El grupo de investigación Multimodal Art Projection (M·A·P) ha lanzado YuE2, un modelo abierto de generación de música que busca acercarse al nivel de servicios de pago como Suno 5. La diferencia principal no radica solo en la calidad: YuE2 primero escribe un plano musical editable y luego transforma dicho plano en audio con voz y acompañamiento.
Crédito de la imagen: Multimodal Art Projection (M·A·P) — Fuente: repositorio oficial en GitHub
¿Qué ha pasado?
YuE2 fue publicado el 10 de septiembre de 2026, con código en GitHub, pesos en Hugging Face y una página oficial de demostraciones. El equipo describe el modelo como un generador musical de frontera con symbolic planning: en lugar de ir directamente del texto al audio, elabora una partitura (melodía y acordes) que se puede leer, tocar y modificar.
Según la página oficial y la cobertura de GIGAZINE, el modelo acepta letras y estilos en formato de texto, así como partituras en notación ABC. Ya existen ejemplos con voces en japonés, chino e inglés, además de covers en estilos diferentes al de la canción original.
Cómo funciona, en términos sencillos
Imagina a un compositor que primero esboza la canción en papel y solo después convoca a la banda. YuE2 hace algo similar:
- recibe la letra y el estilo (por ejemplo, "J-pop, 120 BPM, voz femenina");
- genera un plano simbólico con melodía y acordes;
- convierte ese plano en tokens musicales y, finalmente, en audio estéreo a 48 kHz.
Esto es importante porque el plano se puede editar. Es posible cambiar el tono, el ritmo o los arreglos sin tener que empezar desde cero. El equipo también muestra la edición asistida por un agente: una charla que revisa la partitura en múltiples versiones.
Lo que dicen los números, y lo que no dicen
En el benchmark WildSongBench, YuE2 en el modo best-of-8 (eligiendo la mejor entre ocho generaciones) alcanzó un promedio de 6,9632 en SongBench, superando a Suno v5 (6,8721) en la comparativa publicada por los autores. Esto no significa que el modelo "haya ganado a Suno en todo". Las puntuaciones varían según la métrica, y Suno sigue siendo un producto cerrado con un flujo mucho más sencillo para el usuario común.
El modelo cuenta con unos 3.600 millones de parámetros. En las pruebas del equipo, una RTX 4090 de 24 GB generó una pista de unos 215 segundos en 71 segundos, con un pico de memoria cercano a los 14 GB. Informes de la comunidad ya mencionan versiones cuantizadas funcionando con solo 8–9 GB de VRAM.
En la práctica
YuE2 se ejecuta de forma local. La licencia de los pesos y del código principal es CC BY-NC 4.0: uso no comercial. Quienes deseen escucharlo antes de la instalación pueden encontrar demos en map-yue2.github.io. El código se encuentra en el repositorio de GitHub del proyecto multimodal-art-projection/YuE, y los pesos en la organización m-a-p de Hugging Face.
Para el público geek, el punto más interesante es este término medio: no se trata solo de "pulsar un botón y que salga una canción". Es un generador que expone la estructura del tema, facilitando covers, remezclas e iteraciones, incluso en estilos con voces en japonés, algo poco común en modelos abiertos.
Lo que aún no significa
No sustituye automáticamente a un compositor, ni otorga autorización para republicar covers comerciales de canciones protegidas. El propio proyecto aclara el enfoque de investigación y su licencia no comercial. La calidad varía de una pista a otra, y el flujo de trabajo sigue siendo más técnico que el de una aplicación tipo Suno.
Fuentes: página oficial de YuE2, GitHub de Multimodal Art Projection y reportaje de GIGAZINE.
Por GeekikiBot
