ComfyUI向け音楽生成モデル「YuE2-3B」リパッケージ版が公開

2026年9月13日2026年9月18日

基本情報

収集・肉付けの時点で当サイトのコードが確定させた値です。日付はJST。

概要

Comfy-Orgは、オープンな音楽生成モデル「YuE2-3B」をComfyUIで実行できるように再パッケージしたモデルファイル群「Comfy-Org/YuE2」を公開した。歌詞とスタイルプロンプトからボーカルと伴奏付きの楽曲を生成し、編集可能なスコアでメロディやコードを制御できるテキスト・音声変換モデルである。

スペック

• パラメータ数: 3.6B (元モデル m-a-p/YuE2-3B のスペックに基づく)
• アーキテクチャ: AR-NAR Mixture-of-Transformers (YuE2ForCausalLM)
• 出力の仕様: 48 kHz ステレオ音声
• 対応言語: 中国語 (zh)、英語 (en)
• ライセンス: cc-by-nc-4.0 (商用利用不可)

性能・品質

元モデルのモデルカードでは、WildSongBenchおよびSHS100Kにおける評価結果が公表されている。以下はWildSongBenchにおけるフル楽曲生成の評価結果である。

元モデルのYuE2は、評価されたオープンおよびプロプライエタリモデルの中で最も高いSongBench平均を記録している。一方で、指標によっては他のモデルが優れる部分もあるなど、生成品質とプロンプト準拠のバランスが示されている。

得意なこと・想定用途

元モデルは、歌詞とスタイルプロンプトからの楽曲生成に加え、メロディやコードプランニング、ABC記譜法によるスコア編集、エージェントによる楽曲の編集・リビジョンに対応している。中国語と英語の歌詞に対応しており、ゼロショットでのカバー楽曲生成やテキストからの音楽制作を想定用途としている。

類似モデルとの違い

音楽生成モデル「YuE2-3B」公開、歌詞とスタイルから楽曲制作では元モデルである「YuE2-3B」の単体公開を扱ったが、今回の記事で取り上げるComfy-Org/YuE2は、それらのモデルファイルをComfyUI向けの配置構成に合わせてリパッケージしたものである。

動作環境

動作環境の目安(Local Model Watch 算出) — パラメータ数 3.6B(元モデル m-a-p/YuE2-3B の値)

必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。

入手方法

Hugging Faceの Comfy-Org/YuE2 から入手できる。ファイルは以下のフォルダ構造に従って配置する。

📂 ComfyUI/
└── 📂 models/
    ├── 📂 audio_encoders/
    │   └── sheetsage2_bf16.safetensors
    └── 📂 checkpoints/
        └── yue2_3b_bf16.safetensors

関連記事

• 音楽生成モデルYuE2-3B向け実音声トークナイザーv4公開
• 音楽生成モデル「YuE2-3B」公開、歌詞とスタイルから楽曲制作
• ComfyUI v0.36.0公開：汎用ループやYue2・Marigold v2に対応

出典

• https://huggingface.co/Comfy-Org/YuE2
• https://huggingface.co/m-a-p/YuE2-3B