Canzoni dalle parole e dagli accordi
sulla tua macchina

Sette stanze, uno Studio

Il Creatore fa la canzone, lo Scrittore la scrive con un modello di chat, il Rifinitore la finisce, l'Artista dipinge le sue immagini, il Videografo progetta il suo videoclip, il Bibliotecario conserva ogni take e l'Addestratore LoRA insegna a YuE2 le tue canzoni. Dentro lo Studio c'è una guida per ogni stanza.

Creatore

Stile, testo, modalità di pianificazione, decoder, LoRA su una strada dal verde al rosso; il take con la sua partitura, i suoi semi e tutto ciò che serve per rifarlo.

Scrittore

Canzoni come documenti con versioni, profili di testo e un tuo modello di chat (o OpenRouter) che abbozza e rivede con te.

Rifinitore

Spettro, artefatti, antironzio, una verifica del testo con Whisper, stem, remaster, upscale; una catena li esegue tutti.

Artista

Immagini per le tue canzoni da un prompt tuo: quadrata, larga e alta da un solo seed, dipinte da Qwen-Image 2512; l'immagine si rivela davanti ai tuoi occhi e una quadrata diventa la copertina del take. Un'anteprima.

Videografo

Un videoclip per la take: la canzone tagliata in inquadrature sui versi cantati, le scene scritte con lo Scrittore, i fotogrammi chiave dipinti dall'Artista, le inquadrature in movimento da MiniMax H3; una timeline per montare, un look (LUT 3D, grana), un animatic e il clip. Beta.

Bibliotecario

Ogni take negli spazi: cercato, votato, annotato, bloccato, con copertina, mandato alla tua DAW; un cestino che restituisce.

Addestratore LoRA

Adattatori dalle tue canzoni: il set, l'addestramento, le curve di entrambe le metà spiegate, le epoche da ascoltare per prime.

Il prontuario ♪

200 strumenti provati e giudicati a orecchio: cosa suona davvero YuE2, cosa suona debole e cosa non conosce.

La guida · F1

Tutto lo Studio spiegato dentro lo Studio, a un tasto di distanza: ogni stanza e ogni manopola, cosa fa e i numeri che abbiamo misurato, in dodici lingue. Fatto per la gioia di creare, non per ore di ricerche in rete.

Cosa ne fa uno Studio

Non l'ennesimo involucro di un modello: una stazione di lavoro attorno al modello, aperta fino all'osso, ogni modifica numerata e documentata.

• Canzoni intere, fino a otto minuti. Una canzone di 6:12 in 135 s; una di 7:25 con la partitura prima in 212 s, su una RTX 3090.
• Prima la partitura, ed è tua da modificare. YuE2 scrive melodia e accordi in ABC prima che suoni una nota: cambiali, trasponili, porta la tua partitura o il tuo MIDI, e la canzone la segue.
• Due semi, non uno. Tieni la canzone (il seme musicale), riascoltala resa di nuovo (il seme sonoro).
• Il tuo suono. Addestramento LoRA sulle tue canzoni, nello Studio, senza quantizzazione (bf16), con una telemetria che ti dice quali epoche ascoltare per prime.
• Post-produzione, tutta in locale. Stem (BS-Roformer, htdemucs), antironzio, remaster, upscale (UniverSR), una verifica del testo con Whisper.
• Nella tua DAW (sperimentale). Un progetto REAPER con gli stem, la partitura in MIDI, le sezioni e il testo sulla timeline; DAWproject per Waveform e Bitwig.
• Un testo che tiene il tempo. I battiti di ogni riga contro il righello della sua sezione: le sillabe con le regole di ogni lingua e le consonanti che prendono un battito proprio; i tag di sezione suggeriti mentre scrivi «[»; gli accenti fuori posto, trovati.
• Uno scrittore che conosce il motore. Lo stile in tag brevi, il più importante per primo: come YuE2 lo segue meglio.
• Più GPU, più lavori. Sintesi su una scheda, addestramento sulle altre; con una sola scheda la pagina ti dice cosa aspetta.
• Per script e agenti. Un'API (OpenAPI 3.1) e un server MCP sulla tua macchina e nella tua rete.
• La tua lingua. La pagina intera, e la sua guida, in inglese, russo, ucraino, bielorusso, greco, spagnolo, italiano, francese, portoghese, tedesco, giapponese e cinese.

Una guardia contro la spazzatura

Quando la metà musicale scrive una partitura rotta (succede con adattatori spinti troppo in là), il motore ferma l'esecuzione prima che ci si costruisca sopra della musica, in pochi secondi, e dice perché: quali adattatori, quanto oltre i loro limiti, cosa è stato scritto.

Le intensità stanno su strade misurate; gli adattatori sovrapposti condividono un tetto misurato.

Un suo addestratore LoRA

Lo Studio addestra da sé gli adattatori, su pesi bf16 non quantizzati. Rispetto ad AI-Toolkit di Ostris sullo stesso set, la loss della metà musicale coincide epoca per epoca entro 0.015.

Rank 16 su 148 canzoni: 2.1 s a passo in 12 GB. Rank 32 su 42 canzoni intere: 6.7 s a passo in 18 GB.

Un testo che tiene il tempo

Accanto a ogni riga i suoi battiti, contro il righello della sua sezione: strofa e ponte un gruppo, pre-ritornello e ritornello i loro. Ogni sillaba si conta con le regole della sua lingua, e anche le consonanti che prendono un battito proprio contano; una pausa o un interludio dentro una sezione non apre un gruppo nuovo.

Scrivi «[» all'inizio di una riga e i tag di sezione vengono suggeriti, come un editor di codice suggerisce le parole. Gli accenti fuori posto si trovano; Ctrl+F cerca solo in quel riquadro.

Ruach Studio e SUNO, onestamente

Ogni settimana un video dice che qualche modello uccide SUNO. Questo non è un modello: è uno Studio intero intorno a uno, con un fine-tune suo. Dove vince e dove vince ancora SUNO, detto chiaramente.

«—»: non l'abbiamo trovato, in più di sei mesi sui piani a pagamento di SUNO. SUNO cambia in fretta; la tabella è di novembre 2026.

Il ring: YuE2 contro SUNO v6 e Musicful

Venti schede, ciascuna con una riga di stile e un testo, inviate invariate a ogni parte. SUNO v6 e Musicful V3 come li consegnano i loro servizi; i nostri grezzi dal motore, cantati di nuovo a novembre con ogni picco intero: lo YuE2-3B di serie, il nostro fine-tune RS-FW in tre dei suoi salvataggi e RS-TW 2.0. Qui ogni file suona allo stesso volume, così nessuno vince perché è più forte. Premi un nome per ascoltare; un altro nome sulla stessa scheda prosegue dallo stesso secondo.

RS-TW 2.0 è il nostro secondo fine-tune: la sua epoca 2.0, fusa sopra RS-FW 2.4 a due intensità: ×0.75, l'equilibrio sicuro, e ×0.9, più tettonica, senza garanzia di stabilità. I nostri sono due seed per scheda, entrambi qui, nessuno scelto al posto dell'altro: l'interruttore nel lettore dà il seed 1 o il seed 2 e lo mantiene da una scheda all'altra, e le medie della tabella li contano entrambi.

primo · secondo · terzo degli otto in ogni riga, il primo anche in grassetto; ↥ più alto è meglio, ↧ più basso è meglio, → meglio il più vicino al valore indicato, il true peak da sotto. Le celle con lo stesso numero hanno lo stesso colore.

Ogni parte la ascolta Whisper large-v3 su una RTX 3090, il mix e la voce allo stesso modo: la prima riga di Whisper sul mix, la seconda sulla voce separata, dove BS-Roformer separa dalla musica tutte le voci di ogni brano, la principale, le voci di supporto e il coro insieme, mai la sola principale. Senza la musica Whisper a volte perde versi interi e scrive nelle pause parole che nessuno ha cantato, su ogni lato, perciò le due righe vanno lette insieme.

FW e TW sono i nomi in codice dei nostri due fine-tune di YuE2 3B: First Wave e Tsunami Wave. Tsunami Wave è stato addestrato su 109.250 brani, circa 6.650 ore: il 66,7% delle ore strumentale, il 31,6% cantato, l'1,8% parlato. Le voci sono in inglese (7,0% delle ore), russo (5,8%), ebraico (1,7%), greco e ucraino (0,6% ciascuno), francese e spagnolo (0,5% ciascuno), portoghese (0,3%), italiano (0,2%) e altre quattordici lingue sotto lo 0,1% ciascuna; nel 15,9% delle ore si sente una voce la cui lingua non è stata identificata.

I loro arrivano masterizzati, i nostri grezzi, al livello proprio del decoder, con ogni picco intero: il volume è lasciato al master, compito del Rifinitore dello Studio. Altri seed e altri prompt suonano diversi da ogni parte; il ring mostra la qualità e la dispersione, non una classifica finale. La tabella intera e come è stata misurata: la scheda del modello.

Che cosa dice lo spettro

Il ring misurato invece che ascoltato: 280 brani, 40 per ciascuna delle nostre sei parti, 20 di SUNO v6 e 20 di Musicful V3. Ogni brano è stato prima portato a −14 LUFS, perché il volume non vinca nulla, e ogni curva è il livello del brano, banda per banda, rispetto a tutta la sua potenza: si confronta solo la forma. I nostri sono l'uscita grezza del motore, i loro arrivano masterizzati, quindi parte delle differenze qui sotto è del master.

Misurato con il nostro codice sulla CPU: bande di terzo d'ottava da uno spettro di Welch, loudness e la sua gamma secondo ITU-R BS.1770-4 ed EBU Tech 3342. Ogni immagine si apre più grande con un clic.

Che cosa dice lo stereo

I 280 brani del ring, misurati nella loro larghezza. In ciascuna di quattro bande il segnale laterale, metà della differenza dei due canali, è messo a confronto con il centrale, metà della loro somma: più il laterale sta alto sul centrale in dB, più larga suona la banda, e un brano in mono non avrebbe alcun laterale. Il panorama è quanto oscilla la differenza di livello tra il canale sinistro e il destro lungo un brano, dal suo 5° al suo 95° percentile, in dB. Ogni numero è la mediana dei brani di una parte, 20 per SUNO v6 e per Musicful V3, 40 per ciascuna delle nostre. Più largo qui non è meglio, solo più largo: questa tabella non ha posizioni.

Le nostre fusioni tengono i medi e gli acuti dove li ha lo YuE2-3B di serie, mai più lontano di 1,3 dB. RS-TW 2.0 è un po' più stretto agli estremi: ×0.75 di 1,6 dB nei bassi, 1,0 dB nell'aria e 0,4 dB nel panorama, ×0.9 di 2,7, 1,4 e 0,5 dB. SUNO v6 e Musicful V3 aprono i bassi 4,9 e 4,4 dB più dello YuE2-3B di serie.

All'orecchio di Viktor gli estremi più stretti di RS-TW 2.0 suonano più saldi, non come stereo perduto: lo YuE2-3B di serie spesso parcheggia una chitarra in un solo canale per 15–20 secondi.

Misurato con il nostro codice sulla CPU: uno spettro a breve termine di 4096 punti ogni 50 ms sui primi 240 secondi di ogni brano, il centrale e il laterale come (L+R)/2 e (L−R)/2, il panorama dalla differenza di livello dei canali in 200 Hz – 8 kHz, nei momenti entro 40 dB dal più forte del brano.

Cosa serve

Cosa scarica

Misurato file per file sulle liste fissate dei repository dello Studio e sul disco di un'installazione nuova (1 GB = 10⁹ byte). L'installazione porta il Creatore, il Bibliotecario e la catena del Rifinitore; ogni altra stanza arriva solo quando la chiedi, da Motore → Modelli e LoRA → Per stanza, che prima misura lo spazio libero e non scarica ciò che non ci starebbe.

Solo quando lo chiedi per nome: gli altri motori del suono (le fusioni IRA, IRAE e RS-FW, da 35 a 86 GB secondo la quantizzazione), gli adattatori dell'Artista (7,5 GB) e i fine-tune (20,4 GB ciascuno), tutti i livelli di MiniMax H3 (201 GB) o BF16 (478 GB), i set 💎 (5,6 GB). Non contati: il driver NVIDIA e il CUDA toolkit, Pianoteq (lo compri tu), le tue take.

Cosa verrà

La 2.0.5 è lo Studio in cui facciamo ogni giorno le nostre canzoni. Questi sono i pezzi più grandi in arrivo, per la 2.1.0 e oltre.

• Canzoni modificate come le scrive il modello. Un take allungato da qualsiasi momento; una sezione riscritta mantenendo la voce, la tonalità e le battute delle vicine, cucita nei token stessi del modello; uno strato strumentale sulla partitura del take stesso.
• La DAW, più avanti. Una traccia di accordi e una griglia di tempi sopra la take, un riferimento preso da qualsiasi take e un piano roll che scrive nella partitura ciò che suoni sulla tastiera MIDI.
• Il Videografo, più avanti. Il testo sul clip, parola per parola, e un solo colore su tutte le sue scene.
• La prossima ondata del nostro fine-tune. Impara da ciò che YuE2 canta peggio, e si ascolta alla cieca prima di uscire.
• Plugin nativi per REAPER, Waveform e Bitwig, quando lo Studio avrà trovato la sua gente.

Licenze

Su cosa poggia

• YuE2 e MERT-v2 di m-a-p: il modello
• yue2.cpp di ServeurpersoCom: il motore in C++ su ggml, portato qui con le sue patch
• YuE2 Kit di IronWolve: la base della pagina e degli script
• AI-Toolkit di Ostris: il codice YuE2 dell'addestratore è stato portato da lì
• Mothersuperior: la testa del tokenizer realaudio e la fusione del VAE
• Qwen2.5-Omni (l'ascoltatore), Whisper (la verifica del testo), BS-Roformer e htdemucs (stem), UniverSR (upscale)
• Qwen-Image 2512 di Qwen, con Lightning di lightx2v: le copertine
• YuE2 Studio: il controllo delle partiture; GTSinger: voci per addestrare