Songs aus Wörtern und Akkorden
auf deiner eigenen Maschine

Sieben Räume, ein Studio

Der Schöpfer macht den Song, der Schreiber schreibt ihn mit einem Chatmodell, der Veredler vollendet ihn, der Maler malt seine Bilder, der Videograf plant sein Musikvideo, der Bibliothekar bewahrt jeden Take, und der LoRA-Trainer bringt YuE2 deine eigenen Songs bei. Ein Guide für jeden Raum ist im Studio.

Schöpfer

Stil, Text, Planungsmodus, Decoder, LoRAs auf einer Straße von Grün nach Rot; der Take mit seiner Partitur, seinen Seeds und allem, um ihn neu zu machen.

Schreiber

Songs als Dokumente mit Versionen, Textprofile und ein eigenes Chatmodell (oder OpenRouter), das mit dir entwirft und überarbeitet.

Veredler

Spektrum, Artefakte, Entbrummer, Liedtext-Prüfung mit Whisper, Stems, Remaster, Upscale; eine Kette führt alles aus.

Maler

Bilder für deine Songs aus einem eigenen Prompt: quadratisch, breit und hoch aus einem Seed, gemalt von Qwen-Image 2512; das Bild entsteht vor deinen Augen, und ein quadratisches wird zum Cover des Takes. Eine frühe Vorschau.

Videograf

Ein Musikvideo zum Take: sein Song in Einstellungen an den gesungenen Zeilen geschnitten, die Szenen mit dem Schreiber geschrieben, die Schlüsselbilder vom Künstler gemalt, die bewegten Einstellungen von MiniMax H3; eine Zeitleiste zum Schneiden, ein Look (3D-LUTs, Korn), ein Animatic und der Clip. Beta.

Bibliothekar

Jeder Take in Arbeitsbereichen: gesucht, geliked, notiert, gesperrt, mit Artwork versehen, an deine DAW geschickt; ein Papierkorb, der zurückgibt.

LoRA-Trainer

Adapter aus deinen eigenen Songs: das Set, der Lauf, die Kurven beider Hälften erklärt, die Epochen, die man zuerst hören sollte.

Der Spickzettel ♪

200 Instrumente nach Gehör geprüft und beurteilt: was YuE2 wirklich spielt, was es dünn spielt, was es nicht kennt.

Der Leitfaden · F1

Das ganze Studio im Studio erklärt, eine Taste entfernt: jeder Raum und jeder Regler, was er tut und welche Zahlen wir gemessen haben, in zwölf Sprachen. Gemacht für die Freude am Schaffen, nicht für stundenlanges Suchen im Netz.

Was es zu einem Studio macht

Nicht noch eine Modell-Hülle: eine Workstation rund um das Modell, offen bis auf die Knochen, jede Änderung nummeriert und dokumentiert.

• Ganze Songs, bis zu acht Minuten. Ein Song von 6:12 in 135 s; ein Song von 7:25 mit zuerst seiner Partitur in 212 s, auf einer einzigen RTX 3090.
• Zuerst die Partitur, und du bearbeitest sie. YuE2 schreibt Melodie und Akkorde als ABC, bevor ein Ton erklingt: ändere sie, transponiere sie, bring deine eigene Partitur oder MIDI mit, und der Song folgt ihr.
• Zwei Seeds, nicht einer. Behalte den Song (der Musik-Seed), hör ihn neu gerendert (der Klang-Seed).
• Dein eigener Klang. LoRA-Training auf deinen eigenen Songs, im Studio, unquantisiert (bf16), mit Telemetrie, die dir sagt, welche Epochen du zuerst hören solltest.
• Postproduktion, ganz lokal. Stems (BS-Roformer, htdemucs), Entbrummer, Remaster, Upscale (UniverSR), Liedtext-Prüfung mit Whisper.
• In deine DAW (experimentell). Ein REAPER-Projekt mit den Stems, der Partitur als MIDI, den Abschnitten und dem Text auf der Zeitleiste; DAWproject für Waveform und Bitwig.
• Texte, die den Takt halten. Die Schläge jeder Zeile gegen das Lineal ihres Abschnitts: Silben nach den eigenen Regeln jeder Sprache, und die Konsonanten, die einen eigenen Schlag nehmen; die Abschnitts-Tags angeboten, sobald du «[» tippst; verirrte Betonungszeichen gefunden.
• Ein Schreiber, der die Engine kennt. Der Stil als kurze Tags, das Wichtigste zuerst: so folgt YuE2 am besten.
• Mehrere GPUs, mehrere Jobs. Synthese auf einer Karte, Training auf den anderen; mit einer Karte sagt dir die Seite, was wartet.
• Für Skripte und Agenten. Eine API (OpenAPI 3.1) und ein MCP-Server auf deiner Maschine und in deinem Netz.
• Deine Sprache. Die ganze Seite und ihr Guide auf Englisch, Russisch, Ukrainisch, Belarussisch, Griechisch, Spanisch, Italienisch, Französisch, Portugiesisch, Deutsch, Japanisch und Chinesisch.

Ein Wächter gegen Unsinn

Wenn die Musikhälfte eine kaputte Partitur schreibt (zu weit getriebene Adapter tun das), stoppt die Engine den Lauf, bevor irgendeine Musik darauf gebaut wird, in Sekunden, und sagt warum: welche Adapter, wie weit über ihren Grenzen, was geschrieben wurde.

Stärken liegen auf gemessenen Straßen; gestapelte Adapter teilen sich eine gemessene Obergrenze.

Ein eigener LoRA-Trainer

Das Studio trainiert Adapter selbst, auf unquantisierten bf16-Gewichten. Gegen Ostris' AI-Toolkit auf demselben Set stimmt der Loss der Musikhälfte Epoche für Epoche auf 0.015 genau überein.

Rang 16 auf 148 Songs: 2.1 s pro Schritt in 12 GB. Rang 32 auf 42 ganzen Songs: 6.7 s pro Schritt in 18 GB.

Texte, die den Takt halten

Neben jeder Zeile ihre Schläge, gegen das Lineal ihres Abschnitts: Strophe und Bridge eine Gruppe, Pre-Chorus und Refrain jeweils ihre eigene. Eine Silbe wird nach den eigenen Regeln jeder Sprache gezählt, und die Konsonanten, die einen eigenen Schlag nehmen, zählen auch; eine Pause oder ein Zwischenspiel in einem Abschnitt öffnet keine neue Gruppe.

Tipp «[» am Zeilenanfang, und die Abschnitts-Tags werden angeboten, wie ein Code-Editor seine Wörter anbietet. Verirrte Betonungszeichen werden gefunden; Ctrl+F sucht nur in diesem Feld.

Ruach Studio und SUNO, ehrlich

Jede Woche erklärt irgendein Video, ein neues Modell mache SUNO den Garaus. Das hier ist kein Modell: es ist ein ganzes Studio um eines herum, mit einem eigenen Fine-Tune. Wo es gewinnt und wo SUNO noch gewinnt, klar gesagt.

«—»: nicht gefunden, in mehr als einem halben Jahr mit SUNOs Bezahltarifen. SUNO ändert sich schnell; Stand November 2026.

Der Ring: YuE2 gegen SUNO v6 und Musicful

Zwanzig Karten, jede mit einer Stilzeile und einem Text, unverändert an jede Seite geschickt. SUNO v6 und Musicful V3 so, wie ihre Dienste sie liefern; unsere roh aus der Engine, im November neu gesungen, jede Spitze ganz: das Standard-YuE2-3B, unser eigenes Fine-Tuning RS-FW an drei seiner Speicherstände und RS-TW 2.0. Hier spielt jede Datei in derselben Lautheit, damit keine gewinnt, weil sie lauter ist. Drück auf einen Namen, um zuzuhören; ein anderer Name auf derselben Karte macht an derselben Sekunde weiter.

RS-TW 2.0 ist unser zweites Fine-Tuning: seine Epoche 2.0, über RS-FW 2.4 in zwei Stärken gemergt: ×0.75, die sichere Balance, und ×0.9, tektonischer, ohne Gewähr für Stabilität. Unsere sind zwei Seeds pro Karte, beide hier, keiner dem anderen vorgezogen: der Schalter im Player gibt Seed 1 oder Seed 2 und behält ihn von Karte zu Karte, und die Mittelwerte der Tabelle zählen beide.

Erster · Zweiter · Dritter der acht in jeder Zeile, der Erste auch fett; ↥ höher ist besser, ↧ niedriger ist besser, → am besten der nächste am angegebenen Wert, der True Peak von unten. Zellen mit derselben Zahl teilen sich eine Farbe.

Jede Seite hört Whisper large-v3 auf einer RTX 3090, den Mix und die Stimme gleich: die erste Whisper-Zeile am Mix, die zweite an der getrennten Stimme, für die BS-Roformer alle Stimmen eines Takes von der Musik trennt, Lead, Backing Vocals und Chor zusammen, nie die Lead-Stimme allein. Ohne die Musik verliert Whisper manchmal ganze Zeilen und schreibt in die Pausen Wörter, die niemand gesungen hat, auf jeder Seite; die beiden Zeilen liest man daher am besten zusammen.

FW und TW sind die Codenamen unserer beiden Fine-Tunes von YuE2 3B: First Wave und Tsunami Wave. Tsunami Wave wurde auf 109.250 Tracks trainiert, rund 6.650 Stunden: 66,7 % der Stunden instrumental, 31,6 % gesungen, 1,8 % gesprochen. Die Stimmen sind auf Englisch (7,0 % der Stunden), Russisch (5,8 %), Hebräisch (1,7 %), Griechisch und Ukrainisch (je 0,6 %), Französisch und Spanisch (je 0,5 %), Portugiesisch (0,3 %), Italienisch (0,2 %) und in vierzehn weiteren Sprachen unter je 0,1 %; in 15,9 % der Stunden ist eine Stimme zu hören, deren Sprache nicht bestimmt wurde.

Ihre kommen gemastert, unsere roh, im eigenen Pegel des Decoders, jede Spitze ganz: die Lautheit bleibt dem Mastering, der Sache des Veredlers des Studios. Andere Seeds und andere Prompts klingen auf jeder Seite anders; der Ring zeigt die Qualität und die Streuung, keine endgültige Rangliste. Die ganze Tabelle und wie sie gemessen wurde: die Modellkarte.

Was das Spektrum sagt

Der Ring gemessen statt gehört: 280 Tracks, 40 für jede unserer sechs Seiten, 20 von SUNO v6 und 20 von Musicful V3. Jeder Track wurde zuerst auf −14 LUFS gebracht, damit Lautheit nichts gewinnt, und jede Kurve ist der eigene Pegel des Tracks, Band für Band, gegen seine ganze Leistung: verglichen wird nur die Form. Unsere sind die rohe Ausgabe der Engine, ihre kommen gemastert, also gehört ein Teil der Abstände unten dem Mastering.

Gemessen mit unserem eigenen Code auf der CPU: Terzbänder aus einem Welch-Spektrum, Lautheit und ihr Umfang nach ITU-R BS.1770-4 und EBU Tech 3342. Jedes Bild öffnet sich mit einem Klick größer.

Was das Stereo sagt

Die 280 Takes des Rings, auf ihre Breite gemessen. In jedem von vier Bändern wird das Seitensignal, die halbe Differenz der beiden Kanäle, dem Mittensignal gegenübergestellt, ihrer halben Summe: Je höher das Seitensignal über dem Mittensignal in dB liegt, desto breiter klingt das Band, und ein Take in Mono hätte gar kein Seitensignal. Das Panorama ist, wie weit der Pegelunterschied zwischen linkem und rechtem Kanal über einen Take schwankt, von seinem 5. bis zu seinem 95. Perzentil, in dB. Jede Zahl ist der Median der Takes einer Seite, 20 bei SUNO v6 und bei Musicful V3, 40 bei jeder der unseren. Breiter ist hier nicht besser, nur breiter: Diese Tabelle vergibt keine Plätze.

Unsere Merges halten Mitten und Höhen dort, wo das Standard-YuE2-3B sie hat, nirgends mehr als 1,3 dB davon entfernt. RS-TW 2.0 ist an den Rändern etwas schmaler: ×0.75 um 1,6 dB im Bass, 1,0 dB in der Luft und 0,4 dB im Panorama, ×0.9 um 2,7, 1,4 und 0,5 dB. SUNO v6 und Musicful V3 öffnen den Bass 4,9 und 4,4 dB breiter als das Standard-YuE2-3B.

Für Viktors Ohr klingen die schmaleren Ränder von RS-TW 2.0 ruhiger, nicht nach verlorenem Stereo: Das Standard-YuE2-3B parkt eine Gitarre oft 15 bis 20 Sekunden lang in einem Kanal.

Gemessen mit unserem eigenen Code auf der CPU: ein Kurzzeitspektrum mit 4096 Punkten alle 50 ms über die ersten 240 Sekunden jedes Takes, Mitte und Seite als (L+R)/2 und (L−R)/2, das Panorama aus dem Pegelunterschied der Kanäle in 200 Hz – 8 kHz, in den Momenten innerhalb von 40 dB vom lautesten des Takes.

Was du brauchst

Was es herunterlädt

Datei für Datei gemessen an den festgepinnten Listen der Repositories des Studios und auf der Platte einer frischen Installation (1 GB = 10⁹ Byte). Die Installation bringt den Schöpfer, den Bibliothekar und die Kette des Veredlers; jeder andere Raum kommt nur, wenn du ihn anforderst, über Engine → Modelle und LoRAs → Nach Räumen, das zuerst den freien Platz misst und nichts holt, was nicht passen würde.

Nur, wenn du es beim Namen anforderst: die übrigen Klang-Engines (die Merges IRA, IRAE und RS-FW, 35 bis 86 GB je nach Quant), die Adapter des Malers (7,5 GB) und seine Fine-Tunes (je 20,4 GB), alle Stufen von MiniMax H3 (201 GB) oder BF16 (478 GB), die 💎-Sets (5,6 GB). Nicht gezählt: der NVIDIA-Treiber und das CUDA-Toolkit, Pianoteq (kaufst du selbst), deine Takes.

Was als Nächstes kommt

2.0.5 ist das Studio, in dem wir jeden Tag unsere eigenen Songs machen. Das sind die größeren Teile auf dem Weg, für 2.1.0 und danach.

• Songs bearbeitet, wie das Modell sie schreibt. Ein Take ab jedem Moment verlängert; ein Abschnitt neu geschrieben, mit Stimme, Tonart und Takten seiner Nachbarn, in den eigenen Tokens des Modells vernäht; eine Instrumentalschicht auf der eigenen Partitur des Takes.
• Die DAW, weiter. Eine Akkordspur und ein Taktraster über dem Take, eine Referenz aus jedem Take und eine Pianorolle, die dein MIDI-Keyboard in die Partitur schreibt.
• Der Videograf, weiter. Der Songtext auf dem Clip, Wort für Wort, und eine Farbe über alle seine Szenen.
• Die nächste Welle unseres Fine-Tunes. Trainiert auf dem, was YuE2 am schlechtesten singt, und blind gehört, bevor sie erscheint.
• Native Plugins für REAPER, Waveform und Bitwig, sobald das Studio seine Leute gefunden hat.

Lizenzen

Auf den Schultern von

• YuE2 und MERT-v2 von m-a-p: das Modell
• yue2.cpp von ServeurpersoCom: die C++-Engine auf ggml, hier mit eigenen Patches weitergetragen
• YuE2 Kit von IronWolve: die Basis der Seite und der Skripte
• AI-Toolkit von Ostris: der YuE2-Code des Trainers wurde daraus portiert
• Mothersuperior: der realaudio-Tokenizer-Kopf und der VAE-Merge
• Qwen2.5-Omni (der Zuhörer), Whisper (die Liedtext-Prüfung), BS-Roformer und htdemucs (Stems), UniverSR (Upscale)
• Qwen-Image 2512 von Qwen, mit Lightning von lightx2v: das Artwork
• YuE2 Studio: der Partiturprüfer; GTSinger: Stimmen zum Trainieren