Canciones a partir de palabras y acordes
en tu propia máquina

Siete salas, un Estudio

El Creador hace la canción, el Escritor la escribe con un modelo de chat, el Pulidor la termina, el Artista pinta sus imágenes, el Videógrafo planifica su videoclip, el Bibliotecario guarda cada toma y el Entrenador LoRA enseña a YuE2 tus propias canciones. Dentro del Estudio hay una guía para cada sala.

Creador

Estilo, letra, modo de planificación, decodificador, LoRAs en un camino del verde al rojo; la toma con su partitura, sus semillas y todo lo necesario para hacerla de nuevo.

Escritor

Canciones como documentos con versiones, perfiles de texto y un modelo de chat propio (u OpenRouter) que hace borradores y revisa contigo.

Pulidor

Espectro, artefactos, antizumbido, una revisión de la letra con Whisper, stems, remasterización, reescalado; una cadena los ejecuta todos.

Artista

Imágenes para tus canciones desde un prompt propio: cuadrada, ancha y alta desde una semilla, pintadas por Qwen-Image 2512; la imagen se revela ante tus ojos y una cuadrada se vuelve la portada de la toma. Un adelanto.

Videógrafo

Un videoclip para la toma: su canción cortada en planos en los versos cantados, las escenas escritas con el Escritor, los fotogramas clave pintados por el Artista, los planos en movimiento por MiniMax H3; una línea de tiempo para montar, un aspecto (LUT 3D, grano), un animatic y el clip. Beta.

Bibliotecario

Cada toma en espacios: buscada, valorada, anotada, bloqueada, con portada, enviada a tu DAW; una papelera que devuelve.

Entrenador LoRA

Adaptadores a partir de tus propias canciones: el conjunto, el entrenamiento, las curvas de ambas mitades explicadas, las épocas que conviene escuchar primero.

La chuleta ♪

200 instrumentos probados y juzgados de oído: lo que YuE2 toca de verdad, lo que toca débil y lo que no conoce.

La guía · F1

Todo el Estudio explicado dentro del Estudio, a una tecla: cada sala y cada mando, qué hace y las cifras que medimos, en doce idiomas. Hecho para el gusto de crear, no para horas de búsqueda en internet.

Qué lo hace un Estudio

No es otro envoltorio de un modelo: es una estación de trabajo alrededor del modelo, abierta hasta el hueso, con cada cambio numerado y documentado.

• Canciones enteras, de hasta ocho minutos. Una canción de 6:12 en 135 s; una de 7:25 con su partitura primero en 212 s, en una RTX 3090.
• La partitura primero, y es tuya para editarla. YuE2 escribe la melodía y los acordes en ABC antes de que suene una nota: cámbialos, transpónlos, trae tu propia partitura o MIDI, y la canción la sigue.
• Dos semillas, no una. Quédate con la canción (la semilla musical) y escúchala renderizada de nuevo (la semilla sonora).
• Tu propio sonido. Entrenamiento LoRA con tus propias canciones, en el Estudio, sin cuantizar (bf16), con telemetría que te dice qué épocas escuchar primero.
• Posproducción, toda local. Stems (BS-Roformer, htdemucs), antizumbido, remasterización, reescalado (UniverSR), una revisión de la letra con Whisper.
• A tu DAW (experimental). Un proyecto de REAPER con los stems, la partitura en MIDI, las secciones y la letra en la línea de tiempo; DAWproject para Waveform y Bitwig.
• Una letra que lleva el compás. Los tiempos de cada línea frente a la regla de su sección: las sílabas con las reglas de cada idioma y las consonantes que toman un tiempo propio; las etiquetas de sección sugeridas mientras escribes «[»; los acentos fuera de sitio, encontrados.
• Un escritor que conoce el motor. El estilo en etiquetas cortas, lo más importante primero: como mejor lo sigue YuE2.
• Varias GPU, varios trabajos. Síntesis en una tarjeta, entrenamiento en las otras; con una sola tarjeta, la página te dice qué espera.
• Para scripts y agentes. Una API (OpenAPI 3.1) y un servidor MCP en tu máquina y tu red.
• Tu idioma. La página entera, y su guía, en inglés, ruso, ucraniano, bielorruso, griego, español, italiano, francés, portugués, alemán, japonés y chino.

Un guardián contra la basura

Cuando la mitad musical escribe una partitura rota (los adaptadores llevados demasiado lejos lo hacen), el motor detiene la ejecución antes de que se construya música sobre ella, en segundos, y dice por qué: qué adaptadores, cuánto se pasaron de sus límites, qué se escribió.

Las intensidades se mueven por caminos medidos; los adaptadores apilados comparten un techo medido.

Su propio entrenador LoRA

El Estudio entrena adaptadores por sí mismo, con pesos bf16 sin cuantizar. Frente a AI-Toolkit de Ostris con el mismo conjunto, la pérdida de la mitad musical coincide época a época con un margen de 0.015.

Rango 16 con 148 canciones: 2.1 s por paso en 12 GB. Rango 32 con 42 canciones enteras: 6.7 s por paso en 18 GB.

Una letra que lleva el compás

Junto a cada línea, sus tiempos frente a la regla de su sección: estrofa y puente un grupo, el pre-estribillo y el estribillo los suyos. Cada sílaba se cuenta con las reglas de su idioma, y las consonantes que toman un tiempo propio también cuentan; una pausa o un interludio dentro de una sección no abre grupo nuevo.

Escribe «[» al principio de una línea y se te sugieren las etiquetas de sección, como un editor de código sugiere palabras. Los acentos fuera de sitio se encuentran; Ctrl+F busca solo en ese cuadro.

Ruaj Estudio y SUNO, con honestidad

Cada semana un vídeo dice que algún modelo mata a SUNO. Esto no es un modelo: es un Estudio entero alrededor de uno, con un fine-tune propio. Dónde gana y dónde gana todavía SUNO, dicho claro.

«—»: no lo encontramos, en más de medio año con los planes de pago de SUNO. SUNO cambia rápido; esto es noviembre de 2026.

El ring: YuE2 contra SUNO v6 y Musicful

Veinte tarjetas, cada una con una línea de estilo y una letra, enviadas sin cambios a cada lado. SUNO v6 y Musicful V3 tal como los entregan sus servicios; los nuestros en bruto desde el motor, cantados de nuevo en noviembre con cada pico entero: el YuE2-3B de serie, nuestro propio ajuste fino RS-FW en tres de sus guardados y RS-TW 2.0. Aquí cada archivo suena al mismo volumen, así que ninguno gana por sonar más fuerte. Pulsa un nombre para escuchar; otro nombre en la misma tarjeta sigue desde el mismo segundo.

RS-TW 2.0 es nuestro segundo ajuste fino: su época 2.0, fusionada sobre RS-FW 2.4 a dos intensidades: ×0.75, el equilibrio seguro, y ×0.9, más tectónica, sin garantía de estabilidad. Los nuestros son dos semillas por tarjeta, ambas aquí, ninguna elegida sobre la otra: el interruptor del reproductor da la semilla 1 o la 2 y la mantiene de tarjeta en tarjeta, y las medias de la tabla cuentan las dos.

primero · segundo · tercero de los ocho en cada fila, el primero también en negrita; ↥ más es mejor, ↧ menos es mejor, → mejor lo más cercano al valor indicado, el pico real por debajo. Las celdas con el mismo número comparten color.

Cada lado lo escucha Whisper large-v3 en una RTX 3090, la mezcla y la voz por igual: la primera fila de Whisper sobre la mezcla, la segunda sobre la voz separada, donde BS-Roformer separa de la música todas las voces de cada toma a la vez, la principal, las de apoyo y el coro, nunca solo la principal. Sin la música, Whisper a veces pierde versos enteros y escribe en las pausas palabras que nadie cantó, en todos los lados, así que las dos filas se leen mejor juntas.

FW y TW son los nombres en clave de nuestros dos ajustes finos de YuE2 3B: First Wave y Tsunami Wave. Tsunami Wave se entrenó con 109.250 pistas, unas 6.650 horas: el 66,7 % de las horas instrumental, el 31,6 % cantado, el 1,8 % hablado. Las voces están en inglés (7,0 % de las horas), ruso (5,8 %), hebreo (1,7 %), griego y ucraniano (0,6 % cada uno), francés y español (0,5 % cada uno), portugués (0,3 %), italiano (0,2 %) y catorce idiomas más, por debajo del 0,1 % cada uno; en el 15,9 % de las horas se oye una voz cuyo idioma no se identificó.

Lo suyo llega masterizado, lo nuestro en bruto, al nivel propio del decodificador, con cada pico entero: el volumen se deja al máster, que es cosa del Pulidor del Estudio. Otras semillas y otros prompts suenan distinto en cada lado; el ring muestra la calidad y la dispersión, no una clasificación final. La tabla completa y cómo se midió: la ficha del modelo.

Lo que dice el espectro

El ring medido en vez de oído: 280 pistas, 40 por cada uno de nuestros seis lados, 20 de SUNO v6 y 20 de Musicful V3. Cada pista se llevó primero a −14 LUFS, para que el volumen no gane nada, y cada curva es el nivel propio de la pista, banda a banda, frente a toda su potencia: solo se compara la forma. Lo nuestro es la salida en bruto del motor y lo suyo llega masterizado, así que parte de las diferencias de abajo son del máster.

Medido con nuestro propio código en la CPU: bandas de tercio de octava a partir de un espectro de Welch, la sonoridad y su rango según ITU-R BS.1770-4 y EBU Tech 3342. Cada imagen se abre más grande con un clic.

Lo que dice el estéreo

Las 280 tomas del ring, medidas por su anchura. En cada una de cuatro bandas, la señal lateral, la mitad de la diferencia de los dos canales, se compara con la central, la mitad de su suma: cuanto más alta la lateral sobre la central en dB, más ancha suena esa banda, y una toma en mono no tendría lateral alguna. La panorámica es cuánto oscila la diferencia de nivel entre el canal izquierdo y el derecho a lo largo de una toma, de su percentil 5 a su percentil 95, en dB. Cada número es la mediana de las tomas de un lado: 20 para SUNO v6 y para Musicful V3, 40 para cada uno de los nuestros. Aquí más ancho no es mejor, solo más ancho: esta tabla no da puestos.

Nuestras fusiones dejan los medios y los agudos donde los tiene el YuE2-3B de serie, a no más de 1,3 dB. RS-TW 2.0 es un poco más estrecho en los extremos: ×0.75 en 1,6 dB en los graves, 1,0 dB en el aire y 0,4 dB en la panorámica, ×0.9 en 2,7, 1,4 y 0,5 dB. SUNO v6 y Musicful V3 abren los graves 4,9 y 4,4 dB más que el YuE2-3B de serie.

Al oído de Viktor, los extremos más estrechos de RS-TW 2.0 suenan más firmes, no como estéreo perdido: el YuE2-3B de serie a menudo aparca una guitarra en un solo canal durante 15 a 20 segundos.

Medido con nuestro propio código en la CPU: un espectro de tiempo corto de 4096 puntos cada 50 ms sobre los primeros 240 segundos de cada toma, la central y la lateral como (L+R)/2 y (L−R)/2, la panorámica a partir de la diferencia de nivel de los canales en 200 Hz – 8 kHz, en los momentos a menos de 40 dB del más fuerte de la toma.

Qué necesitas

Lo que descarga

Medido archivo por archivo con las listas fijadas de los repositorios del Estudio y en el disco de una instalación nueva (1 GB = 10⁹ bytes). La instalación trae el Creador, el Bibliotecario y la cadena del Pulidor; cualquier otra sala llega solo cuando la pides, desde Motor → Modelos y LoRA → Por sala, que primero mide el espacio libre y no descarga lo que no cabría.

Solo cuando lo pides por su nombre: los demás motores de sonido (las fusiones IRA, IRAE y RS-FW, de 35 a 86 GB según el cuantizado), los adaptadores del Artista (7,5 GB) y los ajustes finos (20,4 GB cada uno), todos los niveles de MiniMax H3 (201 GB) o BF16 (478 GB), los conjuntos 💎 (5,6 GB). No cuentan: el controlador de NVIDIA y el CUDA toolkit, Pianoteq (lo compras tú), tus tomas.

Qué viene

2.0.5 es el Estudio en el que hacemos cada día nuestras propias canciones. Estas son las piezas más grandes en camino, para 2.1.0 y después.

• Canciones editadas como las escribe el modelo. Una toma alargada desde cualquier momento; una sección escrita de nuevo conservando la voz, la tonalidad y los compases de sus vecinas, cosida en los propios tokens del modelo; una capa instrumental sobre la partitura de la propia toma.
• El DAW, más allá. Una pista de acordes y una rejilla de tiempos sobre la toma, una referencia sacada de cualquier toma y un piano roll que escribe en la partitura lo que tocas en tu teclado MIDI.
• El Videógrafo, más allá. La letra sobre el clip, palabra por palabra, y un mismo color en todas sus escenas.
• La próxima ola de nuestro fine-tune. Aprende de lo que YuE2 canta peor, y se escucha a ciegas antes de salir.
• Plugins nativos para REAPER, Waveform y Bitwig, cuando el Estudio haya encontrado a su gente.

Licencias

Sobre qué se apoya

• YuE2 y MERT-v2 de m-a-p: el modelo
• yue2.cpp de ServeurpersoCom: el motor en C++ sobre ggml, que viaja aquí con sus propios parches
• YuE2 Kit de IronWolve: la base de la página y de los scripts
• AI-Toolkit de Ostris: el código YuE2 del entrenador se portó desde allí
• Mothersuperior: la cabeza del tokenizador realaudio y la fusión del VAE
• Qwen2.5-Omni (el oyente), Whisper (la revisión de la letra), BS-Roformer y htdemucs (stems), UniverSR (reescalado)
• Qwen-Image 2512 de Qwen, con Lightning de lightx2v: las portadas
• YuE2 Studio: el verificador de partituras; GTSinger: voces para entrenar