開源音樂模型 HeartMuLa：輸入歌詞一鍵成曲，實測叫板 Suno

HeartMuLa 是一個能讓你在本地一鍵生成整首歌曲的開源音樂基礎模型。你只需要給它一段音樂風格或曲風描述，再填上一份歌詞，它就能直接跑出一首包含清晰人聲和伴奏的完整歌曲，不用再在多個工具之間反覆拼接。

目前這個專案已經開放了 30 億引數（3B）版本的模型權重，檔案大小在 16GB 左右，相關的程式碼和說明已經在 GitHub 與 Hugging Face 上線，論文也同步發在 arXiv 上。

它是怎麼把歌做出來的

傳統的開源音樂工具往往只能生成簡短片段，或者人聲伴奏混成一團。HeartMuLa 採用了一套完整的模態生成框架，核心由四個模組拼合而成。

負責把聲音和文字對齊的是 HeartCLAP，歌詞識別由專門最佳化的 HeartTranscriptor 承擔。最關鍵的聲音壓縮部分交給了 HeartCodec，這是一個 12.5Hz 的低幀率高保真音訊編解碼器，既能抓住音樂的長程結構，又能保留細膩的聲音質感。

最後，底層的語言模型 HeartMuLa 負責統攬全域性，根據輸入的文本描述、歌詞甚至參考音訊，自迴歸地把整首歌“寫”出來。

它還支援對歌曲不同段落進行精細化控制。比如你可以在提示詞裡分別指定前奏、主歌、副歌的風格走勢，或者直接切換成短影片配樂模式，專門生成節奏抓耳的短音訊。

實際效果與上手門檻

從實測和論文給出的評測來看，HeartMuLa 最強的地方在於旋律記憶力和歌詞跟隨能力。很多 AI 音樂模型唱到後面就把前面的旋律忘了，但它能在主歌和副歌之間保持旋律線高度一致，段落過渡非常穩定。

它的聲音純淨度在開源領域相當突出，人聲和伴奏的分離感很清晰。語言方面目前支援英語、中文、日語、韓語和西班牙語等多種語言輸入。

在歌詞錯誤率這項硬指標上，團隊表示它甚至擊敗了閉源標杆 Suno V5，整體音質和結構連貫性也十分接近行業頂級商用水準。

不過它現在也有明顯的毛病。如果輸入的歌詞結構嚴重不對稱，模型很容易把副歌拖得太長，後面的節拍和節奏就會開始發散甚至失控。這更偏向提示工程和歌詞排版的問題，寫歌詞時最好保持段落對稱。

硬體要求方面，現在的 3B 版本權重約為 16GB，本地跑需要一張視訊記憶體充裕的高階消費級顯示卡；團隊還預告了後續會推出質量更高的 7B 版本。

為什麼重要

對開發者和音樂創作者來說，HeartMuLa 最大的價值在於打破了 Suno 這類商業閉源服務的壟斷。你不需要按月給商業平臺付費，也不用擔心自己喂進去的創意被拿去二次訓練，在本地就能搭建起一套完整的商業級音樂製作管線。

更關鍵的是，團隊證明了僅靠學術規模的資料和算力，同樣能復現出商業級的音樂生成系統。我們認為，這會讓音樂 AI 的競爭主戰場從封閉 API 快速擴散到開源社群，如果你想自己魔改音樂工作流或做獨立音影片配樂，現在就可以去 GitHub 拉下程式碼試一試了。