m-a-p 開源音樂模型 YuE2-3B：先出樂譜再做曲，歌曲質量對標 Suno

開源團隊 m-a-p 推出的 YuE2-3B，是一個能用文字提示詞和歌詞生成帶人聲、伴奏完整歌曲的開源音樂模型，而且支援在生成前微調樂譜。

以往用 AI 做歌像抽盲盒，提示詞寫完直接蹦出一段音訊，哪裡不對只能重新抽卡。YuE2 換了個思路：它不會直接從文字跳到波形，而是先生成一份可讀可編輯的 ABC 格式樂譜，規劃好旋律、節奏和和絃走向，再把樂譜交給合成模組渲染出成曲。

它能做什麼

你可以把一段歌詞和曲風提示詞餵給它，直接生成整首包含人聲與伴奏的雙聲道音樂。

因為中間夾了一層樂譜，你可以自己動手改 ABC 樂譜，也可以讓智慧體幫你修改。比如想換個和絃走向、給中段加一段薩克斯獨奏，或者直接調整歌詞與速度，改完再讓它渲染最終音訊。

翻唱也是拿手戲。搭配 SheetSage2 這類轉錄工具，你可以把經典老歌的旋律扒成樂譜，再換一套完全不同的編曲風格渲染出來，例如把《Jingle Bells》重做成重金屬風格，或者把《最炫民族風》改寫成慢板情歌。

官方還做了一個智慧體編輯演示，把同一首曲子經過 9 輪對話、14 個版本，一步步從中文流行慢歌改成了帶有複雜和聲的英文爵士樂。

怎麼跑起來，效果如何

YuE2-3B 底層採用自迴歸加非自迴歸的 Mixture-of-Transformers 架構先寫樂譜和語義 token，再用流匹配和 VAE 生成 48 kHz 雙聲道音訊。

在 WildSongBench 基準測試中，YuE2 在 best-of-8 設定下的綜合評分達到 6.9632，不僅超過了開源競品 MiniMax Music 3 和 ACE-Step 1.5，也壓過了商業模型 Suno v5 的 6.8721 與 Suno v6 的 6.5562。

硬體門檻方面，模型權重沒有量化，在單張 24GB 視訊記憶體的 RTX 4090 顯示卡上，生成一首 3.6 分鐘的歌曲耗時約 71 秒，峰值視訊記憶體佔用大約 11.2 GiB，整卡至少保留 24GB 系統記憶體即可流暢執行。如果你有多卡伺服器，官方還提供基於 vLLM 的高併發部署方案。

程式碼和模型權重已經全部託管在 Hugging Face 的 m-a-p/YuE2-3B 倉庫，通過 pip 安裝配套的 yue2_infer 輪子檔案就能跑本地推理。官方同時也放出了網頁端盲測競技場，不需要配置環境也能直接去試聽投票。

為什麼重要

對於音樂製作人、獨立遊戲開發者和內容創作者來說，YuE2-3B 最大的價值不在於跑分超越了誰，而在於把「黑盒抽卡」變成了可干預的工作流。懂樂理的人可以直接改譜子，不懂的人可以讓大模型替自己改，這比反反覆覆重寫提示詞靠譜得多。

我們認為，在商業閉源模型普遍收緊控制權的大環境下，能把 3B 規模的音樂模型做到消費級顯示卡可用、並且開放符號化規劃介面，算得上近期開源音訊領域最紮實的一次突破。如果你平時有短影片配樂、播客開場曲或歌曲 demo 製作需求，手裡正好有一張 24GB 顯示卡，現在就值得下載跑一跑。