Przejdź do treści
Sklep

Artykuły

DiffRhythm 2 lokalnie: piosenka w minutę, ale nie po polsku

Uruchomiłem DiffRhythm 2 na Windowsie z RTX 4090: czas, wymowa po angielsku i po polsku, instalacja z espeak-ng bez instalatora i porównanie z YuE2 i ACE-Step.

Tekst: 6 min czytania
DiffRhythm 2 lokalnie: piosenka w minutę, ale nie po polsku
Spis treści 8
  1. Co to jest DiffRhythm 2
  2. Mój test na RTX 4090
  3. Najprościej: Hangar
  4. Jak uruchomić DiffRhythm 2 na Windowsie krok po kroku
  5. DiffRhythm 2 na tle innych lokalnych generatorów piosenek
  6. Dla kogo jest DiffRhythm 2
  7. Najczęstsze pytania
  8. Źródła i data sprawdzenia

👁 116 przeczytań

DiffRhythm 2 to otwarty model od zespołu ASLP-lab, który z tekstu i opisu stylu robi całą piosenkę z wokalem, na licencji Apache 2.0 (wolno zarabiać). Uruchomiłem go na Windowsie z RTX 4090: dwuminutowa piosenka powstaje w ok. 1 minutę, a angielski tekst jest zaśpiewany bezbłędnie. Po polsku model się nie nadaje, bo jego fonetyka zna tylko angielski i chiński. Inne modele, które działają u mnie lokalnie, zebrałem w przewodniku Lokalne AI.

Stan na 17 października 2026

  • Model z 30 października 2025 (kod, wagi i praca na arXiv tego samego dnia). To nie jest tegoroczna nowość.
  • Języki: angielski i chiński. Polskiego tekstu nie wymawia (w moim teście 4,8% słów).
  • Mój czas na RTX 4090: ok. 1 min na piosenkę ok. 2 min (plus wczytanie modeli na starcie). Zajętości VRAM nie zmierzyłem wiarygodnie.
  • Pliki: model 4,55 GB, dekoder 0,52 GB i modele pomocnicze MuQ (razem ok. 10 GB na dysku).
  • Licencja Apache 2.0 na kod i wagi, komercyjnie tak, także w UE.
  • Nie działa w ComfyUI. Na Windowsie potrzebny osobny Python i kilka obejść, opisanych niżej.

Co to jest DiffRhythm 2

DiffRhythm 2 to druga wersja modelu DiffRhythm z laboratorium ASLP-lab. Piosenka powstaje blokami (block flow matching), a każdy kolejny blok widzi poprzednie, więc model trzyma strukturę utworu i sam dopasowuje słowa do melodii, bez podawania czasu każdej linijki.

Na wejściu jest tekst z sekcjami [verse] i [chorus] w pliku .lrc oraz opis stylu po angielsku albo nagranie referencyjne. Na wyjściu utwór z wokalem w MP3. Model piosenki ma 1,14 mld parametrów (tyle zgłosił skrypt), do tego dochodzą MuQ-MuLan do opisu stylu i dekoder dźwięku.

Mój test na RTX 4090

Sprzęt: RTX 4090 24 GB, 64 GB RAM, i9-14900KF, Windows 11, modele na dysku SSD po USB. Ustawienia: 16 kroków, CFG 2,0, limit 150 s (domyślnie skrypt pozwala na 210 s). Teksty były te same co w moim porównaniu YuE2, ACE-Step 1.5 i MiniMax Music 3: polska ballada (83 słowa, „Nad Wisłą znowu pada deszcz…”) i angielski synthpop (76 słów). Nagrania przepuściłem przez Whisper large-v3 i policzyłem, ile słów tekstu jest w transkrypcji.

PiosenkaDługośćSłowa rozpoznane
Angielski synthpop1:58 min76 z 76 (100%)
Polska ballada2:06 min4 z 83 (4,8%)

Obie piosenki powstały w 2:01 min, czyli ok. 1 minuty na utwór, plus jednorazowe wczytanie modeli (17 października 2026, jedna próba na język). Drugą próbę, z odczytem VRAM, zakłóciło inne zadanie wideo na tej samej karcie, więc jej wyników nie podaję.

Angielski: bez błędu

Whisper odnalazł wszystkie 76 słów w dobrej kolejności, tyle samo co u YuE2. To miara zrozumiałości, nie ocena muzyki, więc posłuchaj sam:

DiffRhythm 2, synthpop po angielsku: 76 z 76 słów, 1:58 min, bez poprawek.

Polski: melodia jest, słów nie ma

Pierwszą linijkę polskiego tekstu Whisper zapisał jako „na dwóch zasięgu pada desz”, dalej jest podobnie brzmiący bełkot. To nie kwestia ziarna ani ustawień: zamiana tekstu na fonemy (g2p) w DiffRhythm 2 obsługuje tylko chiński i angielski. Dla porównania ACE-Step 1.5 zaśpiewał ten sam tekst średnio w 95,6%, a YuE2 w 91,2%.

Najprościej: Hangar

DiffRhythm 2 jest w katalogu Hangara, mojego darmowego menedżera lokalnych modeli obrazu, wideo i muzyki na Windows (bez konta i bez abonamentu, to moje narzędzie). Katalog ma jeden wariant: plik modelu 4,55 GB z repozytorium ASLP-lab, licencja Apache 2.0, wolno komercyjnie i w UE. DiffRhythm 2 nie działa w ComfyUI, dlatego w Hangarze dostaje osobny silnik, który jest jeszcze w przygotowaniu.

  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 DiffRhythm 2 w katalogu: zobaczysz rozmiar pliku, licencję i to, czy model wolno używać w UE.
  4. Generuj na razie ręcznie, według instrukcji niżej. Do polskich piosenek lepszy jest ACE-Step 1.5, który w Hangarze już działa.

Hangar ma model w katalogu, generowanie przez Hangar jeszcze nie działa (stan na 17 października 2026) - na razie ręcznie, opis niżej.

Jak uruchomić DiffRhythm 2 na Windowsie krok po kroku

Oficjalna instrukcja jest pod Linuksa. Na Windowsie zadziałało u mnie tak (17 października 2026):

  1. Sklonuj repozytorium: git clone https://github.com/ASLP-lab/DiffRhythm2.git.
  2. Załóż osobne środowisko z Pythonem 3.11, np. przez uv: uv venv --python 3.11 .venv. Nie mieszaj go z Pythonem z ComfyUI, bo DiffRhythm 2 chce starszych wersji bibliotek (torch 2.7, transformers 4.47.1, numpy poniżej 2).
  3. Zainstaluj PyTorch z CUDA: u mnie torch 2.7.1 z indeksu cu128.
  4. Zainstaluj resztę z requirements.txt, ale bez pyopenjtalk (fonetyka japońska). W jego miejsce podłożyłem pusty moduł, który zgłasza błąd tylko przy japońskim tekście.
  5. espeak-ng: autorzy każą zainstalować go z instalatora MSI. Ja zamiast tego doinstalowałem pakiet espeakng-loader (0.2.4), który ma bibliotekę w środku, i wskazałem ją zmiennymi PHONEMIZER_ESPEAK_LIBRARY (ścieżka do espeak-ng.dll w site-packages) i ESPEAK_DATA_PATH.
  6. Ustaw PYTHONUTF8=1 i PYTHONIOENCODING=utf-8 (polski Windows domyślnie używa cp1250).
  7. Przygotuj plik .lrc z tekstem i sekcjami oraz plik JSONL z jednym wierszem na piosenkę: nazwa, opis stylu po angielsku i ścieżka do .lrc.
  8. Uruchom inference.py. Za pierwszym razem skrypt pobiera wagi do folderu ckpt w bieżącym katalogu, więc uruchamiaj go zawsze z tego samego miejsca, inaczej pobierze je jeszcze raz.

Polecenie, którego użyłem (Git Bash):

python inference.py --repo-id ASLP-lab/DiffRhythm2 --output-dir wyniki --input-jsonl piosenki.jsonl --cfg-strength 2.0 --max-secs 150 --steps 16

Przykładowy wiersz pliku JSONL:

{"song_name": "synthpop", "style_prompt": "80s synthpop, male vocals, gated reverb drums, analog synth bass, bright arpeggios, upbeat", "lyrics": "lrc/en.lrc"}

DiffRhythm 2 na tle innych lokalnych generatorów piosenek

ModelPolski (śr.)AngielskiLicencja
ACE-Step 1.595,6%96,1%MIT
YuE291,2%100%CC BY-NC 4.0
MiniMax Music 389,2%92,1%MiniMax Community
DiffRhythm 24,8%100%Apache 2.0

Wszystkie liczby to mój test z 17 października 2026, ten sam tekst i styl, Whisper large-v3. Polski dla trzech pierwszych modeli to średnia z 3 prób, dla DiffRhythm 2 jedna próba. Nagrania wszystkich modeli są w tekście YuE2 po polsku, a ACE-Step opisuję w tekście ACE-Step 1.5.

Dla kogo jest DiffRhythm 2

  • Dla piosenek po angielsku albo po chińsku na sprzedaż: Apache 2.0 nie ma progów ani obowiązku oznaczania, w przeciwieństwie do YuE2 (zakaz komercji) i MiniMax Music 3 (nazwa modelu w produkcie).
  • Nie dla polskich piosenek i nie dla kogoś, kto nie lubi konsoli. Po polsku i w ComfyUI lepszy jest ACE-Step 1.5.

Najczęstsze pytania

Czy DiffRhythm 2 śpiewa po polsku?

Nie. W moim teście Whisper rozpoznał 4 z 83 słów polskiego tekstu, bo fonetyka modelu obsługuje tylko angielski i chiński.

Czy mogę sprzedawać piosenki z DiffRhythm 2?

Tak. Apache 2.0 na kod i wagi pozwala na użytek komercyjny bez progów i bez wyłączenia krajów. Autorzy ostrzegają tylko, że utwór może przypadkiem przypominać istniejącą muzykę, więc przed publikacją odsłuchaj go pod tym kątem.

Ile VRAM potrzebuje DiffRhythm 2?

Wiarygodnego pomiaru nie mam: jedyna próba z odczytem nvidia-smi zbiegła się z innym zadaniem na tej samej karcie. Pliki modeli ważą razem ok. 10 GB, sam model piosenki 4,55 GB.

DiffRhythm 2 czy Suno?

Brzmienia z Suno w tym teście nie porównywałem. DiffRhythm 2 wygrywa ceną i prywatnością: działa na własnej karcie, bez limitu piosenek i bez wysyłania tekstów na serwer. Jak lokalne modele wypadają na tle płatnych, pokazuję w rankingu generatorów muzyki AI.

Źródła i data sprawdzenia

Sprawdzone 17 października 2026.

Piotr Olszewski

Autor

Twórca i autor Promptowego, polskiego serwisu o sztucznej inteligencji. Codziennie śledzi premiery modeli, narzędzia i regulacje AI, i tłumaczy je prostym, konkretnym językiem.

O mnie →Wszystkie teksty →

Czytaj dalej

Narzędzia do tego tematu

darmowe, bez kontaWszystkie 29 →
z sieci - nowe teksty w moich serwisach

Wszystkie moje projekty →

Najczęściej czytane

7 dni
  1. 1GPT-6.2 Astra vs Claude Fable 5.2 vs Gemini 4 Carbon: benchmarki i mój test na 7 modelach (z Opus 5.5)
  2. 2Plakat festiwalu z polskim napisem: prompt i test 6 generatorów obrazu (Prompt dnia 14.11)
  3. 330 promptów do ChatGPT Images i 10 do przerabiania zdjęć
🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →