Des chansons à partir de mots et d'accords
sur ta propre machine

Sept salles, un Studio

Le Créateur fait la chanson, l'Écrivain l'écrit avec un modèle de chat, l'Affineur la termine, le Peintre peint ses images, le Vidéaste prépare son clip, le Bibliothécaire garde chaque prise, et l'Entraîneur LoRA apprend tes propres chansons à YuE2. Un guide pour chaque salle se trouve dans le Studio.

Créateur

Style, paroles, mode de planification, décodeur, LoRA sur une route du vert au rouge ; la prise avec sa partition, ses graines et tout pour la refaire.

Écrivain

Des chansons comme documents avec leurs versions, des profils de texte et un modèle de chat à toi (ou OpenRouter) qui ébauche et révise avec toi.

Affineur

Spectre, artefacts, antibourdon, contrôle des paroles par Whisper, pistes séparées, remastering, suréchantillonnage ; une seule chaîne les enchaîne tous.

Peintre

Des images pour tes chansons à partir d'un prompt à toi : carrée, large et haute d'une seule graine, peintes par Qwen-Image 2512 ; l'image se révèle sous tes yeux, et une carrée devient la pochette de la prise. Un premier aperçu.

Vidéaste

Un clip pour la prise : sa chanson découpée en plans aux vers chantés, les scènes écrites avec l'Écrivain, les images clés peintes par l'Artiste, les plans animés par MiniMax H3 ; une timeline pour monter, un look (LUT 3D, grain), un animatic et le clip. Bêta.

Bibliothécaire

Chaque prise dans des espaces : cherchée, aimée, annotée, verrouillée, illustrée, envoyée vers ta DAW ; une corbeille qui rend.

Entraîneur LoRA

Des adaptateurs tirés de tes propres chansons : l'ensemble, l'entraînement, les courbes des deux moitiés expliquées, les époques à écouter en premier.

La fiche ♪

200 instruments sondés et jugés à l'oreille : ce que YuE2 joue vraiment, ce qu'il joue maigrement, ce qu'il ne connaît pas.

Le guide · F1

Tout le Studio expliqué dans le Studio même, à une touche : chaque pièce et chaque réglage, ce qu'il fait et les chiffres que nous avons mesurés, en douze langues. Fait pour la joie de créer, pas pour des heures de recherche sur le web.

Ce qui en fait un Studio

Pas une enveloppe de modèle de plus : un poste de travail autour du modèle, ouvert jusqu'à l'os, chaque changement numéroté et documenté.

• Des chansons entières, jusqu'à huit minutes. Une chanson de 6:12 en 135 s ; une chanson de 7:25 avec sa partition d'abord en 212 s, sur une seule RTX 3090.
• La partition d'abord, et modifiable par toi. YuE2 écrit la mélodie et les accords en ABC avant qu'une note ne sonne : change-les, transpose-les, apporte ta propre partition ou ton MIDI, et la chanson la suit.
• Deux graines, pas une. Garde la chanson (la graine musicale), écoute-la rendue à neuf (la graine sonore).
• Ton propre son. L'entraînement de LoRA sur tes propres chansons, dans le Studio, sans quantification (bf16), avec une télémétrie qui te dit quelles époques écouter en premier.
• La post-production, toute en local. Pistes séparées (BS-Roformer, htdemucs), antibourdon, remastering, suréchantillonnage (UniverSR), contrôle des paroles par Whisper.
• Vers ta DAW (expérimental). Un projet REAPER avec les pistes séparées, la partition en MIDI, les sections et les paroles sur la ligne de temps ; DAWproject pour Waveform et Bitwig.
• Des paroles qui tiennent le temps. Les temps de chaque ligne face à la règle de sa section : les syllabes selon les règles propres à chaque langue, et les consonnes qui prennent un temps à elles ; les balises de section proposées dès que tu tapes «[» ; les accents égarés repérés.
• Un écrivain qui connaît le moteur. Le style en balises courtes, la plus importante d'abord : la façon que YuE2 suit le mieux.
• Plusieurs GPU, plusieurs tâches. La synthèse sur une carte, l'entraînement sur les autres ; avec une seule carte, la page te dit ce qui attend.
• Pour les scripts et les agents. Une API (OpenAPI 3.1) et un serveur MCP sur ta machine et ton réseau.
• Ta langue. La page entière, et son guide, en anglais, russe, ukrainien, biélorusse, grec, espagnol, italien, français, portugais, allemand, japonais et chinois.

Une garde contre le n'importe quoi

Quand la moitié musique écrit une partition cassée (des adaptateurs poussés trop loin font cela), le moteur arrête l'exécution avant qu'aucune musique ne soit bâtie dessus, en quelques secondes, et dit pourquoi : quels adaptateurs, à quelle distance de leurs limites, ce qui a été écrit.

Les forces se placent sur des routes mesurées ; les adaptateurs empilés partagent un plafond mesuré.

Son propre entraîneur de LoRA

Le Studio entraîne lui-même les adaptateurs, sur des poids bf16 non quantifiés. Face à AI-Toolkit d'Ostris sur le même ensemble, la perte de la moitié musique concorde époque par époque à 0.015 près.

Rang 16 sur 148 chansons : 2.1 s par pas dans 12 Go. Rang 32 sur 42 chansons entières : 6.7 s par pas dans 18 Go.

Des paroles qui tiennent le temps

À côté de chaque ligne, ses temps, face à la règle de sa section : couplet et pont un seul groupe, le pré-refrain et le refrain le leur. Une syllabe se compte selon les règles propres à chaque langue, et les consonnes qui prennent un temps à elles comptent aussi ; une pause ou un interlude dans une section n'ouvre pas de nouveau groupe.

Tape «[» au début d'une ligne et les balises de section te sont proposées, comme un éditeur de code propose ses mots. Les accents égarés sont repérés ; Ctrl+F cherche dans le seul champ.

Rouah Studio et SUNO, honnêtement

Chaque semaine, une vidéo annonce qu'un modèle tue SUNO. Ceci n'est pas un modèle : c'est tout un Studio autour d'un modèle, avec son propre fine-tune. Où il gagne, et où SUNO gagne encore, dit franchement.

« — » : rien trouvé de tel, en plus de six mois sur les formules payantes de SUNO. SUNO évolue vite ; ce tableau date de novembre 2026.

Le ring : YuE2 face à SUNO v6 et Musicful

Vingt cartes, chacune avec une ligne de style et des paroles, envoyées telles quelles à chaque camp. SUNO v6 et Musicful V3 tels que leurs services les livrent ; les nôtres bruts, sortis du moteur, chantés à nouveau en novembre avec chaque crête entière : le YuE2-3B d'origine, notre propre fine-tune RS-FW à trois de ses sauvegardes, et RS-TW 2.0. Ici chaque fichier joue au même volume, pour qu'aucun ne gagne en étant plus fort. Appuie sur un nom pour écouter ; un autre nom sur la même carte reprend à la même seconde.

RS-TW 2.0 est notre second fine-tune : son époque 2.0, fusionnée par-dessus RS-FW 2.4 à deux intensités : ×0.75, l'équilibre sûr, et ×0.9, plus tectonique, sans garantie de stabilité. Les nôtres sont deux graines par carte, toutes deux ici, aucune préférée à l'autre : le sélecteur du lecteur donne la graine 1 ou la graine 2 et la garde d'une carte à l'autre, et les moyennes du tableau comptent les deux.

premier · deuxième · troisième des huit sur chaque ligne, le premier aussi en gras ; ↥ plus haut, c'est mieux, ↧ plus bas, c'est mieux, → mieux vaut le plus proche de la valeur indiquée, le true peak par en dessous. Les cases au même nombre partagent une couleur.

Chaque camp est écouté par Whisper large-v3 sur une RTX 3090, le mix et la voix de la même façon : la première ligne de Whisper sur le mix, la deuxième sur la voix séparée, où BS-Roformer sépare de la musique toutes les voix de chaque prise, la voix principale, les chœurs et la chorale ensemble, jamais la seule voix principale. Sans la musique, Whisper perd parfois des vers entiers et écrit dans les pauses des mots que personne n'a chantés, dans chaque camp, donc les deux lignes se lisent mieux ensemble.

FW et TW sont les noms de code de nos deux fine-tunes de YuE2 3B : First Wave et Tsunami Wave. Tsunami Wave a été entraîné sur 109 250 morceaux, environ 6 650 heures : 66,7 % des heures instrumentales, 31,6 % chantées, 1,8 % parlées. Les voix sont en anglais (7,0 % des heures), russe (5,8 %), hébreu (1,7 %), grec et ukrainien (0,6 % chacun), français et espagnol (0,5 % chacun), portugais (0,3 %), italien (0,2 %) et quatorze autres langues sous 0,1 % chacune ; dans 15,9 % des heures, on entend une voix dont la langue n'a pas été identifiée.

Les leurs arrivent masterisés, les nôtres bruts, au niveau propre du décodeur, chaque crête entière : le volume est laissé au mastering, l'affaire de l'Affineur du Studio. D'autres graines et d'autres prompts sonnent autrement de chaque côté ; le ring montre la qualité et la dispersion, pas un classement définitif. Le tableau entier et la façon dont il a été mesuré : la fiche du modèle.

Ce que dit le spectre

Le ring mesuré plutôt qu'écouté : 280 morceaux, 40 pour chacun de nos six camps, 20 de SUNO v6 et 20 de Musicful V3. Chaque morceau a d'abord été ramené à −14 LUFS, pour que le volume ne gagne rien, et chaque courbe est le niveau propre du morceau, bande par bande, rapporté à toute sa puissance : seule la forme est comparée. Les nôtres sont la sortie brute du moteur, les leurs arrivent masterisés, si bien qu'une part des écarts ci-dessous revient au mastering.

Mesuré avec notre propre code sur le CPU : bandes de tiers d'octave tirées d'un spectre de Welch, sonie et sa plage selon ITU-R BS.1770-4 et EBU Tech 3342. Chaque image s'ouvre en grand d'un clic.

Ce que dit la stéréo

Les 280 prises du ring, mesurées dans leur largeur. Dans chacune de quatre bandes, le signal latéral, la moitié de la différence des deux canaux, est mis en regard du central, la moitié de leur somme : plus le latéral se tient haut au-dessus du central en dB, plus la bande sonne large, et une prise en mono n'aurait pas de latéral du tout. Le panorama, c'est de combien l'écart de niveau entre le canal gauche et le droit oscille au fil d'une prise, de son 5e à son 95e centile, en dB. Chaque nombre est la médiane des prises d'un camp, 20 pour SUNO v6 et pour Musicful V3, 40 pour chacun des nôtres. Plus large n'est pas mieux ici, seulement plus large : ce tableau ne donne pas de places.

Nos fusions gardent les médiums et les aigus là où les a le YuE2-3B d'origine, jamais à plus de 1,3 dB. RS-TW 2.0 est un peu plus étroit aux bords : ×0.75 de 1,6 dB dans les basses, 1,0 dB dans l'air et 0,4 dB dans le panorama, ×0.9 de 2,7, 1,4 et 0,5 dB. SUNO v6 et Musicful V3 ouvrent les basses 4,9 et 4,4 dB plus large que le YuE2-3B d'origine.

À l'oreille de Viktor, les bords plus étroits de RS-TW 2.0 sonnent plus stables, pas comme une stéréo perdue : le YuE2-3B d'origine gare souvent une guitare dans un seul canal pendant 15 à 20 secondes.

Mesuré avec notre propre code sur le CPU : un spectre à court terme de 4096 points toutes les 50 ms sur les 240 premières secondes de chaque prise, le central et le latéral comme (L+R)/2 et (L−R)/2, le panorama d'après l'écart de niveau des canaux dans 200 Hz – 8 kHz, aux instants à moins de 40 dB du plus fort de la prise.

Ce qu'il faut

Ce qu'il télécharge

Mesuré fichier par fichier sur les listes épinglées des dépôts du Studio et sur le disque d'une installation neuve (1 Go = 10⁹ octets). L'installation apporte le Créateur, le Bibliothécaire et la chaîne de l'Affineur ; toute autre salle ne vient que sur demande, depuis Moteur → Modèles et LoRA → Par salle, qui mesure d'abord la place libre et ne récupère rien qui ne tiendrait pas.

Seulement sur demande nominative : les autres moteurs de son (les fusions IRA, IRAE et RS-FW, de 35 à 86 Go selon la quantification), les adaptateurs du Peintre (7,5 Go) et ses affinages (20,4 Go chacun), tous les paliers de MiniMax H3 (201 Go) ou le BF16 (478 Go), les ensembles 💎 (5,6 Go). Non comptés : le pilote NVIDIA et le CUDA toolkit, Pianoteq (à acheter soi-même), vos prises.

La suite

2.0.5 est le Studio où nous faisons chaque jour nos propres chansons. Voici les plus grosses pièces en route, pour 2.1.0 et après.

• Des chansons modifiées comme le modèle les écrit. Une prise prolongée à partir de n'importe quel moment ; une section réécrite en gardant la voix, la tonalité et les mesures de ses voisines, cousue dans les propres tokens du modèle ; une couche instrumentale sur la partition de la prise elle-même.
• Le DAW, plus loin. Une piste d'accords et une grille de temps sur la prise, une référence tirée de n'importe quelle prise, et un piano roll qui écrit dans la partition ce que tu joues au clavier MIDI.
• Le Vidéaste, plus loin. Les paroles sur le clip, mot à mot, et une même couleur sur toutes ses scènes.
• La prochaine vague de notre fine-tune. Elle apprend de ce que YuE2 chante le moins bien, et s'écoute à l'aveugle avant de sortir.
• Des plugins natifs pour REAPER, Waveform et Bitwig, une fois que le Studio aura trouvé ses gens.

Licences

Sur les épaules de

• YuE2 et MERT-v2 de m-a-p : le modèle
• yue2.cpp de ServeurpersoCom : le moteur C++ sur ggml, porté ici avec ses propres correctifs
• YuE2 Kit d'IronWolve : la base de la page et des scripts
• AI-Toolkit d'Ostris : le code YuE2 de l'entraîneur en a été porté
• Mothersuperior : la tête de tokenizer realaudio et la fusion du VAE
• Qwen2.5-Omni (l'auditeur), Whisper (le contrôle des paroles), BS-Roformer et htdemucs (pistes séparées), UniverSR (suréchantillonnage)
• Qwen-Image 2512 de Qwen, avec Lightning de lightx2v : les illustrations
• YuE2 Studio : le vérificateur de partition ; GTSinger : des voix pour l'entraînement