YuE2: teste de 4 geradores locais de música

👁 117 leituras

YuE2 é um modelo aberto da equipe m-a-p que cria uma música completa, com vocais, a partir de uma letra e de uma descrição de estilo. Ele funciona nativamente no ComfyUI a partir da versão 0.41. Dei a ele a mesma letra em polonês usada com outros três modelos locais (ACE-Step 1.5, MiniMax Music 3 e DiffRhythm 2), fiz 3 tentativas por modelo e analisei as gravações com o Whisper. YuE2 canta em polonês com clareza (média de 91,2% das palavras), mas o ACE-Step 1.5 ficou ligeiramente à frente, com 95,6%.

Leia o guia completo do vencedor do teste com letras em polonês: ACE-Step 1.5 localmente.

O que é YuE2

YuE2 é a segunda versão do modelo YuE, lançada em 9 de setembro de 2026. Tem cerca de 3 bilhões de parâmetros. Recebe a letra da música com marcações de seção ([Verse], [Chorus], [Bridge]) e uma descrição de estilo em inglês, e retorna uma faixa completa com vocais, instrumentos e estrutura. Também pode criar versões cover e editar partituras no formato ABC, mas ainda não testei esses recursos.

A versão original do GitHub exige cerca de 24 GB de VRAM e Linux. No ComfyUI 0.41, funciona nativamente no Windows, com um modelo de fluxo pronto e pesos reorganizados pelo Comfy-Org (bf16 de 7,8 GB ou int8 de 4 GB).

Meu teste: 4 modelos com a mesma letra em polonês

Escrevi uma balada curta: duas estrofes e dois refrões, 83 palavras, com caracteres poloneses. Tradução da letra original em polonês usada no teste: “Às margens do Vístula, a chuva cai de novo, os bondes deslizam pela névoa cinzenta…”. O estilo foi o mesmo para todos: “balada pop polonesa, vocais femininos calorosos, piano e camadas suaves de sintetizador, andamento lento”. Cada modelo recebeu 3 tentativas com sementes diferentes (11, 22, 33). Analisei as gravações com o Whisper large-v3 configurado para polonês e calculei que porcentagem das palavras da letra aparecia na transcrição, na mesma ordem. O teste foi feito em polonês; a frase exibida aqui é uma tradução da letra original, não um novo teste em português.

O resultado mede a inteligibilidade, não a qualidade musical. Às vezes, o Whisper identifica uma palavra que uma pessoa não entenderia, e vice-versa. Ainda assim, a métrica serve para comparar os modelos entre si usando a mesma letra.

O que os números mostram

• YuE2 teve o melhor resultado em uma tentativa (98,8%, 82 de 83 palavras), mas também a maior variação. Na tentativa com semente 22, repetiu “Às margens do Vístula” duas vezes e acrescentou frases próprias. Na tentativa com semente 33, deixou de fora alguns versos.
• ACE-Step 1.5 foi o mais consistente. É o único dos quatro modelos que permite escolher o idioma nas configurações, e selecionei “pl”. A duração da música é definida de antemão (120 s).
• MiniMax Music 3 canta com clareza, mas tem dois problemas. Ele altera a ordem (em duas tentativas, começou pela segunda estrofe, cuja tradução é “Em Praga, alguém toca jazz antigo”) e encurta as músicas: 73, 111 e 92 s, com limite de 150 s.
• DiffRhythm 2 só oferece suporte fonético para chinês e inglês. Ele transforma a letra em polonês em algo incompreensível. Tradução de um fragmento da saída original em polonês usada no teste: “na dois alcance cai chuva”. Além disso, é um modelo de outubro de 2025, não uma novidade deste ano.

Ouça: letra em polonês, semente 11

Em inglês, YuE2 não erra

A segunda letra era em inglês, no estilo synthpop dos anos 80, com voz masculina. Fiz uma tentativa por modelo.

Tempo e memória

O tempo inclui tudo, do envio da tarefa até o arquivo final, inclusive o carregamento do modelo quando o ComfyUI alternava entre modelos. A geração em si é mais rápida, como mostra o ACE-Step: 8 s quando o modelo já estava na memória. O MiniMax Music 3 ocupa os 24 GB inteiros da placa de vídeo e fica mais lento nessas condições.

Como executar o YuE2 no ComfyUI

1. Atualize o ComfyUI para a versão 0.41 ou mais recente.
2. No repositório Comfy-Org/YuE2, baixe checkpoints/yue2_3b_bf16.safetensors (7,8 GB; ou a versão int8 de 4 GB para placas mais modestas) para models/checkpoints e audio_encoders/sheetsage2_bf16.safetensors (1,4 GB) para models/audio_encoders.
3. Abra Workflow, depois Browse Templates e o modelo “YuE2 Text to Music”. Por padrão, o modelo de fluxo aponta para a versão int8; se você baixou bf16, altere o arquivo no nó de carregamento.
4. No campo de estilo, descreva o gênero, os vocais, os instrumentos e o andamento em inglês. No campo da letra, insira os versos com seções como [Verse] e [Chorus]. Digite o texto em polonês normalmente, incluindo os caracteres próprios do idioma.
5. Defina a duração máxima (usei 150 s). O modelo encerra a música quando termina a letra.

Usei estas configurações: modo “full”, temperatura 1,0, top-p 0,95, top-k 100, penalidade de repetição 1,2 e, em seguida, 32 etapas do sampler dpm_2 com o agendador sgm_uniform e CFG 1. Esses são os valores do modelo de fluxo oficial.

Expliquei como instalar o ComfyUI do zero no guia ComfyUI do zero. Você também encontra outros modelos locais de outubro no resumo de novos modelos locais de IA.

Qual modelo escolher

• Músicas em polonês para uso comercial: ACE-Step 1.5. Foi o mais consistente em polonês, o mais rápido e tem licença MIT.
• Músicas em polonês para uso pessoal: YuE2 ou ACE-Step. YuE2 teve o melhor resultado em uma tentativa, mas é melhor gerar 2-3 versões e escolher uma.
• Inglês: YuE2, com 100% das palavras reconhecidas e 32 s de processamento.
• MiniMax Music 3: escolha apenas se você gostar mais da sonoridade dele. É o mais lento e o que mais consome memória. Escrevi mais sobre ele no artigo MiniMax Music 3 localmente.
• DiffRhythm 2: apenas para letras em inglês e chinês.

Comparei esses modelos com Suno, Udio e Mureka no ranking de geradores de música com IA.

A opção mais simples: Hangar

YuE2 também está no catálogo do Hangar, meu gerenciador gratuito de modelos locais de imagem, vídeo e música para Windows (sem conta nem assinatura, com o mecanismo ComfyUI). O Hangar oferece a variante int8, mais leve que a bf16 do meu teste: o modelo tem 3,96 GB e o codificador sheetsage2, 1,39 GB, totalizando 5,35 GB. É uma versão para placas menores, mas ainda não medi o tempo nem a qualidade dela. A licença CC BY-NC 4.0 aparece junto ao modelo: não é permitido vender músicas feitas com YuE2.

1. Baixe o instalador (14 MB) na página do Hangar. Ele ainda não tem assinatura digital, então o Windows SmartScreen exibirá um aviso: clique em “Mais informações” e depois em “Executar mesmo assim”.
2. O Hangar identifica a placa de vídeo (Nvidia com CUDA, a partir de 8 GB de VRAM; 12 GB ou mais são recomendáveis) e informa se o modelo cabe nela.
3. Encontre YuE2 3B no catálogo. Você verá o tamanho dos arquivos, a licença e se o modelo pode ser usado na UE.
4. Por enquanto, faça a geração no ComfyUI seguindo as instruções acima. O Hangar instala uma versão portátil do ComfyUI do zero (no meu caso, levou 231 s) ou se conecta a uma instalação que você já tenha.

O modelo está no catálogo do Hangar, mas ainda não é possível gerar músicas pelo próprio Hangar (situação em 17 de outubro de 2026). Por enquanto, use o ComfyUI conforme as instruções acima. Saiba mais sobre a ferramenta: Hangar.

Perguntas frequentes

YuE2 canta em polonês?

Sim. Nas minhas 3 tentativas, o Whisper reconheceu entre 84% e 99% das palavras, com média de 91,2%. Às vezes, o modelo repete um verso ou deixa um trecho de fora, então vale gerar 2-3 versões.

Quanta VRAM o YuE2 exige?

Na versão bf16, o pico de uso da placa inteira ficou entre 13,3 e 16,3 GB. A versão int8 (4 GB) deve funcionar em placas de 12 GB, mas não testei isso.

Posso vender músicas feitas com YuE2?

Não. A licença CC BY-NC 4.0 proíbe o uso comercial. Para música à venda, escolha ACE-Step 1.5 (MIT) ou DiffRhythm 2 (Apache 2.0); neste último caso, use letras em inglês.

Qual é a duração das músicas criadas pelo YuE2?

A duração depende da letra e do limite definido. Com 83 palavras e limite de 150 s, as faixas ficaram entre 2:07 e 2:18 min.

Ele é melhor que o Suno?

Não comparei a sonoridade com o Suno neste teste. Uma vantagem do modelo local é não ter limites de downloads (desde 3 de setembro de 2026, o Suno tem limites mensais) e não pagar por cada música.

Fontes

• m-a-p/YuE2-3B no Hugging Face
• Comfy-Org/YuE2 (pesos para ComfyUI, licença CC BY-NC 4.0)
• DiffRhythm 2 no GitHub
• Medições próprias na RTX 4090, em 17 de outubro de 2026: 13 gravações, Whisper large-v3.

// continue lendoEleven Music: gerador de música com IA, testadoBenchmarksGerador de vídeo IA: ferramentas por tipo de produçãoBenchmarksMidjourney V8.2 vs Nano Banana: qual escolher em 2026?Benchmarks