YuE2の日本語歌唱力は？4つのローカル音楽生成AIを比較
YuE2、ACE-Step 1.5、MiniMax Music 3、DiffRhythm 2に同じポーランド語の歌詞を入力。RTX 4090での認識率、生成時間、VRAM使用量を比較しました。
👁 119閲覧数
YuE2は、テキストとスタイルの説明からボーカル入りの曲を生成する、m-a-pチームのオープンモデルです。ComfyUI 0.41以降でネイティブに動作します。同じポーランド語の歌詞を、ほかの3つのローカルモデル（ACE-Step 1.5、MiniMax Music 3、DiffRhythm 2）にも入力し、各モデルで3回生成した音声をWhisperで分析しました。YuE2のポーランド語歌唱は比較的明瞭で、単語認識率は平均91.2%。ただし、ACE-Step 1.5が95.6%でわずかに上回りました。DiffRhythm 2はポーランド語をほとんど歌えません。
テストで首位だったモデルの詳しい使い方：ACE-Step 1.5をローカルで使う。
2026年10月17日時点
- YuE2：30億パラメーター。RTX 4090で約2分の曲を1～2分で生成。VRAM使用量のピークは13～16 GB。
- ポーランド語の歌唱（3回の平均）：ACE-Step 1.5 95.6%、YuE2 91.2%、MiniMax Music 3 89.2%、DiffRhythm 2 4.8%（1回のみ）。
- 英語（各1回）：YuE2とDiffRhythm 2は100%、ACE-Step 96.1%、MiniMax 92.1%。
- YuE2のライセンスはCC BY-NC 4.0で、商用利用不可。商用利用できるライセンスはACE-Step 1.5（MIT）とDiffRhythm 2（Apache 2.0）。
シリーズ：RTX 4090でローカルAIを検証、2026年10月17日のテスト
YuE2とは
YuE2は、YuEの第2世代モデルで、2026年9月9日に公開されました。パラメーター数は約30億です。セクション名（[Verse]、[Chorus]、[Bridge]）を付けた歌詞と英語のスタイル説明を入力すると、ボーカル、楽器、曲構成を含む音源を生成します。カバーの作成やABC形式の楽譜編集にも対応していますが、これらの機能はまだテストしていません。
GitHubのオリジナル版は、約24 GBのVRAMとLinuxを必要とします。ComfyUI 0.41ではWindows上でネイティブに動き、テンプレートとComfy-Orgが再パッケージした重みが用意されています（bf16は7.8 GB、int8は4 GB）。
4モデルを同じポーランド語歌詞で比較
2つのAメロと2つのサビからなる、83語の短いバラードを書きました。ポーランド語の原文には「ヴィスワ川のほとりにまた雨が降り、トラムが灰色の霧の中を進む……」という歌詞が含まれていました。以下は、テストに使ったポーランド語の歌詞を日本語に訳した例であり、日本語で再テストしたものではありません。全モデルでスタイル指定は「ポーランド語のポップバラード、温かみのある女性ボーカル、ピアノと柔らかなシンセパッド、スローテンポ」に統一しました。これも、テストに使った英語のスタイル指定の日本語訳です。各モデルで乱数シードを11、22、33に変えて3回生成しました。音源をポーランド語設定のWhisper large-v3にかけ、歌詞の単語が同じ順番で文字起こしに含まれる割合を計算しました。
この数値は、音楽の評価ではなく、歌詞の聞き取りやすさの指標です。Whisperが人間には聞き取れない単語を認識したり、その逆が起きたりする場合もあります。ただし、同じ歌詞を使ったモデル同士の比較には役立ちます。
| モデル | ポーランド語：3回の結果 | 平均 | ライセンス |
|---|---|---|---|
| ACE-Step 1.5 turbo | 94.0 / 94.0 / 98.8% | 95.6% | MIT |
| YuE2（bf16） | 98.8 / 90.4 / 84.3% | 91.2% | CC BY-NC 4.0 |
| MiniMax Music 3 | 91.6 / 88.0 / 88.0% | 89.2% | MiniMax Community |
| DiffRhythm 2 | 4.8%（1回） | 4.8% | Apache 2.0 |
数値からわかること
- YuE2は単独の生成で最高の98.8%（83語中82語）を記録しましたが、結果のばらつきも最大でした。シード22では「ヴィスワ川のほとり」という歌詞を2回繰り返し、独自のフレーズも加えました。シード33では複数の行を省略しました。
- ACE-Step 1.5は結果が最も安定しています。4モデルのうち、設定で言語を選べるのはこれだけで、今回は「pl」を指定しました。曲の長さはあらかじめ120秒に設定されます。
- MiniMax Music 3の歌詞は聞き取りやすいものの、2つの問題がありました。3回中2回は「プラガで誰かが古いジャズを演奏している」という2番の歌詞から始まり、曲の長さも上限の150秒に届かず、73秒、111秒、92秒でした。この歌詞の日本語表記は、テストに使ったポーランド語の原文の訳です。
- DiffRhythm 2が対応する音素表記は中国語と英語のみです。ポーランド語の歌詞は「二つの範囲で雨が降る」といった聞き取りにくい音になりました。なお、このモデルは2025年10月のもので、今年の新作ではありません。ここで示したフレーズは、テスト音声のポーランド語を日本語に置き換えたものです。
試聴：ポーランド語歌詞、シード11
英語ではYuE2が満点
2つ目の歌詞は英語で、1980年代風のシンセポップ、男性ボーカルという設定です。各モデルで1回ずつ生成しました。
| モデル | 英語：認識された単語 | 長さ | RTX 4090での生成時間 |
|---|---|---|---|
| YuE2 | 100% | 1分57秒 | 32秒 |
| DiffRhythm 2 | 100% | 1分58秒 | 約1分 |
| ACE-Step 1.5 | 96.1% | 2分00秒 | 8秒 |
| MiniMax Music 3 | 92.1% | 2分30秒 | 305秒 |
生成時間とVRAM使用量
| モデル | ポーランド語の曲の生成時間 | VRAM使用量のピーク |
|---|---|---|
| YuE2 bf16 | 61～108秒 | 13.3～16.3 GB |
| ACE-Step 1.5 turbo | 34～91秒 | 10.7～20.0 GB |
| MiniMax Music 3 | 113～178秒 | 18.4～24.1 GB |
| DiffRhythm 2 | 約60秒 | 未計測 |
時間はタスクを送信してからファイルができるまでの全体を計測し、ComfyUIがモデルを切り替える際の読み込み時間も含みます。実際の生成だけならもっと短く、モデルがメモリーに読み込まれた状態でのACE-Stepは8秒でした。MiniMax Music 3は24 GBのカードを使い切るため、その状態では動作が遅くなります。
ComfyUIでYuE2を動かす方法
- ComfyUIを0.41以降にアップデートします。
- Comfy-Org/YuE2リポジトリから、
checkpoints/yue2_3b_bf16.safetensors（7.8 GB。VRAMの少ないGPUではint8の4 GB版も選べます）をダウンロードし、models/checkpointsに保存します。さらに、audio_encoders/sheetsage2_bf16.safetensors（1.4 GB）をmodels/audio_encodersに保存します。 - Workflowを開き、Browse Templatesから「YuE2 Text to Music」テンプレートを選びます。テンプレートは初期状態でint8版を指定するため、bf16をダウンロードした場合は読み込みノードのファイルを変更してください。
- スタイル欄にはジャンル、ボーカル、楽器、テンポを英語で入力します。歌詞欄には、
[Verse]や[Chorus]などのセクション名を付けた歌詞を貼り付けます。テストではポーランド語を通常の表記で入力しました。 - 最大の長さを設定します（私の設定は150秒）。モデルは歌詞が終わると自動で曲を終了します。
使用した設定は、モード「full」、temperature 1.0、top-p 0.95、top-k 100、繰り返しペナルティ1.2、その後samplerはdpm_2、スケジューラーはsgm_uniform、ステップ数は32、CFGは1です。公式テンプレートに記載された値です。
ComfyUIをゼロからインストールする手順はComfyUIの始め方で、10月のほかのローカルモデルは新しいローカルAIモデルのまとめで紹介しています。
どのモデルを選ぶべきか
- ポーランド語の曲を商用利用するなら：ACE-Step 1.5。ポーランド語の結果が最も安定し、生成も速く、MITライセンスです。
- 個人用のポーランド語の曲なら：YuE2またはACE-Step。YuE2は単独の生成で最高の結果を出しましたが、2～3パターン作って選ぶのがおすすめです。
- 英語の曲なら：YuE2。32秒の生成で単語認識率100%でした。
- MiniMax Music 3：独特のサウンドを重視する場合に向いています。最も遅く、VRAMも多く使います。詳しくはMiniMax Music 3をローカルで使うをご覧ください。
- DiffRhythm 2：英語または中国語の歌詞に限って検討してください。
これらのモデルとSuno、Udio、Murekaの比較は、AI音楽生成ツールのランキングで紹介しています。
手軽に使うならHangar
YuE2は、Windows向けの無料ローカルモデル管理ツールHangarにも登録されています。画像、動画、音楽モデルに対応し、アカウントやサブスクリプションは不要です。エンジンにはComfyUIを使います。Hangarにあるのは、私のテストで使ったbf16より軽いint8版で、モデルは3.96 GB、sheetsage2エンコーダーは1.39 GB、合計5.35 GBです。VRAMの少ないGPU向けですが、この版の生成時間と品質はまだ測定していません。モデルのライセンスはCC BY-NC 4.0で、YuE2で作った曲は販売できません。
- Hangarのページからインストーラー（14 MB）をダウンロードします。デジタル署名がないため、Windows SmartScreenに警告が表示されます。「詳細情報」をクリックし、「実行」を選んでください。
- HangarがGPUを検出します。CUDA対応のNvidia GPUが必要で、VRAMは8 GB以上、12 GB以上を推奨します。モデルが収まるかどうかも表示されます。
- カタログでYuE2 3Bを探すと、ファイルサイズ、ライセンス、EU域内でのモデル利用可否を確認できます。
- 現時点では、上記の手順に従ってComfyUIから生成してください。HangarはComfyUI portableをゼロからセットアップするか（私の環境では231秒）、既存のComfyUIに接続します。
Hangarのカタログにはモデルがありますが、Hangar経由の生成はまだ動作しません（2026年10月17日時点）。現状では上記の手順でComfyUIを使ってください。ツールの詳細はHangarのページをご覧ください。
よくある質問
YuE2はポーランド語で歌えますか？
はい。3回のテストでは、Whisperが単語の84～99%を認識し、平均は91.2%でした。歌詞の一部を繰り返したり、省略したりすることがあるため、2～3パターン生成するとよいでしょう。
YuE2に必要なVRAMはどれくらいですか？
bf16版では、カード全体のVRAM使用量のピークが13.3～16.3 GBでした。int8版は4 GBなので、VRAM 12 GBのGPUでも動くと考えられますが、実際には確認していません。
YuE2で作った曲を販売できますか？
できません。CC BY-NC 4.0ライセンスでは商用利用が禁止されています。販売する音楽には、ACE-Step 1.5（MIT）またはDiffRhythm 2（Apache 2.0）を検討してください。ただし、DiffRhythm 2で使えるのは英語の歌詞のみです。
YuE2は何分くらいの曲を作れますか？
歌詞と設定した上限によります。83語の歌詞で上限を150秒にした場合、曲の長さは2分07秒～2分18秒でした。
Sunoより優れていますか？
今回のテストではSunoの音質と比較していません。ローカルモデルの利点は、ダウンロード回数の上限がなく、曲ごとに料金がかからないことです。Sunoには2026年9月3日から月間の上限があります。
Google · あなたの情報源GoogleでKiramesuをもっと上位に表示-ワンクリックで設定お気に入りの情報源に追加 →出典
- Hugging Face：m-a-p/YuE2-3B
- Comfy-Org/YuE2（ComfyUI用の重み、ライセンスはCC BY-NC 4.0）
- GitHub：DiffRhythm 2
- RTX 4090での独自計測、2026年10月17日：音源13本、Whisper large-v3。
Kiramesuの関連記事
