ZH
OSEM简直 AWESOMEOpen Source, Engaged & Musical

用文字与和弦写歌
在你自己的机器上

围绕开放歌曲模型 YuE2 的完整工作室。写下风格和歌词,工作室就在你自己的 GPU 上作曲、演唱并渲染歌曲。你的歌曲、文字和设置永远不会离开它。

2.0.5 · 每个峰值完整、家族树与 https 上的工作室 · 2026 年 11 月
白天的创作室:歌曲表单、你正在听的录音,以及所有录音 夜晚的创作室
8 min完整的歌曲,最长八分钟
135 s一首 6:12 的歌,只用一张 RTX 3090
6 分钟在 Intel Arc Pro B50(16 GB、70 W)上生成一首 4 分钟的歌(测试版)
7 个房间用来创作、写作、精修、绘画、拍摄、收藏和教学
200件乐器,逐一用耳朵试听
12种页面语言

Ruach Studio 是在你自己的硬件上运行的开放音乐生成:模型、乐谱、适配器和每一条录音都属于你,没有任何东西按 token 出租。开放模型如今已经足够好,可以独立站稳;缺少的是围绕它们的工作室:这正是我们公开建造的东西。

音乐应当可以自由地创作、自由地分享:没有嗓音、没有乐器、也没有录音室的人,同样有权把自己的思想和感受托付给声音。

七个房间,一个工作室

创作室做出歌曲,写作室与聊天模型一起写它,精修室完成它,画室为它画图,影像室为它策划音乐视频,资料馆收藏每一段录音,LoRA 训练室把你自己的歌教给 YuE2。每个房间的指南都在工作室里。

创作室创作室

创作室

风格、歌词、规划模式、解码器、在由绿到红的道路上的 LoRA;录音附带它的乐谱、种子以及重做它所需的一切。

写作室写作室

写作室

把歌曲当作带版本的文档,文本配置,以及你自己的聊天模型(或 OpenRouter)与你一起起草和修改。

精修室精修室

精修室

频谱、伪影、去嗡声、Whisper 歌词检查、分轨、母带处理、超分;一条链运行全部。

画室画室

画室

用你自己的提示词为歌曲作画:正方、横幅和竖幅出自同一个种子,由 Qwen-Image 2512 绘制;画面在你眼前显现,正方的那张成为录音的封面。早期预览。

影像室:歌曲上方时间线中的录音镜头影像室:歌曲上方时间线中的录音镜头

影像室

为录音制作音乐视频:按演唱的歌词行把歌曲切成镜头,场景与写作室一起写,关键帧由画师绘制,动态镜头由 MiniMax H3 生成;可剪辑的时间线、风格(3D LUT、颗粒)、动画样片和成片。测试版。

资料馆资料馆

资料馆

每段录音都在工作区里:可搜索、点赞、备注、锁定、配图、发送到你的 DAW;回收站可以还原。

LoRA 训练室LoRA 训练室

LoRA 训练室

从你自己的歌曲训练适配器:素材集、训练、两部分的曲线讲解、最值得先听的轮次。

乐器速查表

速查表 ♪

200 件乐器,逐一用耳朵试听并评判:YuE2 真正会弹什么,弹得单薄的是什么,不认识的是什么。

创作室上方的指南(F1)创作室上方的指南(F1)

指南 · F1

整个 Studio 在 Studio 内部讲清楚,一键即达:每个房间、每个旋钮,它做什么,我们测得的数字,十二种语言。为创作的乐趣而作,而不是为了在网上搜索好几个小时。

是什么让它成为工作室

不是又一个模型外壳:而是围绕模型的工作站,彻底开放,每一处改动都有编号和记录。

  • 完整的歌曲,最长八分钟。一首 6:12 的歌用 135 秒;一首先写乐谱的 7:25 的歌用 212 秒,只用一张 RTX 3090。
  • 先有乐谱,并且由你编辑。YuE2 在一个音响起之前就用 ABC 写出旋律与和弦:修改它们、移调、带来你自己的乐谱或 MIDI,歌曲就跟着它走。
  • 两个种子,而不是一个。保留歌曲(音乐种子),听它重新渲染(声音种子)。
  • 你自己的声音。在工作室里用你自己的歌训练 LoRA,不量化(bf16),遥测会告诉你先听哪些轮次。
  • 后期制作,全部本地。分轨(BS-Roformer、htdemucs)、去嗡声、母带处理、超分(UniverSR)、Whisper 歌词检查。
  • 进入你的 DAW (实验性)。一个 REAPER 工程,含分轨、MIDI 乐谱、时间线上的段落和歌词;为 Waveform 和 Bitwig 提供 DAWproject。
  • 合拍的歌词。每行的拍数对照其段落的标尺:音节按各语言自己的规则计算,自成一拍的辅音也算;输入 «[» 时提示段落标签;找出放错的重音符号。
  • 懂引擎的写手。风格用简短的标签,最重要的放在前面:这是 YuE2 最能遵循的方式。
  • 多张 GPU,多项任务。一张卡合成,其他卡训练;只有一张卡时,页面会告诉你在等什么。
  • 为脚本和智能体准备。在你的机器和网络上提供 API(OpenAPI 3.1)和 MCP 服务器。
  • 你的语言。整个页面及其指南提供英语、俄语、乌克兰语、白俄罗斯语、希腊语、西班牙语、意大利语、法语、葡萄牙语、德语、日语和中文。
乐谱成了巴别塔:运行被停止,以及原因
乐谱成了巴别塔:运行开始 15 秒即被发现

防止乱码的守卫

当音乐部分写出损坏的乐谱时(推得太猛的适配器会这样),引擎会在任何音乐建立在它之上之前,几秒内停止运行,并说明原因:哪些适配器、超出极限多少、写出了什么。

强度落在实测的道路上;叠加的适配器共享一个实测的上限。

训练室的曲线
两部分的曲线,附讲解

自己的 LoRA 训练器

工作室在未量化的 bf16 权重上自己训练适配器。在同一素材集上与 Ostris 的 AI-Toolkit 对比,音乐部分的损失每一轮都在 0.015 以内一致。

148 首歌上的秩 16:每步 2.1 秒,12 GB。42 首完整歌曲上的秩 32:每步 6.7 秒,18 GB。

歌词编辑器:每行的拍数对照其段落的标尺
每行的拍数对照其段落的标尺

合拍的歌词

每行旁边是它的拍数,对照其段落的标尺:主歌和桥段为一组,预副歌和副歌各自一组。音节按各语言自己的规则计算,自成一拍的辅音也算;段落中的停顿或间奏不会开启新的一组。

在行首输入 «[»,就会像代码编辑器提示单词一样提示段落标签。放错的重音符号会被找出;Ctrl+F 只在该框内查找。

鲁阿赫工作室 与 SUNO,坦白说

每周都有视频说某个模型干掉了 SUNO。这不是模型:而是围绕模型的整个 Studio,带有自己的微调。它赢在哪里,SUNO 又仍赢在哪里,直说。

鲁阿赫工作室 (YuE2)SUNO
在哪里运行你自己的 GPU;歌曲、歌词和设置从不离开它,安装后无需联网他们的云
花费电费而已:没有点数、没有套餐、没有每日上限订阅和积分
模型YuE2 和我们自己的微调 RS-FW,第一个大型开放微调:两半都在 32,633 首曲目、约 1,800 小时上重新训练,告诉它们的每个词都已公开封闭;用什么训练的没有公开
乐谱先写出、可见、可编辑、归你(ABC、MIDI);整窗钢琴卷帘隐藏
歌词每行旁边的节拍计:拍数对照其段落的标尺,音节按各语言自己的规则;输入 «[» 时提示段落标签一个文本框;按需为你写歌词
重复一段录音精确:你保留的两个种子不能
引导(CFG)两个,分开:风格的牵引与歌词的把握,各有自己的 CFG一个 Style Influence 旋钮
替换一个段落在耳朵找到的停顿之间重唱其歌词,作品其余部分精确到采样保持不变:听不出接缝;可一次替换多个段落Replace Section:在我们的试用中几乎从不可用,接缝可闻,嗓音改变
录音的家谱家谱:一段录音来自的每次截取、版本和重新生成,以及由它产生的一切,每个都带波形—
曲库带分区的工作区、十六种表情反应、笔记、保护和可以恢复的回收站、支持通配符和“排除”的搜索、用于公正试听的盲听集,每个片段都有传单和护照工作区、点赞和歌单
比较录音最多十二个版本在同一个播放器里从同一秒开始,具名或盲听,响度一致,按各自的声音对齐—
你自己的声音在工作室里用你的歌训练 LoRA无训练;Personas 复用一首歌的声音和风格
YuE2 演奏不了的按录音自身乐谱演奏的 MIDI 管弦乐(SFZ 音色组,若你有 Pianoteq 也可)以及铺在歌曲下方的自然声:火、雨、河流、鸟—
你自己的乐器音库构建器把一种乐器(杜杜克、羊角号)的录音做成 SFZ 音库:人声、喊叫和其他乐器被听出并去掉,逐键找出音符,校准音高并做成循环;在 DAW 里它在歌曲下方作为铺底、按歌曲调性的持续音或一条 MIDI 旋律来演奏—
每个峰值都完整输出端不削波:长长的混响尾音和安静都保持完整;家谱显示旧削波本会咬到的地方交付即已母带处理(在我们的擂台上:−15.5 LUFS、−3.4 dBTP)
渲染之后分轨、去嗡声、重制母带、升频、歌词检查,以及按目标响度出母带(Spotify −14、Apple Music −16、CD −9),全部本地分轨和重制母带,在云端
调音台精修室里的 DAW:带 EQ、门限、压缩、宽度和发送的轨道,自动化,标记,把一条轨道的声音存为预设Suno Studio,在浏览器里,最高档套餐
看见声音播放器上方显示整段录音的频谱图,与波形同步:段落、明亮度与响度、指针处的频谱和音符波形
图片和视频画师按你的文字画封面、16:9 和 9:16;影像室规划音乐视频,画出关键帧并赋予它风格(3D LUT、颗粒、暗角)一张封面图
进入 DAW含乐谱、段落和歌词的 REAPER 工程(实验性)音频分轨
脚本和智能体一个 API(OpenAPI 3.1)和一个 MCP 服务器,在你的机器和网络上没有公开 API
来源证明每次下载都签入 Content Credentials(C2PA),如你愿意,以你的名义—
代码开放(AGPL),每次更改都有编号和记录封闭
界面一页七个房间,十二种语言;每个控件都有提示,每个房间都有指南;每个房间都有播放器和片段;常用操作有快捷键;可以作为应用安装网页应用和手机应用
开箱即用的精致度较少:混音可能有嗡声(去嗡声有帮助),歌词可能偏离(歌词检查会找到位置),有些乐器 YuE2 弹得单薄或根本不会(LoRA 能教会它)较多
你需要NVIDIA 显卡(全精度运行全部需 24 GB;12–16 GB 和 8 GB 用较小副本),Linux,34–41 GB 磁盘一个浏览器

「—」:在 SUNO 付费套餐上用了半年多也没找到。SUNO 变化很快;本表截至 2026 年 11 月。

擂台:YuE2 对阵 SUNO v6 与 Musicful

二十张卡片,每张有一行风格描述和一段歌词,原封不动地发给每一方。SUNO v6 和 Musicful V3 按其服务交付的原样;我们的则直接取自引擎、未经处理,于十一月重新演唱,每个峰值都完整保留:原版 YuE2-3B、我们自己的微调 RS-FW 的三个存档点,以及 RS-TW 2.0。这里每个文件都以相同响度播放,谁也不会因为更响而胜出。点一个名字即可收听;同一张卡片上的另一个名字会从同一秒接着播放。

RS-TW 2.0 是我们的第二个微调:它训练到 2.0 个轮次,以两种强度合并在 RS-FW 2.4 之上:×0.75 是稳妥的平衡,×0.9 更具地壳运动般的起伏,不保证稳定。我们的每张卡片有两个种子,都在这里,没有挑出其中一个:播放器里的切换按钮给出种子 1 或种子 2,并在卡片之间保持不变;表中的平均值把两者都算在内。

01 摇滚抒情曲 ru
02 合成器流行 ru
03 班杜拉民谣流行 uk
05 福音 en-US
07 英伦摇滚,英式口音 en-UK
08 液态鼓打贝斯 en-UK
09 芝加哥 Drill en
10 芝加哥布鲁斯 en
11 香颂,华尔兹 fr
13 流行歌剧,男高音 it
15 雷贝蒂卡,布祖基琴 el
17 J-pop,动画片头曲 ja
18 城市流行 ja
19 华语抒情曲 zh
20 中国民乐融合 zh
21 法朵 pt-PT
22 波萨诺瓦 pt-BR
23 桑巴 pt-BR
24 杜杜克,我们自己的领域 ru
25 工业金属 ru
按原样测量,平均值SUNO v6Musicful V3YuE2‑3BRuach Studio (RS-…):YuE2 3B 的微调
FW 0.7FW 1.5FW 2.4TW 2.0 ×0.75TW 2.0 ×0.9
Whisper 歌词错误率,在混音上,% ⁠↧23.119.520.019.924.821.823.026.1
Whisper 歌词错误率,在分离出的人声上,% ⁠↧27.418.921.624.831.128.829.533.7
安静处的沙声,6–16 kHz,dB ⁠↧-15.7-14.8-17.6-18.1-17.3-17.3-17.9-17.5
杂散的持续音 ⁠↧2.21.94.332.02.272.232.151.6
解码器在高频的 25 Hz 嗡声,dB ⁠↧8.38.011.411.611.611.511.611.1
咔嗒声 ⁠↧33.433.827.731.935.334.734.532.8
削波段 ⁠↧0.00.00.00.00.00.00.00.0
本底噪声,最安静的十分之一,dBFS ⁠↧-26.6-25.2-27.7-27.6-27.0-26.6-27.1-28.2
频谱上限,kHz ⁠↥17.915.315.814.814.915.115.214.7
95% 滚降频率,kHz ⁠↥2.52.62.22.12.22.01.71.7
20–60 Hz 超低频占比,dB ⁠↥-8.6-10.2-10.0-9.6-9.9-10.4-10.0-9.8
交付时的响度,LUFS ⁠→ ⁠−14-15.5-14.3-14.5-14.7-14.7-14.4-14.6-14.8
交付时的真峰值,dBTP ⁠→ ⁠−1.0-3.4-0.5-0.2-0.2-0.1-0.2-0.3-0.1
60–150 Hz 低音占比,dB ⁠↥-6.0-5.6-4.3-4.8-4.5-4.5-4.4-4.8
2–5 kHz 临场感频段占比,dB ⁠↥-17.1-16.6-16.0-16.3-16.2-16.2-17.3-16.9
峰值因数,dB ⁠↥14.415.716.516.516.616.316.216.6
响度范围,LU ⁠↥5.96.27.16.66.56.46.67.1
响度离散度 p95−p10,dB ⁠↥9.49.011.510.810.410.310.811.7
低频段离散度 p95−p10,dB ⁠↥23.320.021.921.120.619.722.022.6
中频立体声相关 ⁠↥0.670.690.750.770.730.740.770.76
时长,秒 ⁠↥156.8154.5148.6148.1154.8151.9152.8149.7

第一 · 第二 · 第三:每行八项中的前三名,第一名另加粗体;↥ 越高越好,↧ 越低越好,→ 越接近所示数值越好(真峰值从下方)。数字相同的格子颜色相同。

八方都在 RTX 3090 上由 Whisper large-v3 聆听,混音和人声一视同仁:Whisper 的第一行听混音,第二行听分离出的人声,即 BS-Roformer 把每条音轨的所有人声从音乐中分离出来(主唱、和声与合唱一起,从不只取主唱)。没有音乐时,Whisper 有时会漏掉整句歌词,并在停顿处写出没人唱过的字,每一方都会发生,所以两行最好对照着读。

FW 和 TW 是我们对 YuE2 3B 的两个微调的代号:First Wave 和 Tsunami Wave。Tsunami Wave 在 109,250 首曲目、约 6,650 小时上训练:66.7% 的时长是器乐,31.6% 是演唱,1.8% 是说话。人声的语言有英语(时长的 7.0%)、俄语(5.8%)、希伯来语(1.7%)、希腊语和乌克兰语(各 0.6%)、法语和西班牙语(各 0.5%)、葡萄牙语(0.3%)、意大利语(0.2%),以及另外 14 种各占不到 0.1% 的语言;15.9% 的时长里能听到人声,但其语言未能识别。

他们的作品是母带处理过的,我们的是原样,保持解码器自身的电平,每个峰值都完整保留:响度留给母带处理,那是工作室精修室的事。换了种子和提示词,每一方听起来都会不同;擂台展示的是质量和差异范围,而不是最终排名。完整表格及其测量方法:模型卡。

Tsunami Wave 与第一波的词汇

我们两个微调收到的每个词,都已统计并可搜索:Tsunami Wave 的 109,250 首训练曲目,以及在它之前第一波的 32,633 首。流派、乐器、人声、由音频本身得出的情感词、调与 BPM,以及乐谱的字段。很少有微调会公开它的模型被告知了什么。

频谱告诉我们什么

不是听,而是测量的擂台:280 个作品,我们六方各 40 个,SUNO v6 20 个,Musicful V3 20 个。每个作品先统一到 −14 LUFS,让响度赢不到任何东西;每条曲线都是该作品各频段相对其总功率的电平,所以比较的只是形状。我们的是引擎的原始输出,他们的经过母带处理,因此下面的一部分差距来自母带。

擂台八方的平均 1/3 倍频程频谱,20 Hz 至 20 kHz擂台八方的平均 1/3 倍频程频谱,20 Hz 至 20 kHz

直到最后一个八度,都是同一条曲线

从 100 Hz 到 10 kHz,八方的平均曲线彼此相差不超过 5.2 dB。高于 16 kHz,它们分开了。Musicful V3 在 40 个作品中有 38 个在 16 kHz 以上什么也没有保留:在 20 kHz,它的平均值位于 −90.6 dB,别人是斜坡的地方,它是一堵墙。SUNO v6 在那里保留得最多,16–20 kHz 为 −31.0 dB;我们的在 −39.3 到 −42.3 dB 之间,偶尔也会止于 16 kHz,40 个中有 1 到 6 个,最多的是 RS-TW 2.0 ×0.9。

每一方的空气感频段(8–16 kHz)和最高频段(16–20 kHz),以相对作品功率的 dB 表示每一方的空气感频段(8–16 kHz)和最高频段(16–20 kHz),以相对作品功率的 dB 表示

空气感:他们亮 2.3 到 4.6 dB

在空气感频段 8–16 kHz,SUNO v6 和 Musicful V3 分别位于其作品功率的 −19.4 和 −19.6 dB,我们的六方在 −21.8 到 −24.0 dB 之间。母带处理通常会提升空气感,而我们的还没有经过任何母带:在工作室里,那是歌唱完之后精修室的事。

每一方的峰值因数(dB)与响度范围(LU):平均值以及第 10 到第 90 百分位每一方的峰值因数(dB)与响度范围(LU):平均值以及第 10 到第 90 百分位

峰值与范围:我们的呼吸更宽

峰值因数,即峰值高出平均值的部分:SUNO v6 为 14.4 dB,Musicful V3 为 15.7 dB,我们的为 16.2 到 16.6 dB。响度范围:他们为 5.9 和 6.0 LU,我们为 6.4 到 7.0 LU。RS-TW 2.0 ×0.9 是我们的微调中最宽的,16.6 dB 和 7.0 LU,与原版 YuE2-3B(16.5 dB、7.0 LU)一样宽:这就是用数字表示的它的地壳运动。×0.75 更收敛,16.2 dB 和 6.6 LU。

希腊语诗篇 22 在 Tsunami Wave 四种强度下的 1/3 倍频程频谱希腊语诗篇 22 在 Tsunami Wave 四种强度下的 1/3 倍频程频谱

四种强度,一首诗篇

盲测集:十二张卡片,在 RS-FW 2.4 之上以 Tsunami Wave 的四种强度演唱,每种强度用同一个种子。在希腊语的诗篇 22 上,从 ×0.75/0.75 到 ×0.8/0.8 的一步,让 20–60 Hz 的超低音少了 36 dB,从 −7.9 降到 −44.3 dB:歌曲脚下的地板消失了。在全部十二张卡片上,摆动要温和得多,超低音在 ×0.75/0.75 下为 −8.5 dB,其他三种为 −10.4 到 −11.0 dB;而且 ×0.75/0.75 在 12 张卡片中有 6 张最接近擂台自身的中位曲线,平均距离 4.1 dB,其他为 4.8 到 5.2 dB。因此在 2.0.6 中,×0.75 成为工作室的默认模型,而 ×0.9 是不承诺稳定性的那一个。

用我们自己的代码在 CPU 上测量:1/3 倍频程频段取自 Welch 频谱,响度及其范围依据 ITU-R BS.1770-4 和 EBU Tech 3342。每张图点击即可放大。

立体声告诉我们什么

擂台上的 280 个作品,按宽度来测量。在四个频段中的每一个里,把侧信号(两个声道之差的一半)与中信号(两者之和的一半)相比:侧信号高出中信号的 dB 越多,这个频段听起来就越宽;单声道的作品根本没有侧信号。声像是一个作品里左右声道的电平差摆动得有多远,从第 5 到第 95 百分位,单位 dB。每个数字都是一方作品的中位数:SUNO v6 和 Musicful V3 各 20 个,我们的每一方各 40 个。这里更宽并不更好,只是更宽:这张表不排名次。

−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

四个频段中侧信号相对中信号的高度(dB,各方作品的中位数):越高越宽。

按原样测量,中位数侧信号相对中信号,dB声像,dB
低频
20–200 Hz
中频
0.2–2 kHz
高频
2–8 kHz
空气感
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

我们的合并把中频和高频保持在原版 YuE2-3B 所在的位置,相差都不超过 1.3 dB。RS-TW 2.0 在两端略窄:×0.75 在低频窄 1.6 dB、空气感窄 1.0 dB、声像窄 0.4 dB,×0.9 分别窄 2.7、1.4 和 0.5 dB。SUNO v6 和 Musicful V3 的低频比原版 YuE2-3B 宽 4.9 和 4.4 dB。

在 Viktor 听来,RS-TW 2.0 收窄的两端更稳,而不是丢了立体声:原版 YuE2-3B 常把一把吉他停在一个声道里 15 到 20 秒。

用我们自己的代码在 CPU 上测得:对每个作品的前 240 秒,每 50 ms 取一次 4096 点的短时频谱;中信号和侧信号为 (L+R)/2 和 (L−R)/2;声像取自 200 Hz – 8 kHz 内两声道的电平差,只看与作品最响处相差 40 dB 以内的时刻。

你需要什么

机器

  • NVIDIA 显卡:全精度运行全部需 24 GB;12–16 GB 和 8 GB 用较小副本也能运行(影像室需要 24 GB)
  • Linux(在 Ubuntu 24.04、CUDA 12.8 上制作)
  • 约 34–41 GB 磁盘,在全新安装上实测:程序及其 Python(17 GB),模型(视显卡 17 到 24 GB,由 fetch-models.sh 下载、固定版本并校验);画室的模型另需 39–43 GB,💎 素材集 5.6 GB,都只在你要求时才下载

屏幕

  • 为 1920×1080、100 % 的浏览器窗口而做
  • 理想:2K(2560×1440),22″ 或更大,16:9 或更宽
  • 两个适合长时间工作的主题:白天 Scroll & Brick,夜晚 Scroll by Lamplight,另有 20 个

可选

  • 为写作室准备的聊天服务器(vLLM、LM Studio、Ollama)或 OpenRouter 密钥
  • 一个 DAW:REAPER、Waveform 14+、Bitwig
  • 更多 GPU:在做歌的同时进行训练和实验室的工作

不能用免费的云端 GPU。Ruach Studio 无法在 Google Colab、Kaggle 或任何免费的笔记本 GPU 上运行,所以别在那儿浪费一个晚上:它是一整个工作室,不是一个笔记本。它在所在的机器上编译自己的 C++/CUDA 引擎,旁边一直运行着一个服务器和一组 Python 服务,并占用约 34–41 GB 磁盘(加上画室约 74–84 GB)。免费会话的显卡、内存、会被清空的磁盘和几小时的时限都撑不住。它需要你自己的 Linux 电脑,或你租下并长期保留的服务器,配一块 NVIDIA 显卡:全部功能 24 GB,用较小的模型副本 16 GB。

它下载什么

按工作室各仓库的固定清单和全新安装的磁盘逐文件测量(1 GB = 10⁹ 字节)。安装带来创作室、资料馆和精修室的处理链;其他房间只在你要求时才下载,经由 引擎 → 模型与 LoRA → 按房间,它先测量可用空间,放不下的不下载。

24 GB 显卡12–16 GB 显卡8 GB 显卡
程序及在本机构建的引擎(下载 0.2 GB)0.9 GB0.9 GB0.9 GB
两套 Python 环境,各含适配 CUDA 12.8 的 PyTorch(下载 8.7 GB)16.5 GB16.5 GB16.5 GB
YuE2 与 Ruach Studio 自有的微调模型,采用适合显卡的量化14.9 GB8.2 GB8.2 GB
其余:另外两个解码器、转录器、Whisper、分轨模型、UniverSR 与 Apollo-vocal、LoRA8.8 GB8.8 GB8.8 GB
安装41.1 GB34.4 GB34.4 GB
+ 写作室:经 llama.cpp 运行的语言模型7.4 GB7.4 GB6.2 GB
+ 精修室:MuScriptor 与 FlashSR6.1 GB6.1 GB6.1 GB
+ 画室:其助手与 Qwen-Image 2512(24 GB 用 Q6,以下用 Q4)42.9 GB39.3 GB39.3 GB
+ 影像室:MiniMax H3 与 SeedVR286.3 GB需要 24 GB需要 24 GB
+ LoRA 训练室:其基座与风格聆听者20.2 GB16.3 GB12.9 GB
全部房间204.0 GB103.5 GB98.9 GB

仅在点名要求时下载:其余声音引擎(IRA、IRAE 与 RS-FW 合并模型,按量化 35 至 86 GB)、画室的适配器(7.5 GB)与微调模型(各 20.4 GB)、MiniMax H3 的全部层级(201 GB)或 BF16(478 GB)、💎 工作区(5.6 GB)。不计入:NVIDIA 驱动与 CUDA toolkit、Pianoteq(需自行购买)、你的作品。

接下来

2.0.5 是我们每天创作自己歌曲所用的 Studio。以下是正在路上的较大部分,面向 2.1.0 及以后。

  • 像模型写歌那样编辑歌曲。从任意位置延长一段录音;重写一个段落,保留相邻段落的嗓音、调性和小节,并在模型自己的 token 中缝合;在录音自己的乐谱上叠加一层器乐。
  • DAW,更进一步。录音上方的和弦轨与拍子网格,可从任何录音取参考,以及把你在 MIDI 键盘上弹的写进乐谱的钢琴卷帘。
  • 影像室,更进一步。歌词逐字出现在视频上,所有场景统一色彩。
  • 我们微调的下一波。从 YuE2 唱得最差的地方学习,发布前先盲听。
  • 为 REAPER、Waveform 和 Bitwig 提供原生插件,等工作室找到它的用户之后。

许可

代码

  • GNU AGPL 第 3 版或更高版本:任何人都可以使用、研究、修改和传递它,分支也保持开放,连同其源代码。

名称与美术

  • 标志、名称“Ruach Studio”,以及随之发布的音频和图片:CC BY-NC-ND 4.0。

模型

  • YuE2 的权重采用 CC BY-NC 4.0。其许可说的是权重,而不是用它们做出的歌曲:出售之前请先阅读。

站在这些肩膀上

  • m-a-p 的 YuE2 和 MERT-v2:模型
  • ServeurpersoCom 的 yue2.cpp:基于 ggml 的 C++ 引擎,连同自己的补丁带到这里
  • IronWolve 的 YuE2 Kit:页面和脚本的基础
  • Ostris 的 AI-Toolkit:训练器的 YuE2 代码由此移植
  • Mothersuperior:realaudio 分词器头和 VAE 合并
  • Qwen2.5-Omni(聆听者)、Whisper(歌词检查)、BS-Roformer 和 htdemucs(分轨)、UniverSR(超分)
  • Qwen 的 Qwen-Image 2512,配 lightx2v 的 Lightning:美术
  • YuE2 Studio:乐谱检查器;GTSinger:用于训练的嗓音

一个小故事

Ruach Studio 的作者 Viktor Zhuromskyy 发布它并不是为了炒作。他是为自己做的。在付费套餐上和 Suno 折腾了半年多,又四处寻找值得投入的模型(ACE-Step、MiniMax 等)之后,他决定在自己的机器上搭建一个属于自己的音频工作室。他选定了 YuE2:在所有开放模型中,它最划算,也最精致。

他没有随便拼凑一个能跑就行的工作室,而是按自己的方式来做,因为他的创作也是他自己的,精致而独一无二:他的译本、他的逐行对照文本,还有许多别的。他尽可能多地装进其中,把界面打磨到力所能及的极致,让在这个工作室里的创作不再是在拐杖和坑洼之间胡乱点击,而是真正高效的事。

故事就是这样。现在,这个工作室也是你的了。