Τραγούδια από λέξεις και συγχορδίες
στο δικό σου μηχάνημα

Επτά δωμάτια, ένα Στούντιο

Ο Δημιουργός φτιάχνει το τραγούδι, ο Συγγραφέας το γράφει με ένα μοντέλο συνομιλίας, ο Γυαλιστής το τελειώνει, ο Καλλιτέχνης ζωγραφίζει τις εικόνες του, ο Βιντεογράφος σχεδιάζει το βίντεο κλιπ του, ο Βιβλιοθηκάριος κρατά κάθε λήψη και ο Εκπαιδευτής LoRA μαθαίνει στο YuE2 τα δικά σου τραγούδια. Ένας οδηγός για κάθε δωμάτιο βρίσκεται μέσα στο Στούντιο.

Δημιουργός

Ύφος, στίχοι, τρόπος σχεδιασμού, αποκωδικοποιητής, LoRA σε έναν δρόμο από το πράσινο στο κόκκινο· η λήψη με την παρτιτούρα της, τους σπόρους της και ό,τι χρειάζεται για να ξαναγίνει.

Συγγραφέας

Τραγούδια ως έγγραφα με εκδόσεις, προφίλ κειμένου και ένα δικό σου μοντέλο συνομιλίας (ή το OpenRouter) που γράφει πρόχειρα και διορθώνει μαζί σου.

Γυαλιστής

Φάσμα, ελαττώματα, αντιβόμβος, έλεγχος στίχων με το Whisper, stems, remaster, αναβάθμιση· μία αλυσίδα τα τρέχει όλα.

Καλλιτέχνης

Εικόνες για τα τραγούδια σου από ένα δικό σου prompt: τετράγωνη, φαρδιά και ψηλή από έναν σπόρο, τις ζωγραφίζει το Qwen-Image 2512· η εικόνα εμφανίζεται μπροστά στα μάτια σου, και μια τετράγωνη γίνεται το εξώφυλλο της λήψης. Πρώιμη προβολή.

Βιντεογράφος

Ένα βίντεο κλιπ για τη λήψη: το τραγούδι κομμένο σε πλάνα στους τραγουδισμένους στίχους, οι σκηνές γραμμένες με τον Συγγραφέα, τα βασικά καρέ ζωγραφισμένα από τον Καλλιτέχνη, τα κινούμενα πλάνα από το MiniMax H3· ένα χρονολόγιο για μοντάζ, μια όψη (3D LUT, κόκκος), ένα animatic και το κλιπ. Beta.

Βιβλιοθηκάριος

Κάθε λήψη σε χώρους: αναζητήσιμη, με «μου αρέσει», με σημειώσεις, κλειδωμένη, με εξώφυλλο, σταλμένη στο DAW σου· ένας κάδος που επιστρέφει.

Εκπαιδευτής LoRA

Προσαρμογείς από τα δικά σου τραγούδια: το σύνολο, η εκπαίδευση, οι καμπύλες και των δύο μισών εξηγημένες, οι εποχές που αξίζει να ακούσεις πρώτες.

Το σκονάκι ♪

200 όργανα δοκιμασμένα και κριμένα με το αυτί: τι παίζει πραγματικά το YuE2, τι παίζει αδύναμα και τι δεν ξέρει.

Ο οδηγός · F1

Όλο το Στούντιο εξηγημένο μέσα στο ίδιο το Στούντιο, ένα πλήκτρο μακριά: κάθε δωμάτιο και κάθε ρύθμιση, τι κάνει και τα νούμερα που μετρήσαμε, σε δώδεκα γλώσσες. Φτιαγμένο για τη χαρά της δημιουργίας, όχι για ώρες ψαξίματος στο διαδίκτυο.

Τι το κάνει Στούντιο

Όχι άλλο ένα περιτύλιγμα μοντέλου: ένας σταθμός εργασίας γύρω από το μοντέλο, ανοιχτός ως το κόκαλο, κάθε αλλαγή αριθμημένη και τεκμηριωμένη.

• Ολόκληρα τραγούδια, έως οκτώ λεπτά. Ένα τραγούδι 6:12 σε 135 δευτ.· ένα τραγούδι 7:25 με την παρτιτούρα πρώτα σε 212 δευτ., σε μία RTX 3090.
• Πρώτα η παρτιτούρα, και είναι δική σου να την αλλάξεις. Το YuE2 γράφει τη μελωδία και τις συγχορδίες σε ABC πριν ακουστεί μια νότα: άλλαξέ τες, μετάφερέ τες, φέρε τη δική σου παρτιτούρα ή MIDI, και το τραγούδι την ακολουθεί.
• Δύο σπόροι, όχι ένας. Κράτα το τραγούδι (ο μουσικός σπόρος), άκουσέ το αποδοσμένο ξανά (ο ηχητικός σπόρος).
• Ο δικός σου ήχος. Εκπαίδευση LoRA στα δικά σου τραγούδια, μέσα στο Στούντιο, χωρίς κβάντιση (bf16), με τηλεμετρία που σου λέει ποιες εποχές να ακούσεις πρώτες.
• Μεταπαραγωγή, όλη τοπικά. Stems (BS-Roformer, htdemucs), αντιβόμβος, remaster, αναβάθμιση (UniverSR), έλεγχος στίχων με το Whisper.
• Στο DAW σου (πειραματικό). Ένα έργο REAPER με τα stems, την παρτιτούρα ως MIDI, τις ενότητες και τους στίχους στη χρονογραμμή· DAWproject για Waveform και Bitwig.
• Στίχοι που κρατούν τον χρόνο. Οι χτύποι κάθε γραμμής απέναντι στον χάρακα του μέρους της: οι συλλαβές με τους κανόνες κάθε γλώσσας και τα σύμφωνα που παίρνουν δικό τους χτύπο· οι ετικέτες των μερών προτείνονται καθώς γράφεις «[»· οι τόνοι εκτός θέσης βρίσκονται.
• Ένας συγγραφέας που ξέρει τη μηχανή. Το ύφος σε σύντομες ετικέτες, το σημαντικότερο πρώτα: έτσι το YuE2 ακολουθεί καλύτερα.
• Πολλές GPU, πολλές εργασίες. Σύνθεση σε μία κάρτα, εκπαίδευση στις άλλες· με μία κάρτα η σελίδα σου λέει τι περιμένει.
• Για σενάρια και πράκτορες. Ένα API (OpenAPI 3.1) και ένας διακομιστής MCP στο μηχάνημά σου και στο δίκτυό σου.
• Η γλώσσα σου. Όλη η σελίδα και ο οδηγός της στα αγγλικά, ρωσικά, ουκρανικά, λευκορωσικά, ελληνικά, ισπανικά, ιταλικά, γαλλικά, πορτογαλικά, γερμανικά, ιαπωνικά και κινεζικά.

Ένας φύλακας κατά των σκουπιδιών

Όταν το μουσικό μισό γράφει χαλασμένη παρτιτούρα (το κάνουν προσαρμογείς σπρωγμένοι πολύ μακριά), η μηχανή σταματά την εκτέλεση πριν χτιστεί πάνω της οποιαδήποτε μουσική, σε δευτερόλεπτα, και λέει γιατί: ποιοι προσαρμογείς, πόσο πέρα από τα όριά τους, τι γράφτηκε.

Οι εντάσεις κάθονται σε μετρημένους δρόμους· οι στοιβαγμένοι προσαρμογείς μοιράζονται ένα μετρημένο ταβάνι.

Ο δικός του εκπαιδευτής LoRA

Το Στούντιο εκπαιδεύει μόνο του προσαρμογείς, σε μη κβαντισμένα βάρη bf16. Απέναντι στο AI-Toolkit του Ostris στο ίδιο σύνολο, η απώλεια του μουσικού μισού συμφωνεί εποχή προς εποχή μέσα σε 0.015.

Rank 16 σε 148 τραγούδια: 2.1 δευτ. ανά βήμα σε 12 GB. Rank 32 σε 42 ολόκληρα τραγούδια: 6.7 δευτ. ανά βήμα σε 18 GB.

Στίχοι που κρατούν τον χρόνο

Δίπλα σε κάθε γραμμή οι χτύποι της, απέναντι στον χάρακα του μέρους της: η στροφή και η γέφυρα μία ομάδα, το προ-ρεφρέν και το ρεφρέν δικές τους. Η συλλαβή μετριέται με τους κανόνες κάθε γλώσσας, και τα σύμφωνα που παίρνουν δικό τους χτύπο μετρούν κι αυτά· μια παύση ή ένα ιντερλούδιο μέσα σε ένα μέρος δεν ανοίγει νέα ομάδα.

Γράψε «[» στην αρχή μιας γραμμής και οι ετικέτες των μερών προτείνονται, όπως ένας επεξεργαστής κώδικα προτείνει λέξεις. Οι τόνοι εκτός θέσης βρίσκονται· το Ctrl+F ψάχνει μόνο σε εκείνο το πεδίο.

Το Ροῦαχ Στούντιο και το SUNO, ειλικρινά

Κάθε εβδομάδα κάποιο βίντεο λέει ότι κάποιο μοντέλο σκοτώνει το SUNO. Αυτό δεν είναι μοντέλο: είναι ένα ολόκληρο Στούντιο γύρω από ένα, με δικό του fine-tune. Πού κερδίζει και πού κερδίζει ακόμη το SUNO, ειπωμένο καθαρά.

«—»: δεν το βρήκαμε, σε περισσότερους από έξι μήνες στα πληρωμένα πακέτα του SUNO. Το SUNO αλλάζει γρήγορα· ο πίνακας ισχύει τον Νοέμβριο του 2026.

Το ρινγκ: το YuE2 απέναντι στο SUNO v6 και στο Musicful

Είκοσι κάρτες, η καθεμιά με μια γραμμή ύφους και στίχους, σταλμένες αμετάβλητες σε κάθε πλευρά. Τα SUNO v6 και Musicful V3 όπως τα παραδίδουν οι υπηρεσίες τους· τα δικά μας ωμά από τη μηχανή, τραγουδισμένα ξανά τον Νοέμβριο με κάθε κορυφή ακέραιη: το βασικό YuE2-3B, το δικό μας fine-tune RS-FW σε τρία από τα σημεία αποθήκευσής του και το RS-TW 2.0. Εδώ κάθε αρχείο παίζει στην ίδια ένταση, ώστε κανένα να μην κερδίζει επειδή είναι πιο δυνατό. Πάτησε ένα όνομα για να ακούσεις· ένα άλλο όνομα στην ίδια κάρτα συνεχίζει από το ίδιο δευτερόλεπτο.

Το RS-TW 2.0 είναι το δεύτερο δικό μας fine-tune: η εποχή του 2.0, συγχωνευμένη πάνω στο RS-FW 2.4 σε δύο ισχύεις: ×0.75, η ασφαλής ισορροπία, και ×0.9, πιο τεκτονικό, χωρίς εγγύηση σταθερότητας. Τα δικά μας είναι δύο σπόροι ανά κάρτα, και οι δύο εδώ, κανένας δεν προτιμήθηκε από τον άλλον: ο διακόπτης στο πρόγραμμα αναπαραγωγής δίνει τον σπόρο 1 ή τον σπόρο 2 και τον κρατά από κάρτα σε κάρτα, και οι μέσοι όροι του πίνακα μετρούν και τους δύο.

πρώτο · δεύτερο · τρίτο από τα οκτώ σε κάθε γραμμή, το πρώτο και με έντονα· ↥ υψηλότερο είναι καλύτερο, ↧ χαμηλότερο είναι καλύτερο, → καλύτερο το πλησιέστερο στην τιμή που δείχνει, η πραγματική κορυφή από κάτω. Κελιά με τον ίδιο αριθμό έχουν το ίδιο χρώμα.

Κάθε πλευρά την ακούει το Whisper large-v3 σε μια RTX 3090, και τη μίξη και τη φωνή με τον ίδιο τρόπο: η πρώτη γραμμή του Whisper στη μίξη, η δεύτερη στη διαχωρισμένη φωνή, όπου το BS-Roformer χωρίζει από τη μουσική όλες τις φωνές του κομματιού, την κύρια, τα δεύτερα φωνητικά και τη χορωδία μαζί, ποτέ μόνο την κύρια. Χωρίς τη μουσική το Whisper χάνει κάποτε ολόκληρους στίχους και γράφει στις παύσεις λέξεις που δεν τραγούδησε κανείς, σε κάθε πλευρά, γι' αυτό οι δύο γραμμές διαβάζονται καλύτερα μαζί.

FW και TW είναι τα κωδικά ονόματα των δύο δικών μας fine-tunes του YuE2 3B: First Wave και Tsunami Wave. Το Tsunami Wave εκπαιδεύτηκε σε 109.250 κομμάτια, περίπου 6.650 ώρες: 66,7% των ωρών ορχηστρικά, 31,6% τραγούδι, 1,8% ομιλία. Οι φωνές ακούγονται στα αγγλικά (7,0% των ωρών), ρωσικά (5,8%), εβραϊκά (1,7%), ελληνικά και ουκρανικά (0,6% το καθένα), γαλλικά και ισπανικά (0,5% το καθένα), πορτογαλικά (0,3%), ιταλικά (0,2%) και σε δεκατέσσερις ακόμη γλώσσες κάτω από 0,1% η καθεμία· στο 15,9% των ωρών ακούγεται φωνή, αλλά η γλώσσα της δεν προσδιορίστηκε.

Τα δικά τους έρχονται με μάστερινγκ, τα δικά μας ωμά, στο δικό του επίπεδο του αποκωδικοποιητή, με κάθε κορυφή ακέραιη: η ένταση αφήνεται στο μάστερινγκ, που το κάνει ο Γυαλιστής του Στούντιο. Άλλοι σπόροι και άλλες προτροπές ακούγονται διαφορετικά σε κάθε πλευρά· το ρινγκ δείχνει την ποιότητα και τη διασπορά, όχι μια τελική κατάταξη. Ολόκληρος ο πίνακας και πώς μετρήθηκε: η κάρτα του μοντέλου.

Τι λέει το φάσμα

Το ρινγκ μετρημένο αντί για ακουσμένο: 280 κομμάτια, 40 για καθεμιά από τις έξι δικές μας πλευρές, 20 του SUNO v6 και 20 του Musicful V3. Κάθε κομμάτι φέρθηκε πρώτα στα −14 LUFS, ώστε η ένταση να μην κερδίζει τίποτα, και κάθε καμπύλη είναι η στάθμη του κομματιού ανά ζώνη σε σχέση με όλη του την ισχύ: συγκρίνεται μόνο το σχήμα. Τα δικά μας είναι η ωμή έξοδος της μηχανής, τα δικά τους έρχονται με μάστερινγκ, οπότε μέρος των διαφορών παρακάτω οφείλεται στο μάστερινγκ.

Μετρημένο με δικό μας κώδικα στον CPU: ζώνες 1/3 οκτάβας από φάσμα Welch, ένταση και εύρος της κατά ITU-R BS.1770-4 και EBU Tech 3342. Κάθε εικόνα ανοίγει μεγαλύτερη με ένα κλικ.

Τι λέει το στέρεο

Τα 280 κομμάτια του ρινγκ, μετρημένα στο πλάτος τους. Σε καθεμιά από τέσσερις ζώνες το πλάγιο σήμα, η μισή διαφορά των δύο καναλιών, μπαίνει απέναντι στο κεντρικό, το μισό άθροισμά τους: όσο ψηλότερα στέκει το πλάγιο πάνω από το κεντρικό σε dB, τόσο πιο πλατιά ακούγεται η ζώνη, και ένα κομμάτι σε μονοφωνία δεν θα είχε καθόλου πλάγιο. Η πανοραμική εικόνα είναι πόσο μακριά ταλαντεύεται η διαφορά στάθμης ανάμεσα στο αριστερό και το δεξί κανάλι μέσα σε ένα κομμάτι, από το 5ο ως το 95ο εκατοστημόριο, σε dB. Κάθε αριθμός είναι η διάμεσος των κομματιών μιας πλευράς, 20 για το SUNO v6 και για το Musicful V3, 40 για καθένα από τα δικά μας. Πλατύτερο εδώ δεν σημαίνει καλύτερο, μόνο πλατύτερο: αυτός ο πίνακας δεν έχει θέσεις.

Οι συγχωνεύσεις μας κρατούν τα μεσαία και τα πρίμα εκεί όπου τα έχει το βασικό YuE2-3B, πουθενά πιο μακριά από 1,3 dB. Το RS-TW 2.0 είναι λίγο στενότερο στις άκρες: το ×0.75 κατά 1,6 dB στα μπάσα, 1,0 dB στον αέρα και 0,4 dB στην πανοραμική εικόνα, το ×0.9 κατά 2,7, 1,4 και 0,5 dB. Το SUNO v6 και το Musicful V3 ανοίγουν τα μπάσα 4,9 και 4,4 dB πλατύτερα από το βασικό YuE2-3B.

Στο αυτί του Viktor οι στενότερες άκρες του RS-TW 2.0 ακούγονται πιο σταθερές, όχι σαν χαμένο στέρεο: το βασικό YuE2-3B συχνά παρκάρει μια κιθάρα σε ένα κανάλι για 15 έως 20 δευτερόλεπτα.

Μετρημένο με δικό μας κώδικα στη CPU: φάσμα βραχέος χρόνου 4096 σημείων κάθε 50 ms στα πρώτα 240 δευτερόλεπτα κάθε κομματιού, το κεντρικό και το πλάγιο ως (L+R)/2 και (L−R)/2, η πανοραμική εικόνα από τη διαφορά στάθμης των καναλιών στα 200 Hz – 8 kHz, στις στιγμές μέσα σε 40 dB από την πιο δυνατή του κομματιού.

Τι χρειάζεσαι

Τι κατεβάζει

Μετρημένο αρχείο προς αρχείο με τις καρφιτσωμένες λίστες των αποθετηρίων του Στούντιο και στον δίσκο μιας φρέσκιας εγκατάστασης (1 GB = 10⁹ byte). Η εγκατάσταση φέρνει τον Δημιουργό, τον Βιβλιοθηκάριο και την αλυσίδα του Γυαλιστή· κάθε άλλο δωμάτιο έρχεται μόνο όταν το ζητήσεις, από Μηχανή → Μοντέλα και LoRA → Ανά δωμάτιο, που μετρά πρώτα τον ελεύθερο χώρο και δεν κατεβάζει ό,τι δεν χωράει.

Μόνο όταν το ζητήσεις ονομαστικά: οι υπόλοιπες μηχανές ήχου (οι συγχωνεύσεις IRA, IRAE και RS-FW, 35 έως 86 GB ανάλογα με το quant), οι προσαρμογείς του Καλλιτέχνη (7,5 GB) και τα fine-tunes (20,4 GB το καθένα), όλα τα επίπεδα του MiniMax H3 (201 GB) ή το BF16 (478 GB), τα σετ 💎 (5,6 GB). Δεν μετρώνται: ο οδηγός της NVIDIA και το CUDA toolkit, το Pianoteq (το αγοράζεις εσύ), οι λήψεις σου.

Τι ακολουθεί

Το 2.0.5 είναι το Στούντιο όπου φτιάχνουμε κάθε μέρα τα δικά μας τραγούδια. Αυτά είναι τα μεγαλύτερα κομμάτια που έρχονται, για το 2.1.0 και μετά.

• Τραγούδια που διορθώνονται όπως τα γράφει το μοντέλο. Μια λήψη συνεχίζεται από οποιαδήποτε στιγμή· ένα μέρος γράφεται ξανά κρατώντας τη φωνή, την τονικότητα και τα μέτρα των γειτόνων του, και ράβεται στα ίδια τα tokens του μοντέλου· ένα οργανικό στρώμα πάνω στην παρτιτούρα της ίδιας της λήψης.
• Το DAW, παραπέρα. Ένα κανάλι συγχορδιών και ένα πλέγμα χρόνων πάνω από τη λήψη, μια αναφορά από οποιαδήποτε λήψη, και ένα piano roll που γράφει στην παρτιτούρα ό,τι παίζεις στο πληκτρολόγιο MIDI.
• Ο Βιντεογράφος, παραπέρα. Οι στίχοι πάνω στο κλιπ, λέξη προς λέξη, και ένα χρώμα σε όλες τις σκηνές του.
• Το επόμενο κύμα του fine-tune μας. Μαθαίνει από ό,τι το YuE2 τραγουδά χειρότερα, και ακούγεται τυφλά πριν κυκλοφορήσει.
• Εγγενή πρόσθετα για REAPER, Waveform και Bitwig, όταν το Στούντιο βρει τους ανθρώπους του.

Άδειες

Πάνω σε τι στέκεται

• YuE2 και MERT-v2 από τη m-a-p: το μοντέλο
• yue2.cpp από τον ServeurpersoCom: η μηχανή C++ πάνω στο ggml, που ταξιδεύει εδώ με τα δικά της patches
• YuE2 Kit από τον IronWolve: η βάση της σελίδας και των σεναρίων
• AI-Toolkit από τον Ostris: ο κώδικας YuE2 του εκπαιδευτή μεταφέρθηκε από εκεί
• Mothersuperior: η κεφαλή του tokenizer realaudio και η συγχώνευση VAE
• Qwen2.5-Omni (ο ακροατής), Whisper (ο έλεγχος στίχων), BS-Roformer και htdemucs (stems), UniverSR (αναβάθμιση)
• Qwen-Image 2512 από την Qwen, με το Lightning του lightx2v: τα εξώφυλλα
• YuE2 Studio: ο έλεγχος παρτιτούρας· GTSinger: φωνές για εκπαίδευση