JA
OSEMとにかく AWESOMEOpen Source, Engaged & Musical

言葉とコードから歌を
自分のマシンで

オープンな歌モデル YuE2 を中心にした本格的なスタジオ。スタイルと歌詞を書けば、スタジオがあなた自身の GPU で作曲し、歌い、曲をレンダリングします。あなたの歌、言葉、設定がそこから出ることはありません。

2.0.5 · ピークはすべてそのまま、系譜ツリーと https のスタジオ · 2026 年 11 月
昼のクリエイター:曲のフォーム、聴いているテイク、そしてすべてのテイク 夜のクリエイター
8 min最長 8 分の曲をまるごと
135 s6:12 の曲を RTX 3090 1 枚で
6 分Intel Arc Pro B50(16 GB、70 W)で 4 分の曲(ベータ)
7 部屋作る、書く、仕上げる、描く、撮る、保管する、教える
200耳で確かめた楽器
12ページの言語

Ruach Studio は、あなた自身のハードウェアで動くオープンな音楽生成です。モデルも、スコアも、アダプターも、すべてのテイクもあなたのもので、トークン単位で借りるものは何もありません。オープンなモデルはもう自分の足で立てるほど良くなり、欠けていたのはその周りのスタジオでした。私たちはそれを、オープンに作っています。

音楽は、自由に作り、自由に分かち合えるものであるべきです。声も、楽器も、スタジオも持たない人にも、自分の思いと気持ちを音に託す権利があります。

7 つの部屋、1 つのスタジオ

クリエイターが曲を作り、ライターがチャットモデルと書き、仕上げ師が仕上げ、絵師が絵を描き、映像師がミュージックビデオを組み立て、司書がすべてのテイクを保管し、LoRA トレーナーがあなた自身の歌を YuE2 に教えます。各部屋のガイドはスタジオの中にあります。

クリエイタークリエイター

クリエイター

スタイル、歌詞、計画モード、デコーダー、緑から赤への道の上の LoRA。テイクには楽譜、シード、作り直すためのすべてが付きます。

ライターライター

ライター

バージョン付きの文書としての歌、テキストプロファイル、そしてあなた専用のチャットモデル(または OpenRouter)が一緒に下書きし、推敲します。

仕上げ師仕上げ師

仕上げ師

スペクトル、アーティファクト、バズ除去、Whisper による歌詞チェック、ステム、リマスター、アップスケール。1 本のチェーンですべてを実行します。

絵師絵師

絵師

自分のプロンプトから歌のための絵を:正方形、横長、縦長を 1 つのシードから、Qwen-Image 2512 が描きます。絵は目の前で現れ、正方形のものはテイクのカバーになります。早期プレビュー。

映像師:曲の上のタイムラインに並ぶテイクのショット映像師:曲の上のタイムラインに並ぶテイクのショット

映像師

テイクのミュージックビデオ:曲を歌われる行ごとにショットに分け、シーンはライターと書き、キーフレームはアーティストが描き、動くショットは MiniMax H3 が作ります。編集用のタイムライン、ルック(3D LUT、グレイン)、アニマティック、そしてクリップ。ベータ。

司書司書

司書

すべてのテイクをワークスペースに:検索、いいね、メモ、ロック、アートワーク付け、DAW へ送る。元に戻せるゴミ箱。

LoRA トレーナーLoRA トレーナー

LoRA トレーナー

自分の歌からアダプターを:セット、実行、両半分の曲線の解説、まず聴くべきエポック。

楽器のチートシート

チートシート ♪

耳で確かめ判定した 200 の楽器:YuE2 が本当に弾けるもの、薄くしか弾けないもの、知らないもの。

クリエイターの上のガイド(F1)クリエイターの上のガイド(F1)

ガイド · F1

Studio のすべてを Studio の中で、キー 1 つで説明:すべての部屋とすべてのつまみ、何をするか、私たちが測った数値を 12 言語で。何時間もネットを探し回るためではなく、作る喜びのために。

スタジオである理由

モデルのラッパーがまた 1 つ、ではありません:モデルを囲むワークステーションで、骨の髄までオープン、すべての変更に番号と記録があります。

  • 最長 8 分の曲をまるごと。6:12 の曲を 135 秒で、楽譜を先に書く 7:25 の曲を 212 秒で、RTX 3090 1 枚で。
  • まず楽譜、そして編集できる。YuE2 は音が鳴る前にメロディーとコードを ABC で書きます:変える、移調する、自分の楽譜や MIDI を持ち込む。歌はそれに従います。
  • シードは 1 つではなく 2 つ。曲を保ち(音楽シード)、新しくレンダリングして聴く(サウンドシード)。
  • あなた自身の音。自分の歌で LoRA をトレーニング、スタジオの中で、量子化なし(bf16)、どのエポックを先に聴くべきか教えてくれるテレメトリー付き。
  • ポストプロダクションはすべてローカルで。ステム(BS-Roformer、htdemucs)、バズ除去、リマスター、アップスケール(UniverSR)、Whisper による歌詞チェック。
  • DAW へ (実験的)。ステム、MIDI の楽譜、タイムライン上のセクションと歌詞を含む REAPER プロジェクト。Waveform と Bitwig には DAWproject。
  • 拍を守る歌詞。各行の拍をそのセクションの定規と比べます:音節は各言語の規則で、独自の拍を取る子音も数えます。«[» と打てばセクションタグを提案し、迷子の強勢記号も見つけます。
  • エンジンを知るライター。スタイルは短いタグで、重要なものから先に:YuE2 が最もよく従う形です。
  • 複数の GPU、複数の作業。合成は 1 枚のカードで、トレーニングは他のカードで。カードが 1 枚なら、何が待っているかをページが教えます。
  • スクリプトとエージェントのために。あなたのマシンとネットワーク上の API(OpenAPI 3.1)と MCP サーバー。
  • あなたの言語。ページ全体とそのガイドを、英語、ロシア語、ウクライナ語、ベラルーシ語、ギリシャ語、スペイン語、イタリア語、フランス語、ポルトガル語、ドイツ語、日本語、中国語で。
楽譜がバベル状態:実行が止まった理由
楽譜がバベル状態:実行開始 15 秒で検出

でたらめへの見張り

音楽側が壊れた楽譜を書くと(押しすぎたアダプターがそうします)、エンジンはその上に音楽が作られる前に数秒で実行を止め、理由を示します:どのアダプターが、限度をどれだけ超えたか、何が書かれたか。

強さは計測済みの道の上に。重ねたアダプターは計測済みの上限を分け合います。

トレーナーの曲線
両半分の曲線、解説付き

自前の LoRA トレーナー

スタジオは量子化していない bf16 の重みで自らアダプターをトレーニングします。同じセットで Ostris の AI-Toolkit と比べると、音楽側の損失はエポックごとに 0.015 以内で一致します。

148 曲でランク 16:1 ステップ 2.1 秒、12 GB。42 曲のフルソングでランク 32:1 ステップ 6.7 秒、18 GB。

歌詞エディター:各行の拍をそのセクションの定規と比べる
各行の拍をそのセクションの定規と比べる

拍を守る歌詞

各行の横にその拍を、セクションの定規と比べて表示:ヴァースとブリッジで 1 グループ、プリコーラスとコーラスはそれぞれ独自に。音節は各言語の規則で数え、独自の拍を取る子音も数えます。セクション内の休符や間奏は新しいグループを作りません。

行頭で «[» と打つと、コードエディターが言葉を提案するようにセクションタグが提案されます。迷子の強勢記号は見つかり、Ctrl+F はその欄の中だけを検索します。

ルアハ・スタジオ と SUNO、正直に

毎週どこかの動画が、新しいモデルが SUNO を倒すと言います。これはモデルではなく、モデルを囲む Studio 一式で、独自のファインチューンもあります。どこで勝ち、どこでまだ SUNO が勝つのか、はっきりと。

ルアハ・スタジオ (YuE2)SUNO
どこで動くかあなたの GPU。曲も歌詞も設定も外に出ることはなく、インストール後はインターネット不要彼らのクラウド
費用電気代だけ。クレジットもプランも 1 日の上限もなしサブスクリプションとクレジット
モデルYuE2 と私たち自身のファインチューン RS-FW。初の大規模な公開ファインチューンで、両方の半分を 32,633 曲・約 1,800 時間で学習し直し、与えた言葉をすべて公開非公開。何から学んだかは公表されていない
楽譜最初に書かれ、見えて、編集でき、あなたのもの(ABC、MIDI)。ウィンドウ全体のピアノロール非公開
歌詞各行の横に拍子計:その拍をセクションの定規と比べ、音節は各言語の規則で。«[» と打てばセクションタグを提案テキスト欄。頼めば歌詞を書いてくれる
テイクを繰り返す正確に:保てる 2 つのシードなし
ガイダンス(CFG)2 つを別々に:スタイルの引きと歌詞の保持、それぞれ独自の CFGStyle Influence のつまみ 1 つ
セクションの差し替え耳が見つける休符の間で歌詞を歌い直し、テイクの残りはサンプル単位でそのまま:継ぎ目は聞こえない。複数のセクションを一度にReplace Section:私たちの試用ではほぼ使い物にならない。継ぎ目が聞こえ、声が変わる
テイクの系譜系譜:テイクの元になったすべてのクロップ、バージョン、再生成と、そこから生まれたもの。それぞれに波形付き—
ライブラリーセクション付きのワークスペース、16 種のリアクション、メモ、保護と元に戻せるゴミ箱、ワイルドカードと「除外」付きの検索、公正に聴くためのブラインドセット、テイクごとのリーフレットとパスポートワークスペース、いいね、プレイリスト
テイクの比較最大 12 バージョンを 1 つのプレーヤーで同じ秒から。名前付きでもブラインドでも、同じ音量で、それぞれの音で位置合わせ—
あなた自身の音自分の歌で LoRA をトレーニング、スタジオの中で学習なし。Personas で 1 曲の声とスタイルを再利用
YuE2 が弾けないものテイク自身の譜面で鳴る MIDI オーケストラ(SFZ セット、持っていれば Pianoteq)と、曲の下に敷く自然音:火、雨、川、鳥—
自分の楽器バンクビルダーはひとつの楽器(ドゥドゥク、ショファル)の録音を SFZ バンクにします。声、叫び、ほかの楽器を聴き分けて除き、音を鍵盤ごとに見つけ、チューニングしてループに。DAW では曲の下で下地として、曲の調の持続音として、または MIDI のラインとして鳴ります—
すべてのピークがそのまま出力でのクリップなし。長いリバーブの余韻も静けさもそのまま。系譜は旧カットが噛んでいた場所を示すマスタリング済みで納品(私たちのリングで:−15.5 LUFS、−3.4 dBTP)
レンダリングの後ステム、デバズ、リマスター、アップスケール、歌詞チェック、目標ラウドネスへのマスター(Spotify −14、Apple Music −16、CD −9)、すべてローカルステムとリマスター、クラウドで
ミキサー仕上げ師の中の DAW:EQ、ゲート、コンプ、幅、センド付きのレーン、オートメーション、マーカー、レーンの音をプリセットにSuno Studio、ブラウザで、最上位プランで
音を見るプレーヤーの上にテイク全体のスペクトログラム、波形と時間を合わせて:セクション、明るさと音量、ポインター位置のスペクトルと音名波形
画像と動画アーティストがあなたの言葉からカバー、16:9、9:16 を描き、映像師がミュージックビデオを計画し、キーフレームを描いて、ルックを与える(3D LUT、グレイン、ビネット)カバー画像
DAW へ楽譜、セクション、歌詞を含む REAPER プロジェクト(実験的)オーディオステム
スクリプトとエージェントAPI(OpenAPI 3.1)と MCP サーバー、あなたのマシンとネットワーク上で公開 API なし
来歴すべてのダウンロードに Content Credentials(C2PA)を署名、望めばあなたの名前で—
コードオープン(AGPL)、すべての変更に番号と記録クローズド
インターフェース1 ページに 7 つの部屋、12 言語。すべての操作にヒント、すべての部屋にガイド。どの部屋にもプレーヤーとテイク。よく使う操作にはキー。アプリとしてインストール可能Web アプリとモバイルアプリ
箱から出してすぐの仕上がり劣る:ミックスがバズることがある(バズ除去が助けます)、歌詞がずれることがある(歌詞チェックが場所を見つけます)、YuE2 が薄くしか、または全く弾けない楽器がある(LoRA が教えます)勝る
必要なものNVIDIA の GPU(フル精度ですべてに 24 GB、12–16 GB と 8 GB は小さいコピーで)、Linux、ディスク 34–41 GBブラウザー

「—」:SUNO の有料プランを半年以上使っても見つからなかったもの。SUNO は変化が速いので、この表は 2026 年 11 月時点です。

リング:YuE2 対 SUNO v6 と Musicful

20 枚のカード。それぞれにスタイルの 1 行と歌詞があり、どの側にも変えずに送りました。SUNO v6 と Musicful V3 はそれぞれのサービスが出すままに、私たちのものはエンジンからの未加工のまま、11 月にピークを一つも削らずに歌い直したもの:標準の YuE2-3B、私たち自身のファインチューン RS-FW の 3 つの保存点、そして RS-TW 2.0 です。ここではどのファイルも同じラウドネスで鳴るので、音が大きいことで勝つものはありません。名前を押すと再生します。同じカードの別の名前は、同じ秒から続きます。

RS-TW 2.0 は私たちの 2 つ目のファインチューンで、2.0 エポックまで学習したものを RS-FW 2.4 の上に 2 つの強さでマージしています。×0.75 は安定したバランス、×0.9 はより地殻変動的で、安定性の保証はありません。私たちのものはカードごとに 2 つのシードで、どちらもここにあり、どちらかを選んではいません。プレーヤーの切り替えでシード 1 かシード 2 を聴けて、その選択はカードを移っても保たれます。表の平均は両方を数えています。

01 ロックバラード ru
02 シンセポップ ru
03 バンドゥーラのフォークポップ uk
05 ゴスペル en-US
07 ブリットポップ、英国訛り en-UK
08 リキッド・ドラムンベース en-UK
09 シカゴ・ドリル en
10 シカゴ・ブルース en
11 シャンソン、ワルツ fr
13 ポップ・オペラ、テノール it
15 レベーティカ、ブズーキ el
17 J-POP、アニメのオープニング ja
18 シティポップ ja
19 中国語バラード zh
20 中国フォーク・フュージョン zh
21 ファド pt-PT
22 ボサノヴァ pt-BR
23 サンバ pt-BR
24 ドゥドゥク、私たち自身の領域 ru
25 インダストリアル・メタル ru
未加工で計測、平均値SUNO v6Musicful V3YuE2‑3BRuach Studio (RS-…):YuE2 3B のファインチューン
FW 0.7FW 1.5FW 2.4TW 2.0 ×0.75TW 2.0 ×0.9
歌詞に対する Whisper の誤り率、ミックスで、% ⁠↧23.119.520.019.924.821.823.026.1
歌詞に対する Whisper の誤り率、分離した声で、% ⁠↧27.418.921.624.831.128.829.533.7
静かな箇所の砂ノイズ、6–16 kHz、dB ⁠↧-15.7-14.8-17.6-18.1-17.3-17.3-17.9-17.5
迷い込んだ持続音 ⁠↧2.21.94.332.02.272.232.151.6
デコーダーの高域の 25 Hz のバズ、dB ⁠↧8.38.011.411.611.611.511.611.1
クリック ⁠↧33.433.827.731.935.334.734.532.8
クリッピングの区間 ⁠↧0.00.00.00.00.00.00.00.0
ノイズフロア、最も静かな 1/10、dBFS ⁠↧-26.6-25.2-27.7-27.6-27.0-26.6-27.1-28.2
スペクトルの上限、kHz ⁠↥17.915.315.814.814.915.115.214.7
95% ロールオフ、kHz ⁠↥2.52.62.22.12.22.01.71.7
サブ帯域 20–60 Hz の比率、dB ⁠↥-8.6-10.2-10.0-9.6-9.9-10.4-10.0-9.8
納品時のラウドネス、LUFS ⁠→ ⁠−14-15.5-14.3-14.5-14.7-14.7-14.4-14.6-14.8
納品時のトゥルーピーク、dBTP ⁠→ ⁠−1.0-3.4-0.5-0.2-0.2-0.1-0.2-0.3-0.1
低音 60–150 Hz の比率、dB ⁠↥-6.0-5.6-4.3-4.8-4.5-4.5-4.4-4.8
プレゼンス 2–5 kHz の比率、dB ⁠↥-17.1-16.6-16.0-16.3-16.2-16.2-17.3-16.9
クレストファクター、dB ⁠↥14.415.716.516.516.616.316.216.6
ラウドネスレンジ、LU ⁠↥5.96.27.16.66.56.46.67.1
ラウドネスのばらつき p95−p10、dB ⁠↥9.49.011.510.810.410.310.811.7
低域のばらつき p95−p10、dB ⁠↥23.320.021.921.120.619.722.022.6
中域のステレオ相関 ⁠↥0.670.690.750.770.730.740.770.76
長さ、秒 ⁠↥156.8154.5148.6148.1154.8151.9152.8149.7

1 位 · 2 位 · 3 位:各行の 8 つのうち上位 3 つ、1 位は太字も。↥ は高いほど良い、↧ は低いほど良い、→ は示した値に近いほど良い(トゥルーピークは下から)。同じ数字のセルは同じ色です。

8 つの側すべてを、ミックスも声も同じように、RTX 3090 上の Whisper large-v3 で聴いています。Whisper の 1 行目はミックス、2 行目は分離した声です。声は BS-Roformer が各テイクの声をすべて音楽から分離したもの(リード、バッキング、合唱をまとめて。リードだけにはしません)です。音楽がないと Whisper はときに行を丸ごと聞き落とし、誰も歌っていない言葉を間に書き込みます。どの側でも起きるので、2 つの行は並べて読んでください。

FW と TW は、私たちが YuE2 3B をファインチューンした 2 つのモデルのコードネームで、First Wave と Tsunami Wave です。Tsunami Wave は 109,250 曲・約 6,650 時間で学習しました。時間の 66.7% がインストゥルメンタル、31.6% が歌、1.8% が語りです。声の言語は英語(時間の 7.0%)、ロシア語(5.8%)、ヘブライ語(1.7%)、ギリシャ語とウクライナ語(各 0.6%)、フランス語とスペイン語(各 0.5%)、ポルトガル語(0.3%)、イタリア語(0.2%)、さらに各 0.1% 未満の 14 言語です。時間の 15.9% は声が聞こえるものの、その言語は特定できていません。

相手の曲はマスタリング済み、私たちのものはデコーダーそのままのレベルの未加工で、ピークは一つも削っていません。ラウドネスはマスタリングに任せ、それはスタジオの仕上げ師の仕事です。別のシードや別のプロンプトでは、どの側も違って聞こえます。リングが示すのは品質とばらつきであり、最終的な順位ではありません。表の全体と計測方法:モデルカード。

Tsunami Wave とファーストウェーブの語彙

私たちの 2 つのファインチューンが受け取ったすべての語を、数えて検索できるようにしました。Tsunami Wave の学習データ 109,250 曲と、その前のファーストウェーブの 32,633 曲です。ジャンル、楽器、声、音そのものに付けられた感情語、調と BPM、そして楽譜のフィールド。モデルに何を伝えたかを公開するファインチューンはほとんどありません。

スペクトルが語ること

聴く代わりに測ったリング:280 テイク。私たちの 6 つの側にそれぞれ 40、SUNO v6 が 20、Musicful V3 が 20 です。どのテイクもまず −14 LUFS にそろえ、音の大きさで勝つものがないようにしました。どの曲線も、そのテイク全体のパワーに対する帯域ごとのレベルなので、比べているのは形だけです。私たちのものはエンジンからの未加工の出力、相手のものはマスタリング済みなので、下に見える差の一部はマスタリングによるものです。

リングの 8 つの側の平均 1/3 オクターブ・スペクトル、20 Hz から 20 kHzリングの 8 つの側の平均 1/3 オクターブ・スペクトル、20 Hz から 20 kHz

最後のオクターブまでは一本の曲線

100 Hz から 10 kHz まで、8 つの側すべての平均曲線は互いに 5.2 dB 以内に収まります。16 kHz より上で分かれます。Musicful V3 は 40 テイク中 38 テイクで 16 kHz より上に何も残していません。20 kHz での平均は −90.6 dB、ほかが坂を描くところで壁になっています。そこで最も多く残しているのは SUNO v6 で、16–20 kHz で −31.0 dB。私たちのものは −39.3 から −42.3 dB で、ときには 16 kHz で止まることもあります。40 テイク中 1〜6 テイクで、最も多いのは RS-TW 2.0 ×0.9 です。

各側の空気感の帯域(8–16 kHz)と最上部の帯域(16–20 kHz)、テイクのパワーに対する dB各側の空気感の帯域(8–16 kHz)と最上部の帯域(16–20 kHz)、テイクのパワーに対する dB

空気感:相手は 2.3〜4.6 dB 明るい

空気感の帯域 8–16 kHz では、SUNO v6 と Musicful V3 がテイクのパワーに対して −19.4 dB と −19.6 dB、私たちの 6 つの側は −21.8 から −24.0 dB です。マスタリングはふつう空気感を持ち上げますが、私たちのものにはまだ何も施されていません。スタジオでは、歌い終えたあとの仕上げ師の仕事です。

各側のクレストファクター(dB)とラウドネスレンジ(LU):平均と 10〜90 パーセンタイル各側のクレストファクター(dB)とラウドネスレンジ(LU):平均と 10〜90 パーセンタイル

ピークと幅:私たちのほうが大きく呼吸する

クレストファクター(平均に対するピーク):SUNO v6 は 14.4 dB、Musicful V3 は 15.7 dB、私たちのものは 16.2 から 16.6 dB。ラウドネスレンジ:相手は 5.9 と 6.0 LU、私たちは 6.4 から 7.0 LU。RS-TW 2.0 ×0.9 は私たちのファインチューンで最も幅が広く、16.6 dB と 7.0 LU、標準の YuE2-3B(16.5 dB、7.0 LU)と同じ広さです。数字で見るその地殻変動です。×0.75 はより引き締まっていて、16.2 dB と 6.6 LU です。

ギリシャ語の詩編 22 の 1/3 オクターブ・スペクトル、Tsunami Wave の 4 つの強さでギリシャ語の詩編 22 の 1/3 オクターブ・スペクトル、Tsunami Wave の 4 つの強さで

四つの強さ、一つの詩編

ブラインドセット:12 枚のカードを、RS-FW 2.4 の上で Tsunami Wave の 4 つの強さで歌わせ、どの強さでも同じシードを使いました。ギリシャ語の詩編 22 では、×0.75/0.75 から ×0.8/0.8 への一歩でサブベース 20–60 Hz から 36 dB が消え、−7.9 dB から −44.3 dB になりました。歌の足もとから床が抜けたのです。12 枚全体では揺れはもっと穏やかで、サブベースは ×0.75/0.75 で −8.5 dB、ほかの 3 つで −10.4 から −11.0 dB。×0.75/0.75 は 12 枚中 6 枚でリング自身の中央値曲線に最も近く、平均距離は 4.1 dB、ほかは 4.8〜5.2 dB でした。だから 2.0.6 ではスタジオの既定が ×0.75 になり、×0.9 は安定を約束しないほうになります。

CPU 上で私たち自身のコードで測定:Welch スペクトルからの 1/3 オクターブ帯域、ラウドネスとそのレンジは ITU-R BS.1770-4 と EBU Tech 3342 に従っています。どの図もクリックで大きく開きます。

ステレオが語ること

リングの 280 テイクを、その広がりで測りました。4 つの帯域それぞれで、2 つのチャンネルの差の半分であるサイドを、和の半分であるミッドと比べます。ミッドに対するサイドが dB で高いほど、その帯域は広く聞こえます。モノラルのテイクにはサイドがまったくありません。パノラマは、左右のチャンネルのレベル差がテイクの中でどこまで振れるかを、5 パーセンタイルから 95 パーセンタイルまでの幅として dB で示したものです。数字はどれも各側のテイクの中央値で、SUNO v6 と Musicful V3 は 20 テイク、私たちのものはそれぞれ 40 テイクです。ここでは広いほど良いのではなく、ただ広いだけです。この表には順位がありません。

−20−16−12−8−4dB20–200 Hz0.2–2 kHz2–8 kHz8–20 kHz
  • SUNO v6
  • Musicful V3
  • YuE2-3B
  • RS-FW 0.7 · 1.5 · 2.4
  • RS-TW 2.0 ×0.75
  • RS-TW 2.0 ×0.9

4 つの帯域でのミッドに対するサイド(dB、各側のテイクの中央値)。高いほど広がります。

未加工で計測、中央値ミッドに対するサイド、dBパノラマ、dB
低域
20–200 Hz
中域
0.2–2 kHz
高域
2–8 kHz
空気感
8–20 kHz
SUNO v6−12.5−7.0−6.8−9.66.4
Musicful V3−13.0−7.2−5.9−7.96.6
YuE2-3B−17.4−8.2−7.9−10.66.4
RS-FW 0.7−17.2−8.5−7.3−10.95.9
RS-FW 1.5−17.4−7.5−6.6−10.26.3
RS-FW 2.4−16.5−8.0−7.9−11.26.4
RS-TW 2.0 ×0.75−19.0−8.1−7.9−11.66.0
RS-TW 2.0 ×0.9−20.1−8.9−8.2−12.05.9

私たちのマージは、中域と高域を標準の YuE2-3B と同じところに保ち、差はどれも 1.3 dB 以内です。RS-TW 2.0 は両端が少し狭く、×0.75 は低域で 1.6 dB、空気感で 1.0 dB、パノラマで 0.4 dB、×0.9 は 2.7、1.4、0.5 dB 狭くなります。SUNO v6 と Musicful V3 は低域を標準の YuE2-3B より 4.9 dB と 4.4 dB 広げています。

Viktor の耳には、RS-TW 2.0 の狭まった両端は失われたステレオではなく、より落ち着いた響きに聞こえます。標準の YuE2-3B はギターを片方のチャンネルに 15〜20 秒とどめることがよくあります。

CPU 上の自前のコードで測りました。各テイクの最初の 240 秒について 50 ms ごとに 4096 点の短時間スペクトルを取り、ミッドとサイドは (L+R)/2 と (L−R)/2、パノラマは 200 Hz – 8 kHz でのチャンネル間のレベル差から、テイクの最大音量から 40 dB 以内の瞬間で求めています。

必要なもの

マシン

  • NVIDIA の GPU:フル精度ですべてに 24 GB。12–16 GB と 8 GB でも小さいコピーで動きます(映像師は 24 GB が必要)
  • Linux(Ubuntu 24.04、CUDA 12.8 で作成)
  • ディスク約 34–41 GB、新規インストールで計測:プログラムとその Python(17 GB)、モデル(カードにより 17〜24 GB、fetch-models.sh が取得し、固定し、検証)。絵師のモデルはさらに 39–43 GB、💎 セットは 5.6 GB、どちらも求めたときだけ

画面

  • 1920×1080、100 % のブラウザーウィンドウ向けに作られています
  • 理想:2K(2560×1440)、22″ 以上、16:9 またはそれより横長
  • 長時間の作業のための 2 つのテーマ:昼は Scroll & Brick、夜は Scroll by Lamplight、ほかに 20

オプション

  • ライター用のチャットサーバー(vLLM、LM Studio、Ollama)または OpenRouter のキー
  • DAW:REAPER、Waveform 14+、Bitwig
  • さらなる GPU:歌と並行してトレーニングとラボの作業を

無料のクラウド GPU では動きません。Ruach Studio は Google Colab や Kaggle、無料のノートブック用 GPU では動かないので、そこで一晩を費やさないでください。ノートブックではなく、まるごとのスタジオです。住むマシンの上で C++/CUDA のエンジンをビルドし、その横でサーバーと Python のラボを動かし続け、ディスクを約 34–41 GB(絵師込みで 74–84 GB)使います。無料セッションのカード、メモリ、消えるディスク、数時間の制限では支えきれません。自分の Linux マシンか、借りて持ち続けるサーバーに NVIDIA のカードを。すべてに 24 GB、小さいモデルのコピーなら 16 GB です。

ダウンロードするもの

スタジオのリポジトリの固定リストと新規インストールのディスクで、ファイルごとに計測(1 GB = 10⁹ バイト)。インストールで入るのはクリエイター、司書、仕上げ師のチェーン。ほかの部屋は求めたときだけ、エンジン → モデルと LoRA → 部屋ごと から。先に空き容量を測り、収まらないものは取得しません。

24 GB のカード12–16 GB のカード8 GB のカード
プログラムと、ここでビルドするエンジン(ダウンロード 0.2 GB)0.9 GB0.9 GB0.9 GB
二つの Python、それぞれに CUDA 12.8 用の PyTorch(ダウンロード 8.7 GB)16.5 GB16.5 GB16.5 GB
YuE2 と Ruach Studio 独自のファインチューン、カードに合う量子化で14.9 GB8.2 GB8.2 GB
残り:追加のデコーダー二つ、トランスクライバー、Whisper、ステムのモデル、UniverSR と Apollo-vocal、LoRA8.8 GB8.8 GB8.8 GB
インストール41.1 GB34.4 GB34.4 GB
+ ライター:llama.cpp で動く言語モデル7.4 GB7.4 GB6.2 GB
+ 仕上げ師:MuScriptor と FlashSR6.1 GB6.1 GB6.1 GB
+ 絵師:助手と Qwen-Image 2512(24 GB で Q6、それ未満は Q4)42.9 GB39.3 GB39.3 GB
+ 映像師:MiniMax H3 と SeedVR286.3 GB24 GB が必要24 GB が必要
+ LoRA トレーナー:ベースとスタイルの聞き手20.2 GB16.3 GB12.9 GB
すべての部屋204.0 GB103.5 GB98.9 GB

名前で求めたときだけ:ほかのサウンドエンジン(IRA、IRAE、RS-FW のマージ、量子化により 35〜86 GB)、絵師のアダプター(7.5 GB)とファインチューン(各 20.4 GB)、MiniMax H3 の全ティア(201 GB)または BF16(478 GB)、💎 セット(5.6 GB)。含まないもの:NVIDIA のドライバーと CUDA toolkit、Pianoteq(各自で購入)、あなたのテイク。

これから

2.0.5 は、私たちが毎日自分の曲を作っている Studio です。2.1.0 以降に向けて進んでいる大きな部分はこちら。

  • モデルが書くように曲を編集。任意の位置からテイクを延長。隣のセクションの声・調・小節を保ったままセクションを書き直し、モデル自身のトークンで縫い合わせ。テイク自身の楽譜の上に器楽のレイヤーを。
  • DAW、さらに。テイクの上にコードレーンと拍のグリッド、どのテイクからでも取れるリファレンス、MIDI キーボードの演奏を譜面に書き込むピアノロール。
  • 映像師、さらに。クリップ上に一語ずつ歌詞を、全シーンに同じ色を。
  • ファインチューンの次の波。YuE2 が最も苦手に歌うものから学び、公開前にブラインドで聴き比べます。
  • REAPER、Waveform、Bitwig 用のネイティブプラグイン。スタジオが仲間を見つけたら。

ライセンス

コード

  • GNU AGPL バージョン 3 以降:誰でも使い、学び、変え、渡すことができ、フォークもソースとともに開かれたままです。

名前とアート

  • ロゴ、名前「Ruach Studio」、それとともに公開された音声と絵:CC BY-NC-ND 4.0。

モデル

  • YuE2 の重みは CC BY-NC 4.0 です。そのライセンスは重みについて述べており、それで作った歌については述べていません:売る前に読んでください。

肩を借りているもの

  • m-a-p による YuE2 と MERT-v2:モデル
  • ServeurpersoCom による yue2.cpp:ggml 上の C++ エンジン、独自のパッチとともにここへ
  • IronWolve による YuE2 Kit:ページとスクリプトの土台
  • Ostris による AI-Toolkit:トレーナーの YuE2 コードはここから移植
  • Mothersuperior:realaudio トークナイザーヘッドと VAE のマージ
  • Qwen2.5-Omni(聴き手)、Whisper(歌詞チェック)、BS-Roformer と htdemucs(ステム)、UniverSR(アップスケール)
  • Qwen による Qwen-Image 2512、lightx2v の Lightning 付き:アートワーク
  • YuE2 Studio:楽譜チェッカー、GTSinger:トレーニング用の声

ちょっとした話

Ruach Studio の作者 Viktor Zhuromskyy は、話題づくりのためにこれを公開しているのではありません。自分のために作ったのです。有料プランで Suno と半年以上格闘し、取り組むに値するモデルを探し回った末に(ACE-Step、MiniMax ほか)、彼は自分のマシンの上に自分だけのオーディオスタジオを作ろうと決めました。選んだのは YuE2 でした。オープンなモデルの中で、最も割に合い、最も洗練されているからです。

彼は、とりあえず動けばいいという作り方はしませんでした。自分の流儀で作りました。彼の創作は彼自身のもの、洗練された唯一無二のものだからです:自身の翻訳、行間対訳のテキスト、そのほか多くのもの。詰め込めるだけ詰め込み、磨けるだけインターフェースを磨き、スタジオでの創作を、松葉杖と穴ぼこの間を手探りでクリックすることではなく、本当に生産的なものにしました。

話はこれで全部です。これからは、このスタジオはあなたのものでもあります。