2026 年 9 月上旬，开源社区 M-A-P 发布了歌曲生成模型 YuE2-3B，权重与代码同步上线 Hugging Face 与 GitHub。它最特别的地方不在音质，而在流程：先写一份可以打开的乐谱，再把这份乐谱唱成一首完整的歌。

先写谱，再演唱

主流音乐生成模型的路径是文本或歌词直接进、音频直接出，改一个和弦只能换个种子重新”抽卡”。YuE2 把中间那一步显式地拿了出来。

模型采用自回归与非自回归混合的 Transformer 主干，官方接口正好对应四个步骤：首先由歌词与风格提示生成一份 ABC 记谱格式的乐谱，包含旋律与和弦；接着把乐谱转成 25Hz 的语义 token；再由 flow matching 生成声学潜变量；最后解码为 48kHz 立体声音频。

由于乐谱是纯文本，改旋律、换和弦、调速度、动段落都可以在”音符”这一层完成，改完再重新渲染整首歌。官方把这套流程称为白盒音乐生成。仓库里还附带了一个技能包，支持 Codex、Claude Code 这类兼容技能文件的智能体直接加载，用来做生成、翻唱和改谱；文档明确说明，并不需要额外的专用智能体模型，智能体只是在既有接口之间做调度。

生成时有三种模式可选：默认模式同时规划旋律与和弦；旋律模式只规划旋律，官方推荐用于翻唱；关闭模式则不写谱直接生成，也就拿不到可编辑的乐谱。

改得准不准，有数据

官方给了一组小规模配对实验：10 首原创作品、2 个种子、380 段完整录音。改动音符的旋律达成率从 0.0083 提升到 0.9375，改动和弦的和声达成率从 0 提升到 0.8313。

需要说明的是，样本只有 10 首，而且是在这批作品上开发的方法。官方自己也写明，这证明的是”能通过乐谱做选择性控制”，并不代表未改动部分的波形会一模一样——重新渲染后，歌声和音色仍会变化。

超过 Suno 了吗？要连着前提一起读

模型卡的原话是：YuE2 在自建评测集 WildSongBench 上，采用从 8 首里挑 1 首的做法，SongBench 均分 6.9632，Suno v5 为 6.8721。这句话是真的，但有四个前提必须同时看。

第一，基准是团队自建的。WildSongBench 共 192 条提示，其中 94 条中文、98 条英文。第二，挑出来的那首是按 Musicality 维度、提示词遵循、音素错误率的顺序筛选的，官方文档承认这并不等于单次调用的水平。第三，不挑选的标准版 YuE2 得分是 6.7316，低于 Suno v5 的 6.8721 与 Mureka 9 的 6.9377，只是略高于 Suno v5.5 的 6.7150 与 Suno v4.5 的 6.6995。第四，官方声明这一差距不构成统计显著性，也不代表所有指标领先或人类更偏好。

同一张表里，文本与音频的对齐指标由 Suno v5 更高；歌词发音错误率方面，Suno v4.5 的 5.80% 最好，YuE2 标准版为 8.44%。横向对比另一款本地方案 ACE-Step 1.5，其均分 6.0118，但歌词错误率 7.46% 更低。倒是纵向对比更有说服力：一代 YuE 只有 4.9165，一年半时间里同一团队把分数拉到了 6.73。

更准确的说法或许是：开源权重模型第一次进入了闭源头部产品的分数区间，而不是全面超过。

翻唱表现：差距几乎全部来自乐谱

在 SHS100K 上，官方测试了 948 首作品、2 种风格、2 个种子，每种方法生成 3792 首且不做挑选。衡量歌曲身份保留的 CLEWS mAP 指标中，ACE-Step 1.5 为 0.024，YuE2 完整乐谱为 0.647，去掉和弦为 0.598，完全不给乐谱则跌到 0.006。

这张表最有信息量的地方不是谁赢，而是同一个模型不给乐谱时身份保留几乎归零。也就是说，翻唱”像原曲”这件事几乎完全来自乐谱条件，而不是模型记得原曲。反过来，乐谱给得越死，目标风格的贴合度就越低——这是一组真实的取舍。

硬件门槛与成本

官方要求为 Linux 系统、Python 3.10 以上、24GB 显存的 NVIDIA 显卡（需支持 BF16）以及 24GB 可用主机内存，一次处理一首歌，Mac 不在官方支持列表中。

在 RTX 4090 上的实测数据（32 次热启动取平均，未量化）显示：默认模式生成耗时 71.04 秒，产出 214.85 秒音频，峰值显存 11.18 GiB；旋律模式为 68.68 秒、214.67 秒、11.02 GiB；关闭写谱模式为 57.91 秒、196.88 秒、11.09 GiB。虽然峰值只有约 11GB，但官方称最长上下文测试时峰值达到 14.08 GiB，因此把 24GB 定为支持基线。

按云端 RTX 4090 每小时 0.34 美元的价格估算，71 秒约为 0.0067 美元，折合人民币 5 分钱左右；若按基准那样生成 8 首选 1 首，成本约 0.054 美元。这一估算不含下载约 7.3GB 权重、配置环境和挑选试听的时间成本。服务端方面，用 vLLM 在 H800 上并发 32 路时，吞吐为每小时 373.53 首，峰值显存 76.61 GiB。

协议是最大的限制

授权分三层：代码与技能包为 Apache 2.0，可自由使用；模型权重与两个 VAE 为 CC BY-NC 4.0，禁止商业用途；配套的 SheetSage2 与 MERT-v2 同样为非商用协议。训练数据方面，官方称使用了 34.6 万小时音乐，主要为 CC0 音乐与合成数据，其中合成数据大部分由 Tokenwave.AI 授权提供。

对做配乐、做改编、做音乐教学的人来说，能够明确说出”第 12 小节换成 Dm7″，远比”再抽 20 次”有用得多。这也是 YuE2 与一众端到端音乐模型最实质的区别。