托管在 Hugging Face 的 m-a-p 组织下，可按同一套许可直接取用。

YuE2 的常见问题