Canções a partir de palavras e acordes
na sua própria máquina

Sete salas, um Estúdio

O Criador faz a canção, o Escritor a escreve com um modelo de chat, o Lapidador a termina, o Pintor pinta as suas imagens, o Videógrafo planeja o seu videoclipe, o Bibliotecário guarda cada take, e o Treinador LoRA ensina ao YuE2 as suas próprias canções. Um guia para cada sala está dentro do Estúdio.

Criador

Estilo, letra, modo de planejamento, decodificador, LoRAs numa estrada do verde ao vermelho; o take com a sua partitura, sementes e tudo para refazê-lo.

Escritor

Canções como documentos com versões, perfis de texto e um modelo de chat seu (ou o OpenRouter) que esboça e revisa com você.

Lapidador

Espectro, artefatos, antizumbido, checagem da letra pelo Whisper, stems, remasterização, upscale; uma só cadeia roda todos.

Pintor

Imagens para as suas canções a partir de um prompt seu: quadrada, larga e alta de uma só semente, pintadas pelo Qwen-Image 2512; a imagem se revela diante dos seus olhos, e uma quadrada vira a capa do take. Uma prévia inicial.

Videógrafo

Um videoclipe para o take: a canção cortada em planos nos versos cantados, as cenas escritas com o Escritor, os fotogramas-chave pintados pelo Artista, os planos em movimento pelo MiniMax H3; uma timeline para montar, um visual (LUT 3D, grão), um animatic e o clipe. Beta.

Bibliotecário

Cada take em espaços: buscado, curtido, anotado, bloqueado, com arte, enviado à sua DAW; uma lixeira que devolve.

Treinador LoRA

Adaptadores das suas próprias canções: o conjunto, o treino, as curvas das duas metades explicadas, as épocas que vale ouvir primeiro.

A colinha ♪

200 instrumentos sondados e julgados de ouvido: o que o YuE2 toca de verdade, o que toca fraco, o que não conhece.

O guia · F1

Todo o Estúdio explicado dentro do próprio Estúdio, à distância de uma tecla: cada sala e cada botão, o que faz e os números que medimos, em doze línguas. Feito para o prazer de criar, não para horas de pesquisa na internet.

O que faz dele um Estúdio

Não é mais um invólucro de modelo: uma estação de trabalho em torno do modelo, aberta até o osso, cada mudança numerada e documentada.

• Canções inteiras, de até oito minutos. Uma canção de 6:12 em 135 s; uma canção de 7:25 com a partitura primeiro em 212 s, numa única RTX 3090.
• A partitura primeiro, e você a edita. O YuE2 escreve a melodia e os acordes em ABC antes de soar uma nota: mude-os, transponha-os, traga a sua própria partitura ou MIDI, e a canção a segue.
• Duas sementes, não uma. Mantenha a canção (a semente musical), ouça-a renderizada de novo (a semente sonora).
• O seu próprio som. Treino de LoRA nas suas próprias canções, no Estúdio, sem quantização (bf16), com telemetria que diz quais épocas ouvir primeiro.
• Pós-produção, toda local. Stems (BS-Roformer, htdemucs), antizumbido, remasterização, upscale (UniverSR), checagem da letra pelo Whisper.
• Para a sua DAW (experimental). Um projeto REAPER com os stems, a partitura em MIDI, as seções e a letra na linha do tempo; DAWproject para Waveform e Bitwig.
• Letras que seguem o tempo. Os tempos de cada linha contra a régua da sua seção: sílabas pelas regras próprias de cada idioma, e as consoantes que pegam um tempo só delas; as tags de seção oferecidas enquanto você digita «[»; acentos fora do lugar encontrados.
• Um escritor que conhece o motor. O estilo em tags curtas, a mais importante primeiro: o jeito que o YuE2 segue melhor.
• Várias GPUs, várias tarefas. Síntese numa placa, treino nas outras; com uma placa só, a página diz o que espera.
• Para scripts e agentes. Uma API (OpenAPI 3.1) e um servidor MCP na sua máquina e na sua rede.
• O seu idioma. A página inteira, e o guia dela, em inglês, russo, ucraniano, bielorrusso, grego, espanhol, italiano, francês, português, alemão, japonês e chinês.

Uma guarda contra lixo

Quando a metade música escreve uma partitura quebrada (adaptadores forçados demais fazem isso), o motor para a execução antes que qualquer música seja construída sobre ela, em segundos, e diz por quê: quais adaptadores, quanto além dos limites, o que foi escrito.

As forças ficam em estradas medidas; adaptadores empilhados dividem um teto medido.

O seu próprio treinador de LoRA

O Estúdio treina adaptadores sozinho, com pesos bf16 sem quantização. Contra o AI-Toolkit do Ostris no mesmo conjunto, a perda da metade música concorda época a época dentro de 0.015.

Rank 16 em 148 canções: 2.1 s por passo em 12 GB. Rank 32 em 42 canções inteiras: 6.7 s por passo em 18 GB.

Letras que seguem o tempo

Ao lado de cada linha os seus tempos, contra a régua da sua seção: verso e ponte um grupo, o pré-refrão e o refrão o seu próprio. Uma sílaba é contada pelas regras próprias de cada idioma, e as consoantes que pegam um tempo só delas também contam; uma pausa ou um interlúdio dentro de uma seção não abre grupo novo.

Digite «[» no começo de uma linha e as tags de seção são oferecidas, como um editor de código oferece as suas palavras. Acentos fora do lugar são encontrados; Ctrl+F busca só naquela caixa.

Ruach Estúdio e SUNO, com honestidade

Toda semana um vídeo diz que algum modelo mata o SUNO. Isto não é um modelo: é um Estúdio inteiro à volta de um, com um fine-tune próprio. Onde ganha, e onde o SUNO ainda ganha, dito com clareza.

«—»: não encontrámos, em mais de meio ano nos planos pagos do SUNO. O SUNO muda depressa; isto é novembro de 2026.

O ringue: YuE2 contra SUNO v6 e Musicful

Vinte cartões, cada um com uma linha de estilo e uma letra, enviados sem alterações a cada lado. SUNO v6 e Musicful V3 tal como os seus serviços os entregam; os nossos em bruto, saídos do motor, cantados de novo em novembro com cada pico inteiro: o YuE2-3B de origem, o nosso próprio ajuste fino RS-FW em três dos seus pontos guardados e o RS-TW 2.0. Aqui cada faixa toca ao mesmo volume, para que nenhuma ganhe por ser mais alta. Toque num nome para ouvir; outro nome no mesmo cartão continua a partir do mesmo segundo.

O RS-TW 2.0 é o nosso segundo ajuste fino: a sua época 2.0, fundida sobre o RS-FW 2.4 em duas intensidades: ×0.75, o equilíbrio seguro, e ×0.9, mais tectónica, sem garantia de estabilidade. Os nossos são duas sementes por cartão, ambas aqui, nenhuma escolhida em vez da outra: o seletor do leitor dá a semente 1 ou a semente 2 e mantém-na de cartão em cartão, e as médias da tabela contam as duas.

primeiro · segundo · terceiro dos oito em cada linha, o primeiro também em negrito; ↥ maior é melhor, ↧ menor é melhor, → melhor o mais próximo do valor indicado, o pico real por baixo. As células com o mesmo número partilham a cor.

Cada lado é ouvido pelo Whisper large-v3 numa RTX 3090, a mistura e a voz da mesma forma: a primeira linha do Whisper na mistura, a segunda na voz separada, onde o BS-Roformer separa da música todas as vozes de cada faixa, a principal, as vozes de apoio e o coro juntos, nunca só a principal. Sem a música, o Whisper às vezes perde versos inteiros e escreve nas pausas palavras que ninguém cantou, em todos os lados, por isso as duas linhas leem-se melhor juntas.

FW e TW são os nomes de código dos nossos dois ajustes finos do YuE2 3B: First Wave e Tsunami Wave. O Tsunami Wave foi treinado em 109.250 faixas, cerca de 6.650 horas: 66,7% das horas instrumentais, 31,6% cantadas, 1,8% faladas. As vozes estão em inglês (7,0% das horas), russo (5,8%), hebraico (1,7%), grego e ucraniano (0,6% cada), francês e espanhol (0,5% cada), português (0,3%), italiano (0,2%) e mais catorze línguas abaixo de 0,1% cada; em 15,9% das horas ouve-se uma voz cuja língua não foi identificada.

Os deles chegam masterizados, os nossos em bruto, ao nível próprio do descodificador, com cada pico inteiro: o volume fica para a masterização, que é com o Lapidador do Estúdio. Outras sementes e outros prompts soam diferentes em cada lado; o ringue mostra a qualidade e a dispersão, não uma classificação final. A tabela inteira e como foi medida: a ficha do modelo.

O que diz o espectro

O ringue medido em vez de ouvido: 280 faixas, 40 para cada um dos nossos seis lados, 20 do SUNO v6 e 20 do Musicful V3. Cada faixa foi primeiro levada a −14 LUFS, para que o volume não ganhe nada, e cada curva é o nível próprio da faixa, banda a banda, face a toda a sua potência: compara-se só a forma. As nossas são a saída em bruto do motor, as deles chegam masterizadas, por isso parte das diferenças abaixo é da masterização.

Medido com o nosso próprio código no CPU: bandas de terço de oitava a partir de um espectro de Welch, loudness e a sua amplitude segundo ITU-R BS.1770-4 e EBU Tech 3342. Cada imagem abre maior com um clique.

O que diz o estéreo

As 280 faixas do ringue, medidas na sua largura. Em cada uma de quatro bandas, o sinal lateral, metade da diferença dos dois canais, é posto frente ao central, metade da sua soma: quanto mais alto o lateral sobre o central em dB, mais larga soa essa banda, e uma faixa em mono não teria lateral nenhum. O panorama é quanto oscila a diferença de nível entre o canal esquerdo e o direito ao longo de uma faixa, do seu percentil 5 ao seu percentil 95, em dB. Cada número é a mediana das faixas de um lado, 20 para o SUNO v6 e para o Musicful V3, 40 para cada um dos nossos. Mais largo aqui não é melhor, só mais largo: esta tabela não tem lugares.

As nossas fusões mantêm os médios e os agudos onde os tem o YuE2-3B de origem, nunca a mais de 1,3 dB. O RS-TW 2.0 é um pouco mais estreito nas pontas: ×0.75 em 1,6 dB nos graves, 1,0 dB no ar e 0,4 dB no panorama, ×0.9 em 2,7, 1,4 e 0,5 dB. O SUNO v6 e o Musicful V3 abrem os graves 4,9 e 4,4 dB mais do que o YuE2-3B de origem.

Ao ouvido do Viktor, as pontas mais estreitas do RS-TW 2.0 soam mais firmes, não como estéreo perdido: o YuE2-3B de origem estaciona muitas vezes uma guitarra num só canal durante 15 a 20 segundos.

Medido com o nosso próprio código na CPU: um espectro de tempo curto de 4096 pontos a cada 50 ms nos primeiros 240 segundos de cada faixa, o central e o lateral como (L+R)/2 e (L−R)/2, o panorama a partir da diferença de nível dos canais em 200 Hz – 8 kHz, nos momentos a menos de 40 dB do mais forte da faixa.

O que você precisa

O que ele baixa

Medido arquivo por arquivo nas listas fixadas dos repositórios do Estúdio e no disco de uma instalação nova (1 GB = 10⁹ bytes). A instalação traz o Criador, o Bibliotecário e a cadeia do Lapidador; qualquer outra sala só vem quando você pede, em Motor → Modelos e LoRAs → Por sala, que mede antes o espaço livre e não baixa o que não caberia.

Só quando pedido pelo nome: os demais motores de som (as fusões IRA, IRAE e RS-FW, de 35 a 86 GB conforme o quant), os adaptadores do Pintor (7,5 GB) e os fine-tunes (20,4 GB cada), todos os níveis do MiniMax H3 (201 GB) ou o BF16 (478 GB), os conjuntos 💎 (5,6 GB). Não contam: o driver da NVIDIA e o CUDA toolkit, o Pianoteq (você compra), as suas tomadas.

O que vem a seguir

O 2.0.5 é o Estúdio em que fazemos todos os dias as nossas canções. Estas são as peças maiores a caminho, para o 2.1.0 e depois.

• Canções editadas como o modelo as escreve. Um take estendido a partir de qualquer momento; uma seção reescrita mantendo a voz, a tonalidade e os compassos das vizinhas, costurada nos próprios tokens do modelo; uma camada instrumental sobre a partitura do próprio take.
• A DAW, mais adiante. Uma faixa de acordes e uma grelha de tempos sobre o take, uma referência tirada de qualquer take e um piano roll que escreve na partitura o que toca no teclado MIDI.
• O Videógrafo, mais adiante. A letra sobre o clipe, palavra a palavra, e uma só cor em todas as suas cenas.
• A próxima onda do nosso fine-tune. Aprende com o que o YuE2 canta pior, e ouve-se às cegas antes de sair.
• Plugins nativos para REAPER, Waveform e Bitwig, quando o Estúdio tiver encontrado a sua gente.

Licenças

Sobre os ombros de

• YuE2 e MERT-v2 da m-a-p: o modelo
• yue2.cpp do ServeurpersoCom: o motor C++ sobre ggml, trazido aqui com os seus próprios patches
• YuE2 Kit do IronWolve: a base da página e dos scripts
• AI-Toolkit do Ostris: o código YuE2 do treinador foi portado dele
• Mothersuperior: a cabeça do tokenizer realaudio e a fusão do VAE
• Qwen2.5-Omni (o ouvinte), Whisper (a checagem da letra), BS-Roformer e htdemucs (stems), UniverSR (upscale)
• Qwen-Image 2512 da Qwen, com Lightning da lightx2v: as artes
• YuE2 Studio: o verificador de partitura; GTSinger: vozes para treinar