Hudební modely mají jednu nepříjemnou vlastnost: buď se výsledek povede, nebo ho zahodíš a generuješ znovu. Nemáš co opravit, protože mezi tvým textem a hotovou nahrávkou není nic, do čeho by se dalo sáhnout. YuE2 tenhle mezikrok doplňuje — a je to ta nejzajímavější věc, kterou letos v otevřené hudbě vidím.
Nejdřív si napíše noty, teprve pak zpívá
YuE2 je otevřený model od skupiny M·A·P (za projektem stojí lidé z HKUST, NYU, Stanfordu a dalších institucí). Dáš mu text písně a jednu větu o stylu — třeba „English, jazz-funk, warm lead vocal, Rhodes, bass and drums" — a vrátí ti celou skladbu i s vokálem a doprovodem, 48kHz stereo.
Rozdíl je v tom, co udělá mezitím. Nejdřív vygeneruje plán skladby: melodii a akordy v ABC notaci. To je obyčejný text, který si přečteš, přehraješ, klidně přepíšeš — a teprve podle něj se nahrávka zazpívá. Autoři tomu říkají bílá skříňka a poprvé u hudebního modelu to sedí.
Ovládá se to jedním přepínačem:
cot="full"— model si naplánuje melodii i akordy, výchozí volba pro novou písničku,cot="melody"— drží melodii, doprovod si vymýšlí volně, doporučené pro covery,cot="off"— rovnou z textu a stylu, jako u ostatních modelů,abc=…— plán si dodáš vlastní.
Ten poslední řádek je celé kouzlo. Vyexportuješ plán, změníš v něm harmonii, tempo nebo formu (ručně, nebo si to nech přepsat od agenta) a pustíš generování znovu. Pozor jen na to, že editace vyrobí celou novou nahrávku — původní zvuk mimo upravené místo se nezachová.
Jak to zní
Tohle je celá písnička z YuE2 3B — nic jsem v ní neupravoval, je to jeden běh tak, jak vypadl z počítače:
V souboru zůstalo celé zadání z ComfyUI včetně textu a semínka 41688042516701, takže si to můžeš rozebrat a zopakovat.
Cover z nahrávky, bez trénování
Když k tomu přidáš druhý model z téhle dílny, SheetSage2, umí YuE2 přepsat existující nahrávku do not a pak ji zahrát v jiném stylu. Čísla, která autoři měří na 948 skladbách, jsou názorná: s notovým plánem drží cover melodii na 0,647 CLEWS mAP, bez plánu na 0,006. Tedy rozdíl mezi „je to ta samá písnička jinak" a „je to něco jiného".
Jak si stojí proti Suno
Autoři zveřejnili měření na sadě WildSongBench (192 zadání, měřeno 12. 9. 2026). Vybírám řádky, které ti něco řeknou:
- YuE2 (best-of-8) — 6,9632 (nejvyšší naměřený průměr v celé tabulce)
- Mureka 9 — 6,9377
- Suno v5 — 6,8721
- YuE2 (běžné nastavení) — 6,7316
- Suno v6 — 6,5562
- ACE-Step 1.5 — 6,0118
- YuE 1 (loňská verze téhle rodiny) — 4,9165
Dvě věci k tomu. Za prvé, „best-of-8" znamená, že model vygeneruje osm variant a vybere se nejlepší — takhle se to hodnotí i u konkurence, ale na tvém počítači to znamená osmkrát delší čekání. Za druhé, sami autoři píšou, že rozdíly mezi nejlepšími systémy jsou tak malé, že nejsou statisticky průkazné. Beru to tak, že otevřený model, který si stáhneš a pustíš doma, se dostal na úroveň placené služby. To je ta novinka, ne pár setin v tabulce.
Co to chce za železo
Oficiální cesta z repozitáře je poctivě popsaná a je náročná: Linux, Python 3.12 a NVIDIA karta s 24 GB VRAM s podporou BF16. Model se stahuje z Hugging Face při prvním spuštění, výstup je nekvantovaný.
Pro běžný počítač je zajímavější druhá cesta. ComfyUI umí YuE2 nativně od verze 0.36 (vyšla 15. 9. 2026) — žádné doinstalovávání cizích uzlů. Používá kvantovanou int8 verzi, checkpoint yue2_3b_int8_convrot.safetensors má 3,9 GB a patří do models/checkpoints. Tím se celé to dvacetičtyřgigabajtové zadání smrskne na kartu, jakou má doma spousta lidí. Mně YuE2 jede na RTX 4060 Ti s 16 GB (procesor Intel Core Ultra 7 265K) a čas jsem si změřil: čtyřminutová skladba (240 sekund) je hotová zhruba za dvě minuty — tedy dřív, než ji stihneš poslechnout. První běh je pomalejší, protože se k němu ještě načítá model do paměti.
Přidal jsem ho do PocketComfy
PocketComfy je moje Android aplikace, přes kterou z telefonu ovládáš vlastní ComfyUI na počítači doma. Karta Hudba v ní byla od začátku, ale běžel pod ní jediný model. Od verze 3.48 si vybíráš:
- ACE-Step 1.5 Turbo — rychlý (osm kroků) a zpívá česky. Délku, tempo, tóninu i jazyk zpěvu zadáváš ty.
- YuE2 3B — muzikálnější, protože si nejdřív napíše noty. Trénovaný je na angličtinu a čínštinu, ale jak je slyšet v ukázce výš, česky zpívat umí. Běh je výrazně delší.
Karta u každého modelu ukazuje jen ta pole, která ten model opravdu použije. YuE2 nemá na vstupu tempo, tóninu ani jazyk — řídí si je sám ze stylu a textu. Zato má volbu plánu (bez plánu / melodie / melodie a akordy) a délka je u něj jen strop: skladba skončí tam, kde má píseň konec, ne kde vyprší čas.
Kde to drhne
Licence. Tohle je ta nejdůležitější věta celého článku. Kód a dokumentace jsou pod Apache 2.0, ale váhy modelu jsou pod CC BY-NC 4.0 — tedy jen nekomerčně. Znamená to, že si doma můžeš skládat, co chceš, ale hudbu z YuE2 nedáš klientovi do reklamy, do podcastu s inzercí ani do videa na monetizovaný kanál. Když potřebuješ hudbu na prodej, sáhni po ACE-Step (celý repozitář má Apache 2.0) nebo po placené službě, kde máš komerční použití smluvně ošetřené.
Čas. Plánování i zpěv jsou dva průchody modelem, takže proti osmikrokovému ACE-Step Turbo čekáš déle — u mě dvě minuty proti pár desítkám sekund. Za jednu písničku, kterou nezahodíš, to stojí; na třicet pokusů za odpoledne to není.
Čím začít
Nezkoušej to nejdřív na vlastním textu. Nech model udělat jednu písničku s plánem melodie i akordů, otevři si vygenerovaný soubor score.abc a přehraj si ho — i kdybys noty nečetl, hned uvidíš, jestli model pochopil, co jsi po něm chtěl. Když je plán špatný, nemá smysl generovat zvuk; oprav plán. Tohle je celý rozdíl proti generátorům, kde ti nezbývá než mačkat „znovu".
Aplikaci i s kartou Hudba najdeš na GitHubu (PocketComfy), samotný model v repozitáři multimodal-art-projection/YuE.
