YuE2 po polsku: test 4 lokalnych generatorów piosenek

👁 119 przeczytań

YuE2 to otwarty model od zespołu m-a-p, który z tekstu i opisu stylu robi całą piosenkę z wokalem. Działa natywnie w ComfyUI od wersji 0.41. Dałem mu ten sam polski tekst co trzem innym lokalnym modelom (ACE-Step 1.5, MiniMax Music 3 i DiffRhythm 2), po 3 próby na model, i przepuściłem nagrania przez Whisper. YuE2 śpiewa po polsku wyraźnie (średnio 91,2% słów), ale wygrał minimalnie ACE-Step 1.5 z wynikiem 95,6%. DiffRhythm 2 po polsku w ogóle nie śpiewa.

Pełny poradnik do zwycięzcy testu po polsku: ACE-Step 1.5 lokalnie.

Co to jest YuE2

YuE2 to druga wersja modelu YuE, wydana 9 września 2026. Ma ok. 3 mld parametrów. Bierze tekst piosenki z oznaczeniami sekcji ([Verse], [Chorus], [Bridge]) i opis stylu po angielsku, a zwraca gotowy utwór z wokalem, instrumentami i strukturą. Potrafi też robić covery i edytować zapis nutowy (tryb ABC), ale tych funkcji jeszcze nie testowałem.

Oryginalna wersja z GitHuba wymaga ok. 24 GB VRAM i Linuksa. W ComfyUI 0.41 działa natywnie na Windowsie, z gotowym szablonem i wagami przepakowanymi przez Comfy-Org (bf16 7,8 GB albo int8 4 GB).

Mój test: 4 modele, ten sam polski tekst

Napisałem krótką balladę: dwie zwrotki i dwa refreny, 83 słowa, z polskimi znakami („Nad Wisłą znowu pada deszcz, tramwaje suną w szarą mgłę…”). Styl był ten sam dla wszystkich: „Polish pop ballad, warm female vocals, piano and soft synth pads, slow tempo”. Każdy model dostał 3 próby z różnymi ziarnami (11, 22, 33). Nagrania przepuściłem przez Whisper large-v3 z językiem polskim i policzyłem, jaki procent słów z tekstu da się odnaleźć w transkrypcji, w tej samej kolejności.

Wynik to miara zrozumiałości, a nie oceny muzyki. Whisper czasem dosłyszy słowo, którego człowiek nie zrozumie, i odwrotnie. Do porównania modeli między sobą na tym samym tekście jednak się nadaje.

Co słychać w liczbach

• YuE2 ma najlepszą pojedynczą próbę (98,8%, 82 z 83 słów), ale też największy rozrzut. W próbie z ziarnem 22 powtórzył „Nad Wisłą” dwa razy i dorzucił frazy od siebie. W próbie z ziarnem 33 pominął kilka wersów.
• ACE-Step 1.5 jest najrówniejszy. To jedyny z czterech modeli, który ma w ustawieniach wybór języka, i dostał „pl”. Długość piosenki ustawia się tu z góry (120 s).
• MiniMax Music 3 śpiewa czytelnie, ale ma dwa problemy. Przestawia kolejność (dwie próby zaczął od drugiej zwrotki „Na Pradze gra ktoś stary jazz”) i ucina piosenki: 73, 111 i 92 s przy limicie 150 s.
• DiffRhythm 2 ma fonetykę tylko dla chińskiego i angielskiego. Polski tekst zamienia w bełkot („na dwóch zasięgu pada desz”). Do tego to model z października 2025, a nie tegoroczna nowość.

Posłuchaj: polski tekst, ziarno 11

Angielski: tu YuE2 jest bezbłędny

Drugi tekst był po angielsku, w stylu synthpopu z lat 80., z męskim wokalem. Tu zrobiłem po jednej próbie na model.

Czas i pamięć

Czas to całość od wysłania zadania do pliku, razem z ładowaniem modelu, kiedy ComfyUI przełączał się między modelami. Sama generacja jest krótsza, co widać po ACE-Step: 8 s, kiedy model był już w pamięci. MiniMax Music 3 zajmuje całą kartę 24 GB i wtedy zwalnia.

Jak uruchomić YuE2 w ComfyUI

1. Zaktualizuj ComfyUI do 0.41 lub nowszego.
2. Z repozytorium Comfy-Org/YuE2 pobierz checkpoints/yue2_3b_bf16.safetensors (7,8 GB, albo int8 4 GB na słabsze karty) do models/checkpoints oraz audio_encoders/sheetsage2_bf16.safetensors (1,4 GB) do models/audio_encoders.
3. Otwórz Workflow, potem Browse Templates i szablon „YuE2 Text to Music”. Szablon domyślnie wskazuje wersję int8, więc jeśli pobrałeś bf16, zmień plik w węźle ładującym.
4. W polu stylu opisz gatunek, wokal, instrumenty i tempo po angielsku. W polu tekstu wklej słowa z sekcjami [Verse] i [Chorus]. Polski tekst wpisuj normalnie, z ogonkami.
5. Ustaw maksymalną długość (u mnie 150 s). Model sam kończy piosenkę, kiedy skończy mu się tekst.

Ustawienia, których użyłem: tryb „full”, temperatura 1,0, top-p 0,95, top-k 100, kara za powtórzenia 1,2, potem 32 kroki samplera dpm_2 z harmonogramem sgm_uniform i CFG 1. To wartości z oficjalnego szablonu.

Instalację ComfyUI od zera opisałem w poradniku ComfyUI od zera, a inne lokalne modele z października w zestawieniu Nowe lokalne modele AI.

Który model wybrać

• Polskie piosenki do zarabiania: ACE-Step 1.5. Najrówniejszy po polsku, najszybszy i na licencji MIT.
• Polskie piosenki dla siebie: YuE2 albo ACE-Step. YuE2 ma najlepszą pojedynczą próbę, ale trzeba wygenerować 2-3 wersje i wybrać.
• Angielski: YuE2, 100% słów przy 32 sekundach pracy.
• MiniMax Music 3 tylko, jeśli zależy ci na jego brzmieniu. Jest najwolniejszy i najbardziej łakomy na pamięć. Szerzej opisałem go w tekście MiniMax Music 3 lokalnie.
• DiffRhythm 2 tylko do angielskich i chińskich tekstów.

Jak te modele wypadają na tle Suno, Udio i Mureki, pokazuję w rankingu generatorów muzyki AI.

Najprościej: Hangar

YuE2 jest też w katalogu Hangara, mojego darmowego menedżera lokalnych modeli obrazu, wideo i muzyki na Windows (bez konta i abonamentu, silnik ComfyUI). Hangar ma wariant int8, lżejszy niż bf16 z mojego testu: model 3,96 GB i enkoder sheetsage2 1,39 GB, razem 5,35 GB. To wersja na mniejsze karty, ale jej czasu i jakości jeszcze nie mierzyłem. Przy modelu widać licencję CC BY-NC 4.0, czyli piosenek z YuE2 nie wolno sprzedawać.

1. Pobierz instalator (14 MB) ze strony Hangara. Nie jest jeszcze podpisany cyfrowo, więc Windows SmartScreen pokaże ostrzeżenie: kliknij „Więcej informacji”, a potem „Uruchom mimo to”.
2. Hangar wykrywa kartę (Nvidia z CUDA, od 8 GB VRAM, najlepiej 12 GB i więcej) i pokazuje, czy model się zmieści.
3. Znajdź YuE2 3B w katalogu: zobaczysz rozmiar plików, licencję i to, czy model wolno używać w UE.
4. Generuj na razie w ComfyUI według instrukcji wyżej. Hangar postawi ComfyUI portable od zera (u mnie trwało to 231 s) albo podepnie ComfyUI, które już masz.

Hangar ma model w katalogu, ale generowanie przez Hangar jeszcze nie działa (stan na 17 października 2026) - na razie ComfyUI, opis wyżej. Opis narzędzia: Hangar.

Najczęstsze pytania

Czy YuE2 śpiewa po polsku?

Tak. W moich 3 próbach Whisper rozpoznał od 84 do 99% słów, średnio 91,2%. Zdarza mu się powtórzyć wers albo pominąć fragment, więc warto zrobić 2-3 wersje.

Ile VRAM potrzebuje YuE2?

W wersji bf16 szczyt zajętości całej karty wyniósł u mnie 13,3-16,3 GB. Wersja int8 (4 GB) powinna zmieścić się na kartach 12 GB, ale tego nie sprawdzałem.

Czy mogę sprzedawać piosenki z YuE2?

Nie. Licencja CC BY-NC 4.0 zakazuje użycia komercyjnego. Do muzyki na sprzedaż wybierz ACE-Step 1.5 (MIT) albo DiffRhythm 2 (Apache 2.0), w tym drugim przypadku tylko po angielsku.

Jak długie piosenki robi YuE2?

Długość zależy od tekstu i limitu. Przy 83 słowach i limicie 150 s wyszło 2:07-2:18 min.

Czy to lepsze od Suno?

Brzmienia z Suno nie porównywałem w tym teście. Przewagą lokalnego modelu jest to, że nie ma limitów pobrań (Suno od 3 września 2026 ma miesięczne limity) i nie płacisz za każdą piosenkę.

Źródła

• m-a-p/YuE2-3B na Hugging Face
• Comfy-Org/YuE2 (wagi do ComfyUI, licencja CC BY-NC 4.0)
• DiffRhythm 2 na GitHubie
• Pomiary własne na RTX 4090, 17 października 2026: 13 nagrań, Whisper large-v3.