YuE2: test di 4 generatori musicali AI in locale

👁 113 letture

YuE2 è un modello open del team m-a-p che crea una canzone completa, con voce, a partire da un testo e dalla descrizione dello stile. È integrato nativamente in ComfyUI dalla versione 0.41. Gli ho dato lo stesso testo in polacco usato per altri tre modelli locali (ACE-Step 1.5, MiniMax Music 3 e DiffRhythm 2), con 3 tentativi per modello, e ho analizzato le registrazioni con Whisper. YuE2 canta in polacco in modo comprensibile (91,2% delle parole in media), ma ACE-Step 1.5 lo supera di poco, con il 95,6%. DiffRhythm 2 non riesce praticamente a cantare in polacco. Il test è stato svolto in polacco: gli esempi di testo riportati qui sono traduzioni del materiale polacco originale, non nuove prove in italiano.

La guida completa al modello vincitore del test con testi in polacco: ACE-Step 1.5 in locale.

Che cos’è YuE2

YuE2 è la seconda versione del modello YuE, pubblicata il 9 settembre 2026. Ha circa 3 miliardi di parametri. Riceve il testo della canzone con le indicazioni delle sezioni ([Verse], [Chorus], [Bridge]) e una descrizione dello stile in inglese, quindi restituisce un brano completo con voce, strumenti e struttura. Può anche realizzare cover e modificare spartiti in notazione ABC, ma non ho ancora provato queste funzioni.

La versione originale su GitHub richiede circa 24 GB di VRAM e Linux. Con ComfyUI 0.41 funziona nativamente su Windows, grazie a un flusso di lavoro pronto e ai pesi riconfezionati da Comfy-Org (bf16 7,8 GB oppure int8 4 GB).

Il test: 4 modelli con lo stesso testo in polacco

Ho scritto una breve ballata di due strofe e due ritornelli, 83 parole, con caratteri polacchi. Traduzione del testo polacco usato nel test: «Sulla Vistola torna a piovere, i tram scivolano nella nebbia grigia…». Lo stile era identico per tutti: «Ballata pop polacca, voce femminile calda, pianoforte e pad di sintetizzatore morbidi, tempo lento». Ogni modello ha ricevuto 3 tentativi con semi diversi (11, 22, 33). Ho analizzato le registrazioni con Whisper large-v3 impostato sulla lingua polacca e calcolato la percentuale delle parole del testo ritrovate nella trascrizione, nello stesso ordine.

Il risultato misura la comprensibilità, non la qualità musicale. A volte Whisper riconosce una parola che una persona non capirebbe, e viceversa. È comunque utile per confrontare i modelli sullo stesso testo.

Come leggere i risultati

• YuE2 ha ottenuto il miglior risultato in un singolo tentativo (98,8%, 82 parole su 83), ma anche la maggiore variabilità. Con il seme 22 ha ripetuto due volte «Sulla Vistola» e aggiunto frasi di sua iniziativa. Con il seme 33 ha saltato alcuni versi.
• ACE-Step 1.5 è il più costante. È l’unico dei quattro modelli che permette di selezionare la lingua nelle impostazioni: ho scelto «pl». La durata della canzone va impostata in anticipo (120 secondi).
• MiniMax Music 3 canta in modo comprensibile, ma ha due problemi. Cambia l’ordine delle sezioni (in due tentativi ha iniziato dalla seconda strofa, «A Praga qualcuno suona vecchio jazz») e accorcia i brani: 73, 111 e 92 secondi, a fronte del limite di 150 secondi.
• DiffRhythm 2 gestisce la fonetica solo in cinese e in inglese. Trasforma il testo polacco in un insieme di suoni incomprensibili («sulla due raggio piove pioggia», traduzione della resa fonetica rilevata nel test). Inoltre, è un modello di ottobre 2025, non una novità di quest’anno.

Ascolta: testo in polacco, seme 11

In inglese YuE2 non sbaglia una parola

Il secondo testo era in inglese, con uno stile synthpop anni Ottanta e voce maschile. In questo caso ho eseguito un solo tentativo per modello.

Tempi e memoria

Il tempo comprende tutto, dall’invio della richiesta alla creazione del file, incluso il caricamento del modello quando ComfyUI passava da un modello all’altro. La generazione in sé è più rapida, come mostra ACE-Step: 8 secondi quando il modello era già in memoria. MiniMax Music 3 occupa tutti i 24 GB della scheda e in quel caso rallenta.

Come usare YuE2 in ComfyUI

1. Aggiorna ComfyUI alla versione 0.41 o successiva.
2. Dal repository Comfy-Org/YuE2 scarica checkpoints/yue2_3b_bf16.safetensors (7,8 GB, oppure int8 da 4 GB per schede meno potenti) nella cartella models/checkpoints e audio_encoders/sheetsage2_bf16.safetensors (1,4 GB) in models/audio_encoders.
3. Apri Workflow, poi Browse Templates e seleziona il modello «YuE2 Text to Music». Per impostazione predefinita il flusso usa la versione int8: se hai scaricato bf16, cambia il file nel nodo di caricamento.
4. Nel campo dello stile descrivi in inglese genere, voce, strumenti e tempo. Nel campo del testo incolla le parole, suddivise con sezioni come [Verse] e [Chorus]. Nel test ho inserito il testo in polacco con i suoi caratteri originali.
5. Imposta la durata massima (nel mio caso 150 secondi). Il modello conclude la canzone quando termina il testo.

Le impostazioni usate: modalità «full», temperatura 1,0, top-p 0,95, top-k 100, penalità per le ripetizioni 1,2, poi 32 passaggi del sampler dpm_2 con scheduler sgm_uniform e CFG 1. Sono i valori del modello ufficiale.

Ho descritto l’installazione di ComfyUI da zero nella guida ComfyUI da zero; trovi altri modelli locali di ottobre nella panoramica Nuovi modelli AI locali.

Quale modello scegliere

• Per creare canzoni in polacco da vendere: ACE-Step 1.5. È il più costante in polacco, il più veloce e ha licenza MIT.
• Per creare canzoni in polacco per uso personale: YuE2 o ACE-Step. YuE2 ha ottenuto il miglior risultato in un singolo tentativo, ma conviene generarne 2-3 versioni e scegliere la migliore.
• Per l’inglese: YuE2, con il 100% delle parole riconosciute e 32 secondi di elaborazione.
• MiniMax Music 3 ha senso solo se cerchi il suo specifico sound. È il più lento e quello che richiede più memoria. Ne ho parlato più ampiamente nell’articolo MiniMax Music 3 in locale.
• DiffRhythm 2 è da usare solo con testi in inglese o cinese.

Nel confronto tra generatori musicali AI mostro anche come si posizionano questi modelli rispetto a Suno, Udio e Mureka.

La via più semplice: Hangar

YuE2 è anche nel catalogo di Hangar, il mio gestore gratuito per modelli locali di immagini, video e musica su Windows (senza account né abbonamento, con ComfyUI come motore). Hangar include la variante int8, più leggera della bf16 provata nel test: il modello occupa 3,96 GB e l’encoder sheetsage2 1,39 GB, per un totale di 5,35 GB. È la versione pensata per schede meno potenti, ma non ne ho ancora misurato tempi e qualità. Accanto al modello è indicata la licenza CC BY-NC 4.0, che non consente di vendere le canzoni create con YuE2.

1. Scarica il programma di installazione (14 MB) dalla pagina di Hangar. Non è ancora firmato digitalmente, quindi Windows SmartScreen mostrerà un avviso: fai clic su «Ulteriori informazioni» e poi su «Esegui comunque».
2. Hangar rileva la scheda grafica (Nvidia con CUDA, almeno 8 GB di VRAM; meglio 12 GB o più) e indica se il modello può essere caricato.
3. Cerca YuE2 3B nel catalogo: vedrai la dimensione dei file, la licenza e se il modello è utilizzabile nell’UE.
4. Per ora genera le canzoni con ComfyUI seguendo le istruzioni qui sopra. Hangar può installare ComfyUI portable da zero (nel mio caso ci sono voluti 231 secondi) oppure collegarsi a un’installazione di ComfyUI già presente.

Hangar include il modello nel catalogo, ma la generazione tramite Hangar non è ancora disponibile (situazione al 17 ottobre 2026): per ora bisogna usare ComfyUI, come descritto sopra. Altre informazioni sullo strumento: Hangar.

Domande frequenti

YuE2 canta in polacco?

Sì. Nei miei 3 tentativi Whisper ha riconosciuto dall’84% al 99% delle parole, con una media del 91,2%. Può ripetere un verso o saltare una parte, quindi conviene generare 2-3 versioni.

Quanta VRAM serve per YuE2?

Con la versione bf16, il picco di memoria dell’intera scheda è stato di 13,3-16,3 GB. La versione int8 (4 GB) dovrebbe funzionare su schede da 12 GB, ma non l’ho verificato.

Posso vendere le canzoni create con YuE2?

No. La licenza CC BY-NC 4.0 vieta l’uso commerciale. Per creare musica da vendere scegli ACE-Step 1.5 (MIT) o DiffRhythm 2 (Apache 2.0); quest’ultimo, però, solo per testi in inglese.

Quanto durano le canzoni generate da YuE2?

La durata dipende dal testo e dal limite impostato. Con 83 parole e un limite di 150 secondi, i brani sono durati da 2:07 a 2:18 minuti.

È meglio di Suno?

In questo test non ho confrontato la qualità sonora con Suno. Un vantaggio dei modelli locali è che non hanno limiti di download (dal 3 settembre 2026 Suno ha limiti mensili) e non si paga per ogni canzone.

Fonti

• m-a-p/YuE2-3B su Hugging Face
• Comfy-Org/YuE2 (pesi per ComfyUI, licenza CC BY-NC 4.0)
• DiffRhythm 2 su GitHub
• Misurazioni personali su RTX 4090, 17 ottobre 2026: 13 registrazioni, Whisper large-v3.

// continua a leggereMigliori generatori musicali AI: Suno v6 in testa per Artificial AnalysisBenchmarkGeneratore di canzoni AI: come creare musica e costi realiGuideConfronto generatori di immagini AI: arena interattivaBenchmark

Kinetyra