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.

Spis treści 8
👁 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.
| Piosenka | Długość | Słowa rozpoznane |
|---|---|---|
| Angielski synthpop | 1:58 min | 76 z 76 (100%) |
| Polska ballada | 2:06 min | 4 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:
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.
- 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”.
- Hangar wykrywa kartę (Nvidia z CUDA, od 8 GB VRAM, najlepiej 12 GB i więcej) i pokazuje, czy model się zmieści.
- Znajdź DiffRhythm 2 w katalogu: zobaczysz rozmiar pliku, licencję i to, czy model wolno używać w UE.
- 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):
- Sklonuj repozytorium:
git clone https://github.com/ASLP-lab/DiffRhythm2.git. - 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). - Zainstaluj PyTorch z CUDA: u mnie torch 2.7.1 z indeksu cu128.
- Zainstaluj resztę z
requirements.txt, ale bezpyopenjtalk(fonetyka japońska). W jego miejsce podłożyłem pusty moduł, który zgłasza błąd tylko przy japońskim tekście. - 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 zmiennymiPHONEMIZER_ESPEAK_LIBRARY(ścieżka do espeak-ng.dll w site-packages) iESPEAK_DATA_PATH. - Ustaw
PYTHONUTF8=1iPYTHONIOENCODING=utf-8(polski Windows domyślnie używa cp1250). - Przygotuj plik .lrc z tekstem i sekcjami oraz plik JSONL z jednym wierszem na piosenkę: nazwa, opis stylu po angielsku i ścieżka do .lrc.
- Uruchom
inference.py. Za pierwszym razem skrypt pobiera wagi do folderuckptw 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 16Przykładowy 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
| Model | Polski (śr.) | Angielski | Licencja |
|---|---|---|---|
| ACE-Step 1.5 | 95,6% | 96,1% | MIT |
| YuE2 | 91,2% | 100% | CC BY-NC 4.0 |
| MiniMax Music 3 | 89,2% | 92,1% | MiniMax Community |
| DiffRhythm 2 | 4,8% | 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
- ASLP-lab/DiffRhythm2 na Hugging Face (karta modelu, licencja Apache 2.0, pliki model.safetensors 4,55 GB i decoder.bin 0,52 GB).
- ASLP-lab/DiffRhythm2 na GitHubie (kod, instrukcja instalacji, data wydania 30.10.2025).
- DiffRhythm 2: Efficient And High Fidelity Song Generation Via Block Flow Matching (arXiv).
- espeakng-loader na PyPI.
- Mój test na RTX 4090, 17 października 2026: 2 piosenki (EN i PL), Whisper large-v3, porównanie z YuE2, ACE-Step 1.5 i MiniMax Music 3.
Sprawdzone 17 października 2026.

Autor
Twórca i autor Promptowego, polskiego serwisu o sztucznej inteligencji. Codziennie śledzi premiery modeli, narzędzia i regulacje AI, i tłumaczy je prostym, konkretnym językiem.
Czytaj dalej
Artykuły · ACE-Step 1.5 lokalnie: polska piosenka na RTX 4090 - testACE-Step 1.5 turbo na RTX 4090: trzy polskie próby (94,0, 94,0 i 98,8% słów), 34-91 s na dwuminutową piosenkę, licencja MIT. Jak uruchomić go w...
Artykuły · MiniMax Music 3: lokalnie, licencja, ceny i czy śpiewa po polskuMiniMax Music 3 tworzy piosenki do 5 minut i od sierpnia 2026 ma otwarte wagi. Opisuję wersje, ranking, licencję, ceny aplikacji i fal.ai, instalację...
Artykuły · Usuwanie wokalu z piosenki: acapella i podkład z AI za 2,95 zł za minutęJak działa vocal remover, czym różni się wokal od podkładu i stemów, kod API, koszt dla singla i płyty, przygotowanie pliku i prawa do wyciętego...- przelomowy.pl„Big Math” w Nature: od chińskiego ryżu do macierzy w sercu generatywnej AI
- generatornia.plPuzzle ze zdjęcia: jak zrobić układankę z AI do druku i online
- przewagi.plAutomatyzacja faktur: zacznij od obiegu i wyjątków, potem dodaj AI
- jutropis.plKE konsultuje formularz oceny wpływu AI na prawa podstawowe



