UK
OSEMПросто AWESOMEOpen Source, Engaged & Musical

Пісні зі слів і акордів
на твоїй власній машині

Ціла Студія довкола YuE2, відкритої моделі пісень. Пишеш стиль і текст, а Студія складає, співає й зводить пісню на твоїй власній відеокарті. Твої пісні, слова й налаштування ніколи її не покидають.

2.0.5 · кожен пік цілий, родовід семплів і Студія по https · листопад 2026
Творець удень: форма пісні, семпл, який ти слухаєш, і всі семпли Творець уночі
8 хвцілі пісні, до восьми хвилин
135 спісня на 6:12 на одній RTX 3090
6 хвпісня на 4 хвилини на Intel Arc Pro B50, 16 ГБ, 70 Вт (бета)
7 кімнатскладати, писати, гранити, малювати, знімати, зберігати й навчати
200інструментів, перевірених на слух
12мов сторінки

Руах Студія — відкрита генерація музики на твоєму власному залізі: модель, партитура, адаптери й кожен семпл лишаються твоїми, і нічого не здається в оренду за токени. Відкриті моделі вже досить добрі, щоб стояти на власних ногах, а бракувало Студії довкола них: її ми й будуємо, відкрито.

Музику має бути вільно творити й ділитися нею: той, хто не має ні голосу, ні інструмента, ні Студії, однаково має право покласти свої думки й почуття на звук.

Сім кімнат, одна Студія

Творець створює пісню, Письменник пише її з чат-моделлю, Огранювач доводить її, Художник малює її картинки, Відеограф готує їй кліп, Бібліотекар зберігає кожен семпл, а Тренер LoRA навчає YuE2 твоїх власних пісень. Посібник до кожної кімнати — всередині Студії.

ТворецьТворець

Творець

Стиль, текст, режим планування, декодер, LoRA на дорозі від зеленого до червоного; семпл із його партитурою, сідами й усім, щоб створити його знову.

ПисьменникПисьменник

Письменник

Пісні як документи з версіями, текстові профілі й твоя власна чат-модель (або OpenRouter), що пише чернетки й правки разом із тобою.

ОгранювачОгранювач

Огранювач

Спектр, артефакти, антигул, перевірка тексту через Whisper, стеми, ремастер, апскейл; один ланцюжок запускає їх усі.

ХудожникХудожник

Художник

Картинки для твоїх пісень за твоїм власним промптом: квадратна, широка й висока з одного сіда, малює Qwen-Image 2512; картинка проявляється на очах, а квадратна стає обкладинкою семплу. Ранній показ.

Відеограф: кадри семпла на таймлайні над його піснеюВідеограф: кадри семпла на таймлайні над його піснею

Відеограф

Кліп до семпла: пісню нарізано на кадри за проспіваними рядками, сцени пишуться з Писарем, ключові кадри малює Художник, рухомі — MiniMax H3; таймлайн для монтажу, вигляд (3D LUT, зерно), аніматик і кліп. Бета.

БібліотекарБібліотекар

Бібліотекар

Кожен семпл у просторах: знайдений, оцінений, із нотаткою, під замком, з обкладинкою, надісланий у твою DAW; кошик, що повертає.

Тренер LoRAТренер LoRA

Тренер LoRA

Адаптери з твоїх власних пісень: набір, запуск, криві обох половин із поясненням, епохи, які варто послухати першими.

Шпаргалка інструментів

Шпаргалка ♪

200 інструментів, перевірених і оцінених на слух: що YuE2 справді грає, що звучить у неї рідко і чого вона не знає.

Гайд поверх Творця (F1)Гайд поверх Творця (F1)

Гайд · F1

Уся Студія пояснена всередині самої Студії, на відстані однієї клавіші: кожна кімната й кожна ручка, навіщо вона і які цифри ми наміряли, дванадцятьма мовами. Створено для радості творити, а не для багатогодинних пошуків в інтернеті.

Чому це Студія

Не чергова обгортка над моделлю, а майстерня довкола неї: відкрита до кісток, кожна зміна пронумерована й описана.

  • Цілі пісні, до восьми хвилин. Пісня на 6:12 за 135 с; пісня на 7:25 з партитурою спершу за 212 с, на одній RTX 3090.
  • Спершу партитура, і правити її тобі. YuE2 пише мелодію й акорди в ABC раніше, ніж пролунає хоч одна нота: змінюй їх, транспонуй, приноси свою партитуру чи MIDI, і пісня піде за нею.
  • Два сіди, а не один. Залиш пісню (музичний сід) і почуй її відрендереною наново (звуковий сід).
  • Твій власний звук. Навчання LoRA на твоїх власних піснях, просто в Студії, без квантизації (bf16), з телеметрією, що підкаже, які епохи слухати першими.
  • Постпродакшн, увесь локально. Стеми (BS-Roformer, htdemucs), антигул, ремастер, апскейл (UniverSR), перевірка тексту через Whisper.
  • У твою DAW (експериментально). Проєкт REAPER зі стемами, партитурою в MIDI, секціями й текстом на таймлайні; DAWproject для Waveform і Bitwig.
  • Лірика, що тримає такт. Долі кожного рядка проти лінійки його розділу: склади за правилами кожної мови й приголосні, що беруть свою долю; теги розділів підказуються, поки набираєш «[»; наголоси повз голосну знаходяться.
  • Письменник, який знає рушій. Стиль короткими тегами, найважливіше першим: так YuE2 слідує найкраще.
  • Кілька відеокарт, кілька завдань. Синтез на одній карті, навчання на інших; з однією картою сторінка скаже, що чекає.
  • Для скриптів і агентів. API (OpenAPI 3.1) і MCP-сервер на твоїй машині й у твоїй мережі.
  • Твоя мова. Уся сторінка і її гайд — англійською, російською, українською, білоруською, грецькою, іспанською, італійською, французькою, португальською, німецькою, японською та китайською.
Вавилон у партитурі: запуск зупинено, і сказано чому
Вавилон у партитурі: спійманий через 15 с після старту

Сторож від сміття

Коли музична половина пише зламану партитуру (так буває з адаптерами, викрученими надто сильно), рушій зупиняє запуск раніше, ніж на ній збудується хоч якась музика, за секунди, і каже чому: які адаптери, наскільки вони вийшли за свої межі, що було написано.

Сили стоять на виміряних дорогах; складені адаптери ділять виміряну стелю.

Криві Тренера
Криві обох половин, із поясненням

Свій тренер LoRA

Студія сама навчає адаптери, на неквантованих вагах bf16. Проти AI-Toolkit від Ostris на тому самому наборі втрата музичної половини сходиться епоха в епоху в межах 0.015.

Ранг 16 на 148 піснях: 2.1 с на крок у 12 ГБ. Ранг 32 на 42 цілих піснях: 6.7 с на крок у 18 ГБ.

Редактор лірики: долі кожного рядка проти лінійки розділу
Долі кожного рядка проти лінійки розділу

Лірика, що тримає такт

Біля кожного рядка його долі, проти лінійки його розділу: куплет і міст одна група, передприспів і приспів свої. Склад рахується за правилами кожної мови, і приголосні, що беруть свою долю, теж ідуть у лічбу; пауза чи інтерлюдія всередині розділу нової групи не відкриває.

Набери «[» на початку рядка, і теги розділів підкажуться, як редактор коду підказує слова. Наголоси повз голосну знаходяться; Ctrl+F шукає тільки в цьому полі.

Руах Студія і SUNO, чесно

Щотижня якесь відео оголошує, що чергова модель убиває SUNO. Це не модель, а ціла Студія навколо моделі, з власним файнтюном. Де вона виграє, а де поки що виграє SUNO, сказано прямо.

Руах Студія (YuE2)SUNO
де живена твоїй відеокарті; пісні, слова й налаштування ніколи її не покидають, а після встановлення їй не потрібен інтернету їхній хмарі
скільки коштуєелектрика: ні кредитів, ні тарифів, ні денних лімітівпідписка й кредити
модельYuE2 і наш власний файнтюн RS-FW, перший великий відкритий: обидві половини навчено заново на 32 633 треках, близько 1 800 годин, і опубліковано кожне слово, яке їм казализакрита; на чому вона вчилася, не опубліковано
партитурапишеться першою, видна, правиться, твоя (ABC, MIDI); піано-рол на все вікноприхована
лірикалічильник біля кожного рядка: його долі проти лінійки розділу, склади за правилами кожної мови; теги розділів підказуються під час набору «[»текстове поле; текст напишуть за тебе на запит
повторити семплточно: два сіди, які ти зберігаєшні
ведення (CFG)дві, окремо: тяжіння стилю і хватка лірики, у кожної свій CFGодна ручка Style Influence
замінити секціюїї слова співаються наново між паузами, які знаходить слух, решта семпла зберігається до відліку: шва не чути; кілька секцій за один західReplace Section: у наших пробах майже ніколи не годиться — шви чути, голос змінюється
родовід семплародовідне дерево: кожна обрізка, версія й перегенерація, з яких семпл вийшов, і все, що вийшло з нього, у кожного своя хвиля—
бібліотекапростори з розділами, шістнадцять реакцій, нотатки, захист і кошик, що повертає, пошук із зірочками та «не», сліпі набори для чесного прослуховування, листівка й паспорт у кожного семплапростори, лайки й плейлисти
порівняння семплівдо дванадцяти версій в одному плеєрі з тієї самої секунди, за іменами або наосліп, на рівній гучності, вирівняні за власним звуком—
твій власний звукнавчи LoRA на своїх піснях, просто в Студіїнавчання немає; Personas переносять голос і стиль однієї пісні
чого YuE2 не зіграєMIDI-оркестр за власною партитурою семпла (набори SFZ і Pianoteq, якщо він у тебе є) і природа під піснею: вогонь, дощ, річки, птахи—
свої інструментиМайстер банок перетворює записи одного інструмента (дудук, шофар) на банку SFZ: голоси, крики й чужі інструменти вислухані геть, ноти знайдено за клавішами, підстроєно й закільцьовано; у DAW вона звучить під піснею підкладкою, гулом у її тональності або MIDI-партією—
кожен пік цілийжодного зрізу на виході: довгі хвости реверберації й тиша лишаються цілими; родовідне дерево показує, де кусав би старий зрізвіддається вже відмастереним (у нашому рингу: −15,5 LUFS, −3,4 dBTP)
після рендерустеми, антигул, ремастер, апскейл, перевірка тексту й мастер під цільову гучність (Spotify −14, Apple Music −16, CD −9), усе локальностеми й ремастер, у хмарі
мікшерDAW в Огранювачі: доріжки з еквалайзером, гейтом, компресором, шириною й посилами, автоматизація, маркери, звук доріжки як пресетSuno Studio, у браузері, на старшому тарифі
бачити звукспектрограма всього семпла над плеєром, урівень із хвилею: секції, яскравість і гучність, спектр і нота під вказівникомхвиля
картинки й відеоХудожник малює обкладинку, 16:9 і 9:16 за твоїми словами; Відеограф планує кліп, малює його ключові кадри й дає йому вигляд (3D LUT, зерно, віньєтка)обкладинка
у DAWпроєкт REAPER з партитурою, секціями й текстом (експериментально)аудіостеми
скрипти й агентиAPI (OpenAPI 3.1) і MCP-сервер, на твоїй машині й у твоїй мережіпублічного API немає
походженняContent Credentials (C2PA) вшиті в кожне завантаження, від твого імені, якщо хочеш—
кодвідкритий (AGPL), кожна зміна пронумерована й описаназакритий
інтерфейссім кімнат на одній сторінці, дванадцятьма мовами; підказка в кожного контрола й гайд у кожній кімнаті; плеєр і семпли в кожній кімнаті; клавіші для частих дій; ставиться як застосуноквебзастосунок і мобільні застосунки
лиск з коробкименше: мікс може гудіти (допомагає антигул), текст може розпливатися (перевірка тексту знайде де), деякі інструменти YuE2 грає рідко або не грає зовсім (їх навчить LoRA)більше
що потрібновідеокарта NVIDIA (24 ГБ на все в повній точності; 12–16 ГБ і 8 ГБ з меншими копіями), Linux, 34–41 ГБ дискабраузер

«—»: такого ми не знайшли за понад пів року на платних тарифах SUNO. SUNO змінюється швидко; таблиця станом на листопад 2026.

Ринг: YuE2 проти SUNO v6 і Musicful

Двадцять карток, у кожній рядок стилю й текст, надіслані без змін кожній стороні. SUNO v6 і Musicful V3 — такими, якими їх віддають їхні сервіси; наші — сирими з рушія, заново проспіваними в листопаді з усіма піками цілими: стокова YuE2-3B, наш власний файнтюн RS-FW на трьох його збереженнях і RS-TW 2.0. Тут кожен файл звучить з однаковою гучністю, тож ніхто не виграє тим, що гучніший. Натиск на ім'я вмикає його; інше ім'я на тій самій картці продовжує з тієї ж секунди.

RS-TW 2.0 — наш другий файнтюн: його епоха 2.0, злита поверх RS-FW 2.4 з двома силами: ×0.75 — надійний баланс, ×0.9 — тектоніка, без гарантії стабільності. Наших — по два сиди на картку, обидва тут, жоден не обраний замість іншого: перемикач у плеєрі дає сид 1 або сид 2 і тримає його від картки до картки, а середні в таблиці рахують обидва.

01 Рок-балада ru
02 Синті-поп ru
03 Фолк-поп з бандурою uk
05 Госпел en-US
07 Брит-поп, британський акцент en-UK
08 Ліквід драм-н-бейс en-UK
09 Чиказький дрил en
10 Чиказький блюз en
11 Шансон, вальс fr
13 Поп-опера, тенор it
15 Ребетика, бузукі el
17 J-pop, опенінг аніме ja
18 Сіті-поп ja
19 Балада мандаринською zh
20 Китайський фолк-ф'южн zh
21 Фаду pt-PT
22 Боса-нова pt-BR
23 Самба pt-BR
24 Дудук, наше власне поле ru
25 Індастріал-метал ru
заміряно сирим, середніSUNO v6Musicful V3YuE2‑3BRuach Studio (RS-…): файнтюни YuE2 3B
FW 0.7FW 1.5FW 2.4TW 2.0 ×0.75TW 2.0 ×0.9
помилка Whisper за текстом, на міксі, % ⁠↧23.119.520.019.924.821.823.026.1
помилка Whisper за текстом, на виділеному голосі, % ⁠↧27.418.921.624.831.128.829.533.7
пісок у тиші, 6–16 kHz, dB ⁠↧-15.7-14.8-17.6-18.1-17.3-17.3-17.9-17.5
випадкові стоячі тони ⁠↧2.21.94.332.02.272.232.151.6
дзижчання декодера 25 Hz на верхах, dB ⁠↧8.38.011.411.611.611.511.611.1
клацання ⁠↧33.433.827.731.935.334.734.532.8
ділянки кліпінгу ⁠↧0.00.00.00.00.00.00.00.0
рівень шуму в найтихішій десятій частині, dBFS ⁠↧-26.6-25.2-27.7-27.6-27.0-26.6-27.1-28.2
верх спектра, kHz ⁠↥17.915.315.814.814.915.115.214.7
частота спаду 95%, kHz ⁠↥2.52.62.22.12.22.01.71.7
частка сабу 20–60 Hz, dB ⁠↥-8.6-10.2-10.0-9.6-9.9-10.4-10.0-9.8
гучність як віддано, LUFS ⁠→ ⁠−14-15.5-14.3-14.5-14.7-14.7-14.4-14.6-14.8
справжній пік як віддано, dBTP ⁠→ ⁠−1,0-3.4-0.5-0.2-0.2-0.1-0.2-0.3-0.1
частка басу 60–150 Hz, dB ⁠↥-6.0-5.6-4.3-4.8-4.5-4.5-4.4-4.8
частка зони присутності 2–5 kHz, dB ⁠↥-17.1-16.6-16.0-16.3-16.2-16.2-17.3-16.9
пік-фактор, dB ⁠↥14.415.716.516.516.616.316.216.6
діапазон гучності, LU ⁠↥5.96.27.16.66.56.46.67.1
розкид гучності p95−p10, dB ⁠↥9.49.011.510.810.410.310.811.7
розкид низів p95−p10, dB ⁠↥23.320.021.921.120.619.722.022.6
стереокореляція на середніх ⁠↥0.670.690.750.770.730.740.770.76
тривалість, с ⁠↥156.8154.5148.6148.1154.8151.9152.8149.7

перше · друге · третє з восьми в кожному рядку, перше ще й напівжирним; ↥ — більше краще, ↧ — менше краще, → — краще ближче до вказаного значення, справжній пік — знизу. Клітинки з однаковим числом — одного кольору.

Кожну сторону Whisper large-v3 слухає на RTX 3090, і мікс, і голос однаково: перший рядок Whisper — на міксі, другий — на виділеному голосі, де BS-Roformer відокремлює від музики всі голоси треку — провідний, бек-вокал і хор разом, ніколи не сам провідний. Без музики Whisper часом губить цілі рядки тексту й пише в паузах слова, яких ніхто не співав, — у кожної сторони, тож обидва рядки краще читати разом.

FW і TW — кодові імена двох наших файнтюнів YuE2 3B: First Wave і Tsunami Wave. Tsunami Wave навчався на 109 250 треках, близько 6 650 годин: 66,7 % годин — інструментал, 31,6 % — спів, 1,8 % — мовлення. Голоси звучать англійською (7,0 % годин), російською (5,8 %), івритом (1,7 %), грецькою й українською (по 0,6 %), французькою й іспанською (по 0,5 %), португальською (0,3 %), італійською (0,2 %) і ще чотирнадцятьма мовами, менше 0,1 % кожна; у 15,9 % годин голос чути, але його мову не визначено.

Їхні треки приходять відмастереними, наші — сирими, на власному рівні декодера, з усіма піками цілими: гучність лишено мастерингу, а це справа Огранювача Студії. Інші сиди та інші промпти звучать по-іншому в кожної сторони; ринг показує якість і розкид, а не остаточний рейтинг. Уся таблиця і те, як її виміряно: картка моделі.

Словники Tsunami Wave і Першої хвилі

Кожне слово, яке почули два наші файнтюни, пораховано, і за ним є пошук: 109 250 навчальних треків Tsunami Wave і 32 633 треки Першої хвилі до нього. Жанри, інструменти, голос, слова емоцій, які дав сам звук, тональності й BPM, і ключі партитур. Мало який файнтюн показує, що казали його моделі.

Що каже спектр

Ринг, виміряний, а не почутий: 280 треків, по 40 на кожну з шести наших сторін, 20 від SUNO v6 і 20 від Musicful V3. Кожен трек спершу приведено до −14 LUFS, щоб гучність нічого не вигравала, а кожна крива — це рівень треку по смугах відносно всієї його потужності: порівнюється лише форма. Наші — сирий вихід рушія, їхні — відмастерені, тож частина розривів нижче — заслуга мастерингу.

Середній третинооктавний спектр восьми сторін рингу, від 20 Hz до 20 kHzСередній третинооктавний спектр восьми сторін рингу, від 20 Hz до 20 kHz

Одна крива — до останньої октави

Від 100 Hz до 10 kHz середні криві всіх восьми сторін тримаються в межах 5,2 dB одна від одної. Вище 16 kHz вони розходяться. Musicful V3 не тримає нічого вище 16 kHz у 38 треках із 40: на 20 kHz його середнє лежить на −90,6 dB — стіна там, де в інших схил. SUNO v6 тримає вгорі найбільше, −31,0 dB у смузі 16–20 kHz; наші — від −39,3 до −42,3 dB, і теж часом обриваються на 16 kHz: у 1–6 треках із 40, найчастіше в RS-TW 2.0 ×0.9.

Смуга повітря (8–16 kHz) і верхня смуга (16–20 kHz) кожної сторони, у dB від потужності трекуСмуга повітря (8–16 kHz) і верхня смуга (16–20 kHz) кожної сторони, у dB від потужності треку

Повітря: у них яскравіше на 2,3–4,6 dB

У смузі повітря, 8–16 kHz, SUNO v6 і Musicful V3 стоять на −19,4 і −19,6 dB від потужності своїх треків, шість наших сторін — від −21,8 до −24,0 dB. Мастеринг зазвичай піднімає повітря, а наші його не проходили: у Студії це справа Огранювача, коли пісню вже проспівано.

Пік-фактор у dB і діапазон гучності в LU для кожної сторони: середнє і розкид від 10-го до 90-го перцентиляПік-фактор у dB і діапазон гучності в LU для кожної сторони: середнє і розкид від 10-го до 90-го перцентиля

Піки й розмах: наші дихають ширше

Пік-фактор, пік над середнім: SUNO v6 — 14,4 dB, Musicful V3 — 15,7 dB, наші — від 16,2 до 16,6 dB. Діапазон гучності: у них 5,9 і 6,0 LU, у наших від 6,4 до 7,0 LU. RS-TW 2.0 ×0.9 — найширший із наших файнтюнів, 16,6 dB і 7,0 LU, такий самий, як стокова YuE2-3B (16,5 dB, 7,0 LU): його тектоніка в цифрах. ×0.75 зібраніший: 16,2 dB і 6,6 LU.

Третинооктавний спектр Псалма 22 грецькою на чотирьох силах Tsunami WaveТретинооктавний спектр Псалма 22 грецькою на чотирьох силах Tsunami Wave

Чотири сили, один псалом

Сліпий набір: дванадцять карток, проспіваних на чотирьох силах Tsunami Wave поверх RS-FW 2.4, з тим самим сидом на кожній силі. На Псалмі 22 грецькою крок від ×0.75/0.75 до ×0.8/0.8 вийняв із суббасу, 20–60 Hz, 36 dB, з −7,9 до −44,3 dB: з-під пісні пішла підлога. За дванадцятьма картками гойдання м'якше — суббас у ×0.75/0.75 стоїть на −8,5 dB, у трьох інших — від −10,4 до −11,0 dB, — і ×0.75/0.75 найближчий до власної медіанної кривої рингу на 6 картках із 12: у середньому 4,1 dB проти 4,8–5,2 dB. Тому ×0.75 стає моделлю Студії за замовчуванням у 2.0.6, а ×0.9 — тією, що не обіцяє стабільності.

Виміряно нашим власним кодом на CPU: третинооктавні смуги зі спектра Велча, гучність і її діапазон — за ITU-R BS.1770-4 та EBU Tech 3342. Кожна картинка по кліку відкривається більшою.

Що каже стерео

280 треків рингу, виміряних на ширину. У кожній із чотирьох смуг бік, половина різниці двох каналів, порівнюється з центром, половиною їхньої суми: що вищий бік над центром у dB, то ширше звучить смуга, а в треку в моно боку немає зовсім. Панорама — це те, наскільки далеко гуляє різниця рівнів лівого й правого каналу за трек, від 5-го до 95-го процентиля, у dB. Кожне число — медіана треків сторони: 20 у SUNO v6 і в Musicful V3, по 40 у кожної з наших. Ширше тут не означає краще, лише ширше: місць у цій таблиці немає.

−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

Бік над центром у чотирьох смугах, dB, медіани треків кожної сторони: що вище, то ширше.

заміряно сирим, медіанибік над центром, dBпанорама, dB
бас
20–200 Hz
середина
0,2–2 kHz
верх
2–8 kHz
повітря
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

Наші злиття тримають середину й верх там само, де стокова YuE2-3B, не далі 1,3 dB від неї. RS-TW 2.0 трохи вужча по краях: ×0.75 — на 1,6 dB у басі, на 1,0 dB у повітрі й на 0,4 dB у панорамі, ×0.9 — на 2,7, 1,4 і 0,5 dB. SUNO v6 і Musicful V3 розкривають бас на 4,9 і 4,4 dB ширше за стокову YuE2-3B.

На слух Віктора вужчі краї RS-TW 2.0 звучать стійкіше, а не як втрачене стерео: стокова YuE2-3B часто паркує гітару в одному каналі на 15–20 секунд.

Виміряно нашим власним кодом на CPU: короткочасний спектр на 4096 точок кожні 50 ms за першими 240 секундами кожного треку, центр і бік як (L+R)/2 і (L−R)/2, панорама — за різницею рівнів каналів у 200 Hz – 8 kHz, у моментах у межах 40 dB від найгучнішого в треку.

Що потрібно

Машина

  • Відеокарта NVIDIA: 24 ГБ, щоб усе йшло в повній точності; на 12–16 ГБ і 8 ГБ працює з меншими копіями (Відеографу потрібні 24 ГБ)
  • Linux (створено на Ubuntu 24.04, CUDA 12.8)
  • Близько 34–41 ГБ диска, за замірами свіжих установлень: програма та її Python (17 ГБ), моделі (від 17 до 24 ГБ залежно від карти, їх завантажує, закріплює й перевіряє fetch-models.sh); моделі Художника ще 39–43 ГБ, набори 💎 5,6 ГБ, кожне лише коли попросите

Екран

  • Створено для вікна браузера 1920×1080 при 100 %
  • Ідеал: 2K (2560×1440), від 22″, 16:9 або ширше
  • Дві теми для довгих годин творчості: Scroll & Brick удень, Scroll by Lamplight уночі, і ще 20

За бажанням

  • Чат-сервер для Письменника (vLLM, LM Studio, Ollama) або ключ OpenRouter
  • DAW: REAPER, Waveform 14+, Bitwig
  • Більше відеокарт: навчання й завдання лабораторії поруч із піснями

Не для безкоштовних хмарних GPU. Ruach Studio не запуститься в Google Colab, Kaggle чи на будь-якому безкоштовному GPU для блокнотів, тож не витрачай на це вечір: це ціла Студія, а не блокнот. Вона збирає свій рушій на C++/CUDA на тій машині, де живе, тримає поруч сервер і лабораторію сервісів на Python і займає близько 34–41 ГБ диска (74–84 ГБ із Художником). Карта, пам'ять, диск, що стирається, і багатогодинний ліміт безкоштовного сеансу цього не витримають. Їй потрібен твій власний комп'ютер на Linux або орендований сервер, що лишається твоїм, із картою NVIDIA: 24 ГБ на все, 16 ГБ із меншими копіями моделі.

Що вона завантажує

Заміряно пофайлово за закріпленими списками репозиторіїв Студії та на диску свіжого встановлення (1 ГБ = 10⁹ байтів). Встановлення приносить Творця, Бібліотекаря й ланцюжок Огранювача; будь-яка інша кімната приходить лише на запит, з Рушій → Моделі й LoRA → За кімнатами: там спершу міряється вільне місце на диску, і не завантажується те, що не вміститься.

карта на 24 ГБкарта на 12–16 ГБкарта на 8 ГБ
програма та її рушій, зібраний тут (завантажується 0,2 ГБ)0,9 ГБ0,9 ГБ0,9 ГБ
два її Python, у кожному PyTorch для CUDA 12.8 (завантажується 8,7 ГБ)16,5 ГБ16,5 ГБ16,5 ГБ
YuE2 і власний файнтюн Ruach Studio, у кванті під карту14,9 ГБ8,2 ГБ8,2 ГБ
решта: ще два декодери, транскрайбер, Whisper, моделі стемів, UniverSR і Apollo-vocal, LoRA8,8 ГБ8,8 ГБ8,8 ГБ
встановлення41,1 ГБ34,4 ГБ34,4 ГБ
+ Письменник: його мовна модель через llama.cpp7,4 ГБ7,4 ГБ6,2 ГБ
+ Огранювач: MuScriptor і FlashSR6,1 ГБ6,1 ГБ6,1 ГБ
+ Художник: його помічники та Qwen-Image 2512 (Q6 на 24 ГБ, Q4 нижче)42,9 ГБ39,3 ГБ39,3 ГБ
+ Відеограф: MiniMax H3 і SeedVR286,3 ГБпотрібна карта на 24 ГБпотрібна карта на 24 ГБ
+ Тренер LoRA: його база і слухач стилю20,2 ГБ16,3 ГБ12,9 ГБ
усі кімнати204,0 ГБ103,5 ГБ98,9 ГБ

Лише на окремий запит: решта звукових рушіїв (злиття IRA, IRAE і RS-FW, від 35 до 86 ГБ за квантом), адаптери Художника (7,5 ГБ) і файнтюни (по 20,4 ГБ), усі рівні MiniMax H3 (201 ГБ) або BF16 (478 ГБ), набори 💎 (5,6 ГБ). Не враховано: драйвер NVIDIA і CUDA toolkit, Pianoteq (його купуєш сам), твої семпли.

Що далі

2.0.5 — Студія, у якій ми щодня творимо власні пісні. Ось великі частини на підході, для 2.1.0 і далі.

  • Пісні правляться так, як їх пише модель. Семпл продовжується з будь-якої миті; відрізок пишеться наново, зберігаючи голос, тональність і такти сусідів, і зшивається у власних токенах моделі; інструментальний шар лягає на партитуру самого семпла.
  • DAW, далі. Доріжка акордів і сітка долей над семплом, референс із будь-якого семпла й піано-рол, що записує в партитуру те, що ти граєш на MIDI-клавіатурі.
  • Відеограф, далі. Текст пісні на кліпі, слово за словом, і один колір на всі його сцени.
  • Наступна хвиля нашого файнтюна. Учиться на тому, що YuE2 співає найгірше, і слухається наосліп, перш ніж вийти.
  • Нативні плагіни для REAPER, Waveform і Bitwig, коли Студія знайде своїх людей.

Ліцензії

Код

  • GNU AGPL, версія 3 або новіша: будь-хто може користуватися, вивчати, змінювати й передавати далі, а форк лишається відкритим, з вихідним кодом.

Ім'я й графіка

  • Логотип, ім'я «Ruach Studio», а також аудіо й картинки, опубліковані з ними: CC BY-NC-ND 4.0.

Модель

  • Ваги YuE2 — CC BY-NC 4.0. Їхня ліцензія говорить про ваги, а не про пісні, створені з ними: прочитай її, перш ніж продавати.

На чому стоїть

  • YuE2 і MERT-v2 від m-a-p: модель
  • yue2.cpp від ServeurpersoCom: рушій на C++ поверх ggml, перенесений сюди зі своїми патчами
  • YuE2 Kit від IronWolve: основа сторінки й скриптів
  • AI-Toolkit від Ostris: код YuE2 у тренері перенесено звідти
  • Mothersuperior: голова токенізатора realaudio та злиття VAE
  • Qwen2.5-Omni (слухач), Whisper (перевірка тексту), BS-Roformer і htdemucs (стеми), UniverSR (апскейл)
  • Qwen-Image 2512 від Qwen, з Lightning від lightx2v: обкладинки
  • YuE2 Studio: перевірка партитури; GTSinger: голоси для навчання

Маленька історія

Віктор Журомський, автор Ruach Studio, публікує її не заради хайпу. Він творив її для себе. Після понад пів року мук із Suno на платних тарифах і пошуків гідної моделі (ACE-Step, MiniMax та інші) він узявся збудувати власну аудіостудію, на своїй машині. Вибір упав на YuE2: з усіх відкритих моделей вона найвигідніша й найвишуканіша.

Студію він творив не абияк, аби лиш працювало, а у своєму стилі, бо й творчість у нього своя, вишукана й неповторна: власні переклади, підрядники та багато іншого. Він намагався вмістити в неї максимум, відшліфувати інтерфейс до блиску, щоб творчість у Студії була не тицянням і клацанням серед милиць і ям, а справді продуктивною.

Ось і вся історія. Тепер ця Студія і ваша.