BE
OSEMПроста AWESOMEOpen Source, Engaged & Musical

Песні са слоў і акордаў
на тваёй уласнай машыне

Цэлая Студыя вакол YuE2, адкрытай мадэлі песень. Пішаш стыль і тэкст, а Студыя складае, спявае і зводзіць песню на тваёй уласнай відэакарце. Твае песні, словы і налады ніколі яе не пакідаюць.

2.0.5 · кожны пік цэлы, радавод сэмплаў і Студыя па https · лістапад 2026
Творца ўдзень: форма песні, сэмпл, які ты слухаеш, і ўсе сэмплы Творца ўначы
8 хвцэлыя песні, да васьмі хвілін
135 спесня на 6:12 на адной RTX 3090
6 хвпесня на 4 хвіліны на Intel Arc Pro B50, 16 ГБ, 70 Вт (бэта)
7 пакояўскладаць, пісаць, граніць, маляваць, здымаць, захоўваць і вучыць
200інструментаў, правераных на слых
12моў старонкі

Руах Студыя — адкрытая генерацыя музыкі на тваім уласным жалезе: мадэль, партытура, адаптары і кожны сэмпл застаюцца тваімі, і нічога не здаецца ў арэнду за токены. Адкрытыя мадэлі ўжо дастаткова добрыя, каб стаяць на ўласных нагах, а не хапала Студыі вакол іх: яе мы і будуем, адкрыта.

Музыку павінна быць вольна ствараць і дзяліцца ёю: той, у каго няма ні голасу, ні інструмента, ні Студыі, усё роўна мае права пакласці свае думкі і пачуцці на гук.

Сем пакояў, адна Студыя

Творца стварае песню, Пісьменнік піша яе з чат-мадэллю, Гранільшчык даводзіць яе, Мастак малюе яе малюнкі, Відэограф рыхтуе ёй кліп, Бібліятэкар захоўвае кожны сэмпл, а Трэнер LoRA вучыць YuE2 тваіх уласных песень. Даведнік па кожным пакоі — унутры Студыі.

ТворцаТворца

Творца

Стыль, тэкст, рэжым планавання, дэкодар, LoRA на дарозе ад зялёнага да чырвонага; сэмпл з яго партытурай, сідамі і ўсім, каб стварыць яго зноў.

ПісьменнікПісьменнік

Пісьменнік

Песні як дакументы з версіямі, тэкставыя профілі і твая ўласная чат-мадэль (або OpenRouter), што піша чарнавікі і праўкі разам з табой.

ГранільшчыкГранільшчык

Гранільшчык

Спектр, артэфакты, антыгул, праверка тэксту праз Whisper, стэмы, рэмастэр, апскейл; адзін ланцужок запускае іх усе.

МастакМастак

Мастак

Малюнкі для тваіх песень па тваім уласным промпце: квадратны, шырокі і высокі з аднаго сіда, малюе Qwen-Image 2512; малюнак праяўляецца на вачах, а квадратны становіцца вокладкай сэмпла. Ранні паказ.

Відэограф: кадры сэмпла на таймлайне над яго песняйВідэограф: кадры сэмпла на таймлайне над яго песняй

Відэограф

Кліп да сэмпла: песня нарэзана на кадры па праспяваных радках, сцэны пішуцца з Пісарам, ключавыя кадры малюе Мастак, рухомыя — MiniMax H3; таймлайн для мантажу, аблічча (3D LUT, зерне), анімацыйны эскіз і кліп. Бэта.

БібліятэкарБібліятэкар

Бібліятэкар

Кожны сэмпл у прасторах: знойдзены, ацэнены, з нататкай, пад замком, з вокладкай, адпраўлены ў тваю DAW; кошык, які вяртае.

Трэнер LoRAТрэнер LoRA

Трэнер LoRA

Адаптары з тваіх уласных песень: набор, запуск, крывыя абедзвюх палоў з тлумачэннем, эпохі, якія варта паслухаць першымі.

Шпаргалка інструментаў

Шпаргалка ♪

200 інструментаў, правераных і ацэненых на слых: што YuE2 сапраўды грае, што гучыць у яе рэдка і чаго яна не ведае.

Гайд паверх Творцы (F1)Гайд паверх Творцы (F1)

Гайд · F1

Уся Студыя растлумачана ўнутры самой Студыі, на адлегласці адной клавішы: кожны пакой і кожная ручка, навошта яна і якія лічбы мы намералі, на дванаццаці мовах. Створана для радасці тварыць, а не для шматгадзінных пошукаў у інтэрнэце.

Чаму гэта Студыя

Не чарговая абгортка над мадэллю, а майстэрня вакол яе: адкрытая да касцей, кожная змена пранумараваная і апісаная.

  • Цэлыя песні, да васьмі хвілін. Песня на 6:12 за 135 с; песня на 7:25 з партытурай спачатку за 212 с, на адной RTX 3090.
  • Спачатку партытура, і правіць яе табе. YuE2 піша мелодыю і акорды ў ABC раней, чым прагучыць хоць адна нота: мяняй іх, транспануй, прынось сваю партытуру ці MIDI, і песня пойдзе за ёй.
  • Два сіды, а не адзін. Пакінь песню (музычны сід) і пачуй яе адрэндэранай нанова (гукавы сід).
  • Твой уласны гук. Навучанне LoRA на тваіх уласных песнях, проста ў Студыі, без квантызацыі (bf16), з тэлеметрыяй, што падкажа, якія эпохі слухаць першымі.
  • Постпрадакшн, увесь лакальна. Стэмы (BS-Roformer, htdemucs), антыгул, рэмастэр, апскейл (UniverSR), праверка тэксту праз Whisper.
  • У тваю DAW (эксперыментальна). Праект REAPER са стэмамі, партытурай у MIDI, секцыямі і тэкстам на таймлайне; DAWproject для Waveform і Bitwig.
  • Лірыка, што трымае такт. Долі кожнага радка супраць лінейкі яго раздзела: склады па правілах кожнай мовы і зычныя, што бяруць сваю долю; тэгі раздзелаў падказваюцца, пакуль набіраеш «[»; націскі міма галоснай знаходзяцца.
  • Пісьменнік, які ведае рухавік. Стыль кароткімі тэгамі, самае важнае першым: так YuE2 ідзе за ім найлепш.
  • Некалькі відэакарт, некалькі задач. Сінтэз на адной карце, навучанне на іншых; з адной картай старонка скажа, што чакае.
  • Для скрыптоў і агентаў. API (OpenAPI 3.1) і MCP-сервер на тваёй машыне і ў тваёй сетцы.
  • Твая мова. Уся старонка і яе гайд — на англійскай, рускай, украінскай, беларускай, грэчаскай, іспанскай, італьянскай, французскай, партугальскай, нямецкай, японскай і кітайскай.
Вавілон у партытуры: запуск спынены, і сказана чаму
Вавілон у партытуры: злоўлены праз 15 с пасля старту

Вартавы ад смецця

Калі музычная палова піша зламаную партытуру (так бывае з адаптарамі, выкручанымі занадта моцна), рухавік спыняе запуск раней, чым на ёй збудуецца хоць нейкая музыка, за секунды, і кажа чаму: якія адаптары, наколькі яны выйшлі за свае межы, што было напісана.

Сілы стаяць на вымераных дарогах; складзеныя адаптары дзеляць вымераную столь.

Крывыя Трэнера
Крывыя абедзвюх палоў, з тлумачэннем

Свой трэнер LoRA

Студыя сама вучыць адаптары, на неквантаваных вагах bf16. Супраць AI-Toolkit ад Ostris на тым самым наборы страта музычнай паловы сыходзіцца эпоха ў эпоху ў межах 0.015.

Ранг 16 на 148 песнях: 2.1 с на крок у 12 ГБ. Ранг 32 на 42 цэлых песнях: 6.7 с на крок у 18 ГБ.

Рэдактар лірыкі: долі кожнага радка супраць лінейкі раздзела
Долі кожнага радка супраць лінейкі раздзела

Лірыка, што трымае такт

Ля кожнага радка яго долі, супраць лінейкі яго раздзела: куплет і мост адна група, перадпрыпеў і прыпеў свае. Склад лічыцца па правілах кожнай мовы, і зычныя, што бяруць сваю долю, таксама ідуць у лік; паўза ці інтэрлюдыя ўнутры раздзела новай групы не адкрывае.

Набяры «[» у пачатку радка, і тэгі раздзелаў падкажуцца, як рэдактар кода падказвае словы. Націскі міма галоснай знаходзяцца; Ctrl+F шукае толькі ў гэтым полі.

Руах Студыя і SUNO, шчыра

Кожны тыдзень якое-небудзь відэа абвяшчае, што чарговая мадэль забівае SUNO. Гэта не мадэль, а цэлая Студыя вакол мадэлі, з уласным файнтюнам. Дзе яна выйграе, а дзе пакуль выйграе SUNO, сказана проста.

Руах Студыя (YuE2)SUNO
дзе жывена тваёй відэакарце; песні, словы і налады ніколі яе не пакідаюць, а пасля ўсталявання ёй не патрэбны інтэрнэту іх воблаку
колькі каштуеэлектрычнасць: ні крэдытаў, ні тарыфаў, ні дзённых лімітаўпадпіска і крэдыты
мадэльYuE2 і наш уласны файнтюн RS-FW, першы вялікі адкрыты: абедзве паловы навучаны нанова на 32 633 трэках, каля 1 800 гадзін, і апублікавана кожнае слова, якое ім казалізакрытая; на чым яна вучылася, не апублікавана
партытурапішацца першай, бачная, правіцца, твая (ABC, MIDI); піяна-рол на ўсё акносхаваная
лірыкалічыльнік ля кожнага радка: яго долі супраць лінейкі раздзела, склады па правілах кожнай мовы; тэгі раздзелаў падказваюцца пры наборы «[»тэкставае поле; тэкст напішуць за цябе на запыт
паўтарыць сэмплдакладна: два сіды, якія ты захоўваешне
вядзенне (CFG)дзве, асобна: цяга стылю і хватка лірыкі, у кожнай свой CFGадна ручка Style Influence
замяніць секцыюяе словы спяваюцца нанова паміж паўзамі, якія знаходзіць слых, астатняе сэмпла захоўваецца да адліку: шва не чуваць; некалькі секцый за адзін заходReplace Section: у нашых спробах амаль ніколі не годзіцца — швы чуваць, голас мяняецца
радавод сэмпларадаводнае дрэва: кожная абрэзка, версія і перагенерацыя, з якіх сэмпл выйшаў, і ўсё, што выйшла з яго, у кожнага свая хваля—
бібліятэкапрасторы з раздзеламі, шаснаццаць рэакцый, нататкі, абарона і кошык, які вяртае, пошук з зорачкамі і «не», сляпыя наборы для сумленнага праслухоўвання, улётка і пашпарт у кожнага сэмплапрасторы, лайкі і плэйлісты
параўнанне сэмплаўда дванаццаці версій у адным плэеры з той самай секунды, па імёнах ці ўсляпую, на роўнай гучнасці, выраўнаваныя па ўласным гуку—
твой уласны гукнавучы LoRA на сваіх песнях, проста ў Студыінавучання няма; Personas пераносяць голас і стыль адной песні
чаго YuE2 не сыграеMIDI-аркестр па ўласнай партытуры сэмпла (наборы SFZ і Pianoteq, калі ён у цябе ёсць) і прырода пад песняй: агонь, дождж, рэкі, птушкі—
свае інструментыМайстар банак ператварае запісы аднаго інструмента (дудук, шафар) у банку SFZ: галасы, крыкі і чужыя інструменты выслуханы прэч, ноты знойдзены па клавішах, падстроены і закальцаваны; у DAW яна гучыць пад песняй падкладкай, гулам у яе танальнасці або MIDI-партыяй—
кожны пік цэлыніякага зрэзу на выхадзе: доўгія хвасты рэверберацыі і цішыня застаюцца цэлымі; радаводнае дрэва паказвае, дзе кусаў бы стары зрэзаддаецца ўжо адмастэраным (у нашым рынгу: −15,5 LUFS, −3,4 dBTP)
пасля рэндэрустэмы, антыгул, рэмастэр, апскейл, праверка тэксту і мастэр пад мэтавую гучнасць (Spotify −14, Apple Music −16, CD −9), усё лакальнастэмы і рэмастэр, у воблаку
мікшарDAW у Гранільшчыку: дарожкі з эквалайзерам, гейтам, кампрэсарам, шырынёй і пасыламі, аўтаматызацыя, маркеры, гук дарожкі як прэсэтSuno Studio, у браўзеры, на старэйшым тарыфе
бачыць гукспектраграма ўсяго сэмпла над плэерам, ураўні з хваляй: секцыі, яркасць і гучнасць, спектр і нота пад указальнікамхваля
карцінкі і відэаМастак малюе вокладку, 16:9 і 9:16 па тваіх словах; Відэограф плануе кліп, малюе яго ключавыя кадры і дае яму аблічча (3D LUT, зерне, віньетка)вокладка
у DAWпраект REAPER з партытурай, секцыямі і тэкстам (эксперыментальна)аўдыястэмы
скрыпты і агентыAPI (OpenAPI 3.1) і MCP-сервер, на тваёй машыне і ў тваёй сетцыпублічнага API няма
паходжаннеContent Credentials (C2PA) убудаваныя ў кожнае спампоўванне, ад твайго імя, калі хочаш—
кодадкрыты (AGPL), кожная змена пранумараваная і апісанаязакрыты
інтэрфейссем пакояў на адной старонцы, на дванаццаці мовах; падказка ў кожнага кантрола і гайд у кожным пакоі; плэер і сэмплы ў кожным пакоі; клавішы для частых дзеянняў; ставіцца як праграмавэб-праграма і мабільныя праграмы
бляск з каробкіменш: мікс можа гудзець (дапамагае антыгул), тэкст можа расплывацца (праверка тэксту знойдзе дзе), некаторыя інструменты YuE2 грае рэдка або не грае зусім (іх навучыць LoRA)больш
што трэбавідэакарта NVIDIA (24 ГБ на ўсё ў поўнай дакладнасці; 12–16 ГБ і 8 ГБ з меншымі копіямі), Linux, 34–41 ГБ дыскабраўзер

«—»: такога мы не знайшлі за больш як паўгода на платных тарыфах SUNO. SUNO мяняецца хутка; табліца на лістапад 2026.

Рынг: YuE2 супраць SUNO v6 і Musicful

Дваццаць картак, у кожнай радок стылю і тэкст, адпраўленыя без зменаў кожнаму боку. SUNO v6 і Musicful V3 — такімі, якімі іх аддаюць іх сэрвісы; нашы — сырымі з рухавіка, нанова праспяванымі ў лістападзе з усімі пікамі цэлымі: стокавая YuE2-3B, наш уласны файнцюн RS-FW на трох яго захаваннях і RS-TW 2.0. Тут кожны файл гучыць з аднолькавай гучнасцю, так што ніхто не выйграе тым, што гучнейшы. Націск на імя ўключае яго; іншае імя на той жа картцы працягвае з той жа секунды.

RS-TW 2.0 — наш другі файнцюн: яго эпоха 2.0, злітая паверх RS-FW 2.4 з дзвюма сіламі: ×0.75 — надзейны баланс, ×0.9 — тэктоніка, без гарантыі стабільнасці. Нашых — па два сіды на картку, абодва тут, ніводзін не абраны замест іншага: перамыкач у плэеры дае сід 1 або сід 2 і трымае яго ад карткі да карткі, а сярэднія ў табліцы лічаць абодва.

01 Рок-балада ru
02 Сінці-поп ru
03 Фолк-поп з бандурай uk
05 Госпел en-US
07 Брыт-поп, брытанскі акцэнт en-UK
08 Ліквід драм-н-бэйс en-UK
09 Чыкагскі дрыл en
10 Чыкагскі блюз en
11 Шансон, вальс fr
13 Поп-опера, тэнар it
15 Рэбетыка, бузукі el
17 J-pop, апенінг анімэ ja
18 Сіці-поп ja
19 Балада на мандарынскай zh
20 Кітайскі фолк-ф'южн zh
21 Фаду pt-PT
22 Боса-нова pt-BR
23 Самба pt-BR
24 Дудук, наша ўласнае поле ru
25 Індастрыял-метал ru
замерана сырым, сярэдніяSUNO v6Musicful V3YuE2‑3BRuach Studio (RS-…): файнтюны YuE2 3B
FW 0.7FW 1.5FW 2.4TW 2.0 ×0.75TW 2.0 ×0.9
памылка Whisper па тэксце, на міксе, % ⁠↧23.119.520.019.924.821.823.026.1
памылка Whisper па тэксце, на вылучаным голасе, % ⁠↧27.418.921.624.831.128.829.533.7
пясок у цішы, 6–16 kHz, dB ⁠↧-15.7-14.8-17.6-18.1-17.3-17.3-17.9-17.5
выпадковыя стаячыя тоны ⁠↧2.21.94.332.02.272.232.151.6
гудзенне дэкодара 25 Hz на верхах, dB ⁠↧8.38.011.411.611.611.511.611.1
пстрычкі ⁠↧33.433.827.731.935.334.734.532.8
участкі кліпінгу ⁠↧0.00.00.00.00.00.00.00.0
узровень шуму ў самай ціхай дзясятай частцы, dBFS ⁠↧-26.6-25.2-27.7-27.6-27.0-26.6-27.1-28.2
верх спектра, kHz ⁠↥17.915.315.814.814.915.115.214.7
частата спаду 95%, kHz ⁠↥2.52.62.22.12.22.01.71.7
доля саба 20–60 Hz, dB ⁠↥-8.6-10.2-10.0-9.6-9.9-10.4-10.0-9.8
гучнасць як аддадзена, LUFS ⁠→ ⁠−14-15.5-14.3-14.5-14.7-14.7-14.4-14.6-14.8
сапраўдны пік як аддадзены, dBTP ⁠→ ⁠−1,0-3.4-0.5-0.2-0.2-0.1-0.2-0.3-0.1
доля баса 60–150 Hz, dB ⁠↥-6.0-5.6-4.3-4.8-4.5-4.5-4.4-4.8
доля зоны прысутнасці 2–5 kHz, dB ⁠↥-17.1-16.6-16.0-16.3-16.2-16.2-17.3-16.9
пік-фактар, dB ⁠↥14.415.716.516.516.616.316.216.6
дыяпазон гучнасці, LU ⁠↥5.96.27.16.66.56.46.67.1
раскід гучнасці p95−p10, dB ⁠↥9.49.011.510.810.410.310.811.7
раскід нізоў p95−p10, dB ⁠↥23.320.021.921.120.619.722.022.6
стэрэакарэляцыя на сярэдніх ⁠↥0.670.690.750.770.730.740.770.76
працягласць, с ⁠↥156.8154.5148.6148.1154.8151.9152.8149.7

першае · другое · трэцяе з васьмі ў кожным радку, першае яшчэ і паўтлустым; ↥ — больш лепш, ↧ — менш лепш, → — лепш бліжэй да паказанага значэння, сапраўдны пік — знізу. Клеткі з аднолькавым лікам — аднаго колеру.

Кожны бок Whisper large-v3 слухае на RTX 3090, і мікс, і голас аднолькава: першы радок Whisper — на міксе, другі — на вылучаным голасе, дзе BS-Roformer аддзяляе ад музыкі ўсе галасы трэка — вядучы, бэк-вакал і хор разам, ніколі не адзін вядучы. Без музыкі Whisper часам губляе цэлыя радкі тэксту і піша ў паўзах словы, якіх ніхто не спяваў, — у кожнага боку, таму абодва радкі лепш чытаць разам.

FW і TW — кодавыя імёны двух нашых файнтюнаў YuE2 3B: First Wave і Tsunami Wave. Tsunami Wave вучыўся на 109 250 трэках, каля 6 650 гадзін: 66,7 % гадзін — інструментал, 31,6 % — спеў, 1,8 % — маўленне. Галасы гучаць па-англійску (7,0 % гадзін), па-руску (5,8 %), на іўрыце (1,7 %), па-грэцку і па-ўкраінску (па 0,6 %), па-французску і па-іспанску (па 0,5 %), па-партугальску (0,3 %), па-італьянску (0,2 %) і яшчэ на чатырнаццаці мовах, менш за 0,1 % кожная; у 15,9 % гадзін голас чуваць, але яго мова не вызначана.

Іх трэкі прыходзяць адмастэранымі, нашы — сырымі, на ўласным узроўні дэкодэра, з усімі пікамі цэлымі: гучнасць пакінута мастэрынгу, а гэта справа Гранільшчыка Студыі. Іншыя сіды і іншыя промпты гучаць па-іншаму ў кожнага боку; рынг паказвае якасць і разлёт, а не канчатковы рэйтынг. Уся табліца і тое, як яе вымералі: картка мадэлі.

Слоўнікі Tsunami Wave і Першай хвалі

Кожнае слова, якое пачулі два нашы файнцюны, палічана, і па ім ёсць пошук: 109 250 навучальных трэкаў Tsunami Wave і 32 633 трэкі Першай хвалі да яго. Жанры, інструменты, голас, словы эмоцый, якія даў сам гук, танальнасці і BPM, і ключы партытур. Мала які файнцюн паказвае, што казалі яго мадэлі.

Што кажа спектр

Рынг, вымераны, а не пачуты: 280 трэкаў, па 40 на кожны з шасці нашых бакоў, 20 ад SUNO v6 і 20 ад Musicful V3. Кожны трэк спачатку прыведзены да −14 LUFS, каб гучнасць нічога не выйгравала, а кожная крывая — гэта ўзровень трэка па палосах адносна ўсёй яго магутнасці: параўноўваецца толькі форма. Нашы — сыры выхад рухавіка, іх — адмастэраныя, таму частка разрываў ніжэй — заслуга мастэрынгу.

Сярэдні трацінаактаўны спектр васьмі бакоў рынгу, ад 20 Hz да 20 kHzСярэдні трацінаактаўны спектр васьмі бакоў рынгу, ад 20 Hz да 20 kHz

Адна крывая — да апошняй актавы

Ад 100 Hz да 10 kHz сярэднія крывыя ўсіх васьмі бакоў трымаюцца ў межах 5,2 dB адна ад адной. Вышэй за 16 kHz яны разыходзяцца. Musicful V3 не трымае нічога вышэй за 16 kHz у 38 трэках з 40: на 20 kHz яго сярэдняе ляжыць на −90,6 dB — сцяна там, дзе ў астатніх схіл. SUNO v6 трымае ўверсе найбольш, −31,0 dB у паласе 16–20 kHz; нашы — ад −39,3 да −42,3 dB, і таксама часам абрываюцца на 16 kHz: у 1–6 трэках з 40, найчасцей у RS-TW 2.0 ×0.9.

Паласа паветра (8–16 kHz) і верхняя паласа (16–20 kHz) кожнага боку, у dB ад магутнасці трэкаПаласа паветра (8–16 kHz) і верхняя паласа (16–20 kHz) кожнага боку, у dB ад магутнасці трэка

Паветра: у іх ярчэй на 2,3–4,6 dB

У паласе паветра, 8–16 kHz, SUNO v6 і Musicful V3 стаяць на −19,4 і −19,6 dB ад магутнасці сваіх трэкаў, шэсць нашых бакоў — ад −21,8 да −24,0 dB. Мастэрынг звычайна падымае паветра, а нашы яго не праходзілі: у Студыі гэта справа Гранільшчыка, калі песня ўжо праспявана.

Пік-фактар у dB і дыяпазон гучнасці ў LU для кожнага боку: сярэдняе і разлёт ад 10-га да 90-га перцэнтыляПік-фактар у dB і дыяпазон гучнасці ў LU для кожнага боку: сярэдняе і разлёт ад 10-га да 90-га перцэнтыля

Пікі і размах: нашы дыхаюць шырэй

Пік-фактар, пік над сярэднім: SUNO v6 — 14,4 dB, Musicful V3 — 15,7 dB, нашы — ад 16,2 да 16,6 dB. Дыяпазон гучнасці: у іх 5,9 і 6,0 LU, у нашых ад 6,4 да 7,0 LU. RS-TW 2.0 ×0.9 — самы шырокі з нашых файнцюнаў, 16,6 dB і 7,0 LU, такі ж, як стокавая YuE2-3B (16,5 dB, 7,0 LU): яго тэктоніка ў лічбах. ×0.75 больш сабраны: 16,2 dB і 6,6 LU.

Трацінаактаўны спектр Псалма 22 па-грэцку на чатырох сілах Tsunami WaveТрацінаактаўны спектр Псалма 22 па-грэцку на чатырох сілах Tsunami Wave

Чатыры сілы, адзін псалом

Сляпы набор: дванаццаць картак, праспяваных на чатырох сілах Tsunami Wave паверх RS-FW 2.4, з адным і тым жа сідам на кожнай сіле. На Псалме 22 па-грэцку крок ад ×0.75/0.75 да ×0.8/0.8 выняў з суббаса, 20–60 Hz, 36 dB, з −7,9 да −44,3 dB: з-пад песні сышла падлога. Па дванаццаці картках гойданне мякчэйшае — суббас у ×0.75/0.75 стаіць на −8,5 dB, у трох астатніх — ад −10,4 да −11,0 dB, — і ×0.75/0.75 бліжэй за ўсіх да ўласнай медыяннай крывой рынгу на 6 картках з 12: у сярэднім 4,1 dB супраць 4,8–5,2 dB. Таму ×0.75 становіцца мадэллю Студыі па змаўчанні ў 2.0.6, а ×0.9 — той, што не абяцае стабільнасці.

Вымерана нашым уласным кодам на CPU: трацінаактаўныя палосы са спектра Уэлча, гучнасць і яе дыяпазон — паводле ITU-R BS.1770-4 і EBU Tech 3342. Кожная карцінка па пстрычцы адкрываецца большай.

Што кажа стэрэа

280 трэкаў рынгу, вымераных на шырыню. У кожнай з чатырох палос бакавы сігнал, палова рознасці двух каналаў, параўноўваецца з цэнтрам, паловай іх сумы: чым вышэй бакавы сігнал над цэнтрам у dB, тым шырэй гучыць паласа, а ў трэка ў мона бакавога сігналу няма зусім. Панарама — гэта тое, наколькі далёка гуляе рознасць узроўняў левага і правага канала за трэк, ад 5-га да 95-га працэнтыля, у dB. Кожны лік — медыяна трэкаў боку: 20 у SUNO v6 і ў Musicful V3, па 40 у кожнага з нашых. Шырэй тут не значыць лепш, толькі шырэй: месцаў у гэтай табліцы няма.

−20−16−12−8−4dB20–200 Hz0.2–2 kHz2–8 kHz8–20 kHz
  • SUNO v6
  • Musicful V3
  • YuE2-3B
  • RS-FW 0.7 · 1.5 · 2.4
  • RS-TW 2.0 ×0.75
  • RS-TW 2.0 ×0.9

Бакавы сігнал над цэнтрам у чатырох палосах, dB, медыяны трэкаў кожнага боку: чым вышэй, тым шырэй.

замерана сырым, медыяныбакавы сігнал над цэнтрам, dBпанарама, dB
бас
20–200 Hz
сярэдзіна
0,2–2 kHz
верх
2–8 kHz
паветра
8–20 kHz
SUNO v6−12.5−7.0−6.8−9.66.4
Musicful V3−13.0−7.2−5.9−7.96.6
YuE2-3B−17.4−8.2−7.9−10.66.4
RS-FW 0.7−17.2−8.5−7.3−10.95.9
RS-FW 1.5−17.4−7.5−6.6−10.26.3
RS-FW 2.4−16.5−8.0−7.9−11.26.4
RS-TW 2.0 ×0.75−19.0−8.1−7.9−11.66.0
RS-TW 2.0 ×0.9−20.1−8.9−8.2−12.05.9

Нашы зліцці трымаюць сярэдзіну і верх там жа, дзе стокавая YuE2-3B, не далей за 1,3 dB ад яе. RS-TW 2.0 крыху вузейшая па краях: ×0.75 — на 1,6 dB у басе, на 1,0 dB у паветры і на 0,4 dB у панараме, ×0.9 — на 2,7, 1,4 і 0,5 dB. SUNO v6 і Musicful V3 раскрываюць бас на 4,9 і 4,4 dB шырэй за стокавую YuE2-3B.

На слых Віктара вузейшыя краі RS-TW 2.0 гучаць устойлівей, а не як страчанае стэрэа: стокавая YuE2-3B часта паркуе гітару ў адным канале на 15–20 секунд.

Вымерана нашым уласным кодам на CPU: кароткачасовы спектр на 4096 кропак кожныя 50 ms па першых 240 секундах кожнага трэка, цэнтр і бакавы сігнал як (L+R)/2 і (L−R)/2, панарама — па рознасці ўзроўняў каналаў у 200 Hz – 8 kHz, у момантах у межах 40 dB ад самага гучнага ў трэку.

Што трэба

Машына

  • Відэакарта NVIDIA: 24 ГБ, каб усё ішло ў поўнай дакладнасці; на 12–16 ГБ і 8 ГБ ідзе з меншымі копіямі (Відэографу патрэбныя 24 ГБ)
  • Linux (створана на Ubuntu 24.04, CUDA 12.8)
  • Каля 34–41 ГБ дыска, паводле замераў свежых усталёвак: праграма і яе Python (17 ГБ), мадэлі (ад 17 да 24 ГБ паводле карты, іх спампоўвае, замацоўвае і правярае fetch-models.sh); мадэлі Мастака яшчэ 39–43 ГБ, наборы 💎 5,6 ГБ, кожнае толькі калі папросіце

Экран

  • Створана для акна браўзера 1920×1080 пры 100 %
  • Ідэал: 2K (2560×1440), ад 22″, 16:9 або шырэй
  • Дзве тэмы для доўгіх гадзін творчасці: Scroll & Brick удзень, Scroll by Lamplight уначы, і яшчэ 20

Па жаданні

  • Чат-сервер для Пісьменніка (vLLM, LM Studio, Ollama) або ключ OpenRouter
  • DAW: REAPER, Waveform 14+, Bitwig
  • Больш відэакарт: навучанне і задачы лабараторыі побач з песнямі

Не для бясплатных воблачных GPU. Ruach Studio не запусціцца ў Google Colab, Kaggle ці на любым бясплатным GPU для нататнікаў, так што не марнуй на гэта вечар: гэта цэлая Студыя, а не нататнік. Яна збірае свой рухавік на C++/CUDA на той машыне, дзе жыве, трымае побач сервер і лабараторыю сэрвісаў на Python і займае каля 34–41 ГБ дыска (74–84 ГБ з Мастаком). Карта, памяць, дыск, які сціраецца, і шматгадзінны ліміт бясплатнага сеанса гэтага не вытрымаюць. Ёй патрэбны твой уласны камп'ютар на Linux або арандаваны сервер, які застаецца тваім, з картай NVIDIA: 24 ГБ на ўсё, 16 ГБ з меншымі копіямі мадэлі.

Што яна спампоўвае

Заменана пафайлава па замацаваных спісах рэпазіторыяў Студыі і на дыску свежай усталёўкі (1 ГБ = 10⁹ байтаў). Усталёўка прыносіць Творцу, Бібліятэкара і ланцужок Гранільшчыка; любы іншы пакой прыходзіць толькі па запыце, з Рухавік → Мадэлі і LoRA → Па пакоях: там спачатку мераецца вольнае месца на дыску, і не спампоўваецца тое, што не змесціцца.

карта на 24 ГБкарта на 12–16 ГБкарта на 8 ГБ
праграма і яе рухавік, сабраны тут (спампоўваецца 0,2 ГБ)0,9 ГБ0,9 ГБ0,9 ГБ
два яе Python, у кожным PyTorch для CUDA 12.8 (спампоўваецца 8,7 ГБ)16,5 ГБ16,5 ГБ16,5 ГБ
YuE2 і ўласны файнцюн Ruach Studio, у кванце пад карту14,9 ГБ8,2 ГБ8,2 ГБ
астатняе: яшчэ два дэкодэры, транскрайбер, Whisper, мадэлі стэмаў, UniverSR і Apollo-vocal, LoRA8,8 ГБ8,8 ГБ8,8 ГБ
усталёўка41,1 ГБ34,4 ГБ34,4 ГБ
+ Пісьменнік: яго моўная мадэль праз llama.cpp7,4 ГБ7,4 ГБ6,2 ГБ
+ Гранільшчык: MuScriptor і FlashSR6,1 ГБ6,1 ГБ6,1 ГБ
+ Мастак: яго памочнікі і Qwen-Image 2512 (Q6 на 24 ГБ, Q4 ніжэй)42,9 ГБ39,3 ГБ39,3 ГБ
+ Відэограф: MiniMax H3 і SeedVR286,3 ГБпатрэбна карта на 24 ГБпатрэбна карта на 24 ГБ
+ Трэнер LoRA: яго база і слухач стылю20,2 ГБ16,3 ГБ12,9 ГБ
усе пакоі204,0 ГБ103,5 ГБ98,9 ГБ

Толькі па асобным запыце: астатнія гукавыя рухавікі (зліцці IRA, IRAE і RS-FW, ад 35 да 86 ГБ па кванце), адаптары Мастака (7,5 ГБ) і файнцюны (па 20,4 ГБ), усе ўзроўні MiniMax H3 (201 ГБ) або BF16 (478 ГБ), наборы 💎 (5,6 ГБ). Не ўлічана: драйвер NVIDIA і CUDA toolkit, Pianoteq (яго купляеш сам), твае сэмплы.

Што далей

2.0.5 — Студыя, у якой мы кожны дзень творым уласныя песні. Вось буйныя часткі на падыходзе, для 2.1.0 і далей.

  • Песні правяцца так, як іх піша мадэль. Сэмпл працягваецца з любога моманту; адрэзак пішацца нанова, захоўваючы голас, танальнасць і такты суседзяў, і сшываецца ва ўласных токенах мадэлі; інструментальны пласт кладзецца на партытуру самога сэмпла.
  • DAW, далей. Дарожка акордаў і сетка доляў над сэмплам, рэферэнс з любога сэмпла і піяна-рол, які запісвае ў партытуру тое, што ты іграеш на MIDI-клавіятуры.
  • Відэограф, далей. Тэкст песні на кліпе, слова за словам, і адзін колер на ўсе яго сцэны.
  • Наступная хваля нашага файнтюна. Вучыцца на тым, што YuE2 спявае горш за ўсё, і слухаецца ўсляпую, перш чым выйсці.
  • Натыўныя плагіны для REAPER, Waveform і Bitwig, калі Студыя знойдзе сваіх людзей.

Ліцэнзіі

Код

  • GNU AGPL, версія 3 або навейшая: кожны можа карыстацца, вывучаць, мяняць і перадаваць далей, а форк застаецца адкрытым, з зыходным кодам.

Імя і графіка

  • Лагатып, імя «Ruach Studio», а таксама аўдыя і карцінкі, апублікаваныя з імі: CC BY-NC-ND 4.0.

Мадэль

  • Вагі YuE2 — CC BY-NC 4.0. Іх ліцэнзія кажа пра вагі, а не пра песні, створаныя з імі: прачытай яе, перш чым прадаваць.

На чым стаіць

  • YuE2 і MERT-v2 ад m-a-p: мадэль
  • yue2.cpp ад ServeurpersoCom: рухавік на C++ па-над ggml, перанесены сюды са сваімі патчамі
  • YuE2 Kit ад IronWolve: аснова старонкі і скрыптоў
  • AI-Toolkit ад Ostris: код YuE2 у трэнеры перанесены адтуль
  • Mothersuperior: галава токенізатара realaudio і зліццё VAE
  • Qwen2.5-Omni (слухач), Whisper (праверка тэксту), BS-Roformer і htdemucs (стэмы), UniverSR (апскейл)
  • Qwen-Image 2512 ад Qwen, з Lightning ад lightx2v: вокладкі
  • YuE2 Studio: праверка партытуры; GTSinger: галасы для навучання

Маленькая гісторыя

Віктар Журомскі, аўтар Ruach Studio, публікуе яе не дзеля хайпу. Ён тварыў яе для сябе. Пасля больш як паўгода пакут з Suno на платных тарыфах і пошукаў годнай мадэлі (ACE-Step, MiniMax і іншыя) ён узяўся пабудаваць уласную аўдыястудыю, на сваёй машыне. Выбар упаў на YuE2: з усіх адкрытых мадэляў яна самая выгадная і самая вытанчаная.

Студыю ён тварыў не абы-як, абы працавала, а ў сваім стылі, бо і творчасць у яго свая, вытанчаная і непаўторная: уласныя пераклады, падрадкоўнікі і шмат іншага. Ён стараўся змясціць у яе максімум, адшліфаваць інтэрфейс да бляску, каб творчасць у Студыі была не тыцканнем і клікамі сярод мыліц і ям, а сапраўды прадуктыўнай.

Вось і ўся гісторыя. Цяпер гэтая Студыя і ваша.