71秒写完一首中文歌，还能像改文档一样改旋律：开源AI音乐，打成“三足鼎立”

前两年想让AI写歌，普通人基本只有两条路。

要么掏钱订阅Suno，输入一句“国风、女声、伤感”，然后闭眼抽盲盒，抽到好听算运气；要么硬着头皮去啃论文、配环境，最后被“显存不足”四个字劝退。

现在，牌桌上多了一副新牌。

香港科技大学团队带着YuE2下场，一台24G显存的机器，就能在本地生成48kHz立体声、带人声带伴奏的完整歌曲。更关键的是——它不再让你“抽卡”，而是先把谱子写给你看。

一、先把一个误会说清楚

最近不少文章标题写着“清华、字节联合开源YuE”。这话，只对了一小半。

YuE最早是2025年初由香港科技大学和M-A-P开源社区做出来的，作者名单里确实有清华、上交、中传、MBZUAI的研究者参与，但字节并没有跟它一起开源这个模型。字节真正的王牌是自家的Seed-Music，走的是闭源、产品化的路。

而这次刷屏的YuE2，背后站的是港科大、M-A-P、HKGAI、Tokenwave.AI、纽约大学、斯坦福、MBZUAI、ACE Studio一长串机构。

所以与其说“三家联手”，不如说是三条路线在同一个赛道上正面撞上了：

港科大M-A-P系，死磕开源，主打“白盒”，让你看得见、改得动。

字节Seed系，不公开权重，主打工业级的稳定和产品落地。

HKGAI，港科大牵头的香港生成式人工智能研发中心，负责把模型推上国际榜单、对接商用和本地化。

一个拼“可改”，一个拼“好用”，一个拼“能落地”。这才是“三足鼎立”真正的意思。

二、港科大这一路，狠就狠在不让你抽卡

想理解YuE2到底变了什么，可以想想装修。

以前的AI写歌，就像你对着装修队说一句“我要温馨北欧风”，然后关上门等结果。门一开，沙发位置不对、颜色不喜欢，你只能全部砸掉重来。

YuE2的做法是：先给你一张施工图。

它第一步不生成声音，而是生成一份乐谱——旋律、和弦、调式、节拍、段落结构，全都明明白白写出来。这份谱子用的是ABC记谱法，你可以把它理解成“一段人和机器都能读懂的电子简谱”。

第二步，它才照着这份谱子“开唱”，把音符变成人声和伴奏。

别小看这个顺序。旋律先定下来，歌就有了骨架，不会唱着唱着跑偏，也不会副歌和主歌像两首歌硬拼在一起。有博主实测，71秒就能生成一首3分半钟的完整歌曲。

更实用的是“改”。

传统AI生成，你说“第二段副歌再来一版”，它给你整首重做，前面满意的部分也一起没了。YuE2可以直接改谱：只动四个小节的和弦，旋律一个字不碰。

官方数据里，改和声时目标和弦达成度接近八成，而全曲原本的人声旋律保留了九成三以上。翻译成人话就是：你说改哪儿，它就改哪儿，别的地方不乱动。

这项能力还顺带解锁了两个玩法。

一个是零样本翻唱。拿一段老录音，先用它的转录工具把旋律扒成谱，再换一个风格描述，同一份谱子就能唱成爵士、摇滚或者民谣。在948首模型没见过的作品上，带完整乐谱的翻唱辨识度是0.647，不给谱子只有0.006——差了一百倍。谱子就是它的命根子。

另一个是让AI助手改歌。因为谱子是纯文本，你可以直接对AI说“把这段改成小调，加一段萨克斯间奏”，它改谱，模型再重新唱。官方演示里有一首歌，从华语流行一路改成英文爵士，走了9步、14个版本。

三、成绩单好看，但也别全信

YuE2最出圈的一组数字，是在WildSongBench上的得分。

这是一个包含192条真实用户提示的测试集，中英文都有。YuE2“八选一”拿下6.9632分，Suno v5是6.8721分，Suno v6是6.5562分。

专家盲听的结果更有意思：整体偏好上，YuE2拿了40.4%，Suno v5是39.9%，基本就是肩并肩；但在“音频质量”这一项，YuE2在六个商用系统面前平均偏好率达到58.9%，反而更受青睐。

不过话说回来，这份榜单是团队自己出的题，“八选一”对比对手的“两选一”，严格讲不算完全公平，零点零几分的差距也谈不上碾压。

但有一点很难得：**它只有35.8亿参数，比8个公开基线里的6个都小。**用更小的模型打出这个成绩，才是让同行真正坐不住的地方。

四、另外两路，各有各的算盘

字节的Seed-Music，思路完全不同。

它不跟你聊乐谱，也不开放权重，而是一站式解决：歌词编辑、风格控制、人声克隆、片段续写，全都做进产品里。优势是稳、快、版权链条清楚，能直接接进音乐App和短视频工具。劣势也明显——你永远不知道它内部是怎么写的，想改一个和弦，只能重新描述一遍需求。

HKGAI走的则是另一条路：把实验室里的东西，变成能上台面、能商用、能本地化的产品。据港媒报道，YuE2上线后在国际开源AI社区一度排到第四。它的商用授权和数据合作，也都由HKGAI在对接。

而在这三路之外，开源阵营还有LeVo 2、HeartMuLa、ACE-Step 1.5、DiffRhythm 2在追，商用那边站着Suno v5/v6、Mureka 9、MiniMax Music 3。这条赛道，早就不是一家独唱了。

五、普通人能拿它干什么？

短视频博主最直接。要找一段三分钟的国风背景音乐，以前在版权库里翻半天，还得算授权费。现在写一句“江南雨夜、古筝、女声、慢板、不要鼓”，先出谱，听着不对就改两个和弦，不用整首重来。

独立音乐人可以拿它做小样。脑子里哼一段旋律，以前要扒谱、编曲、找歌手，一套流程下来一周没了。现在哼完转成谱，改两笔，直接出带人声的成品demo，拿去给乐队听。

音乐老师会发现它是个好教具。把学生哼的旋律转成谱，当场改和声、讲进行，比在黑板上画半天直观得多。

喜欢老歌的人，可以试试把一首多年前的情歌，翻成慵懒的爵士版。旋律还是那个旋律，味道完全不一样。

六、门槛到底高不高？

最省事的办法，是去官方演示页。浏览器打开就能听，免费，不用装任何东西，也不用手里有张显卡。

想在自己电脑上跑，官方给出的配置是：NVIDIA显卡、支持BF16、24G显存，Linux系统。这个门槛不算低，大概是一张RTX 4090的级别。

不过社区已经把路铺得挺平了：仓库里有量化版，模型体积从7.8G压到4G左右，显存压力小了一截；ComfyUI也已经有原生节点和官方工作流，拖拖节点就能出歌，还有团队做了整合包。

真正需要留个心眼的是版权。**个人创作者可以免费用，生成的作品也能拿去变现，不用给团队分成；但公司商用要单独谈授权。**模型权重是“署名—非商用”协议，代码则是宽松的Apache 2.0。想靠它做生意的，这一步最好先看清楚。

七、写在最后

AI写歌这件事，过去拼的是“像不像人唱的”。

现在开始拼另一件事：你能不能指挥它。

以前你只能对结果说“再来一版”，现在你可以对过程说“第三小节的和弦换成小调，鼓点往后挪半拍”。创作从抽奖，变成了改稿。

这当然会带来新问题。如果谱子都能被AI随手改写，那“作曲”这两个字，到底该算在谁头上？如果71秒就能出一首还不错的歌，那些靠流水线写歌吃饭的人，又该往哪儿走？

但换个角度想，会写歌的人，从此多了一支不知疲倦的笔。

如果现在让你点一首歌，只属于你自己——你会让它写什么？是给爸妈的生日歌，还是那段一直没说完的暗恋？

评论区聊聊，说不定下一个爆款，就从这儿开始。