开源音乐模型 HeartMuLa：输入歌词一键成曲，实测叫板 Suno

HeartMuLa 是一个能让你在本地一键生成整首歌曲的开源音乐基础模型。你只需要给它一段音乐风格或曲风描述，再填上一份歌词，它就能直接跑出一首包含清晰人声和伴奏的完整歌曲，不用再在多个工具之间反复拼接。

目前这个项目已经开放了 30 亿参数（3B）版本的模型权重，文件大小在 16GB 左右，相关的代码和说明已经在 GitHub 与 Hugging Face 上线，论文也同步发在 arXiv 上。

它是怎么把歌做出来的

传统的开源音乐工具往往只能生成简短片段，或者人声伴奏混成一团。HeartMuLa 采用了一套完整的模态生成框架，核心由四个模块拼合而成。

负责把声音和文字对齐的是 HeartCLAP，歌词识别由专门优化的 HeartTranscriptor 承担。最关键的声音压缩部分交给了 HeartCodec，这是一个 12.5Hz 的低帧率高保真音频编解码器，既能抓住音乐的长程结构，又能保留细腻的声音质感。

最后，底层的语言模型 HeartMuLa 负责统揽全局，根据输入的文本描述、歌词甚至参考音频，自回归地把整首歌“写”出来。

它还支持对歌曲不同段落进行精细化控制。比如你可以在提示词里分别指定前奏、主歌、副歌的风格走势，或者直接切换成短视频配乐模式，专门生成节奏抓耳的短音频。

实际效果与上手门槛

从实测和论文给出的评测来看，HeartMuLa 最强的地方在于旋律记忆力和歌词跟随能力。很多 AI 音乐模型唱到后面就把前面的旋律忘了，但它能在主歌和副歌之间保持旋律线高度一致，段落过渡非常稳定。

它的声音纯净度在开源领域相当突出，人声和伴奏的分离感很清晰。语言方面目前支持英语、中文、日语、韩语和西班牙语等多种语言输入。

在歌词错误率这项硬指标上，团队表示它甚至击败了闭源标杆 Suno V5，整体音质和结构连贯性也十分接近行业顶级商用水准。

不过它现在也有明显的毛病。如果输入的歌词结构严重不对称，模型很容易把副歌拖得太长，后面的节拍和节奏就会开始发散甚至失控。这更偏向提示工程和歌词排版的问题，写歌词时最好保持段落对称。

硬件要求方面，现在的 3B 版本权重约为 16GB，本地跑需要一张显存充裕的高端消费级显卡；团队还预告了后续会推出质量更高的 7B 版本。

为什么重要

对开发者和音乐创作者来说，HeartMuLa 最大的价值在于打破了 Suno 这类商业闭源服务的垄断。你不需要按月给商业平台付费，也不用担心自己喂进去的创意被拿去二次训练，在本地就能搭建起一套完整的商业级音乐制作管线。

更关键的是，团队证明了仅靠学术规模的数据和算力，同样能复现出商业级的音乐生成系统。我们认为，这会让音乐 AI 的竞争主战场从封闭 API 快速扩散到开源社区，如果你想自己魔改音乐工作流或做独立音视频配乐，现在就可以去 GitHub 拉下代码试一试了。