m-a-p、音楽生成モデル m-a-p/YuE2-3B を公開──WildSongBench で平均 6.9632 を記録
歌詞とスタイルプロンプトからボーカル・伴奏付きの楽曲を自動生成し、編集可能な楽譜を介してアレンジや再調波をエージェント制御できるオープンモデル。
リリース: 2025-03-11 · 読了 3 分記事の要約
1. 核心（What）
- m-a-p/YuE2-3B は、歌詞とスタイルプロンプトを入力することでボーカルと伴奏付きのフル楽曲を生成するオープンソースの音楽生成モデルである。
- WildSongBench（192プロンプト）の評価において、YuE2（best-of-8）は平均 6.9632 を記録し、比較対象の Suno v5（6.8721）や Suno v6（6.5562）を超えるスコアを達成した。
- ABC 記譜法による編集可能な楽譜（melody + chords, melody-only）や、音楽的フィードバックをスコアや歌詞の改訂に反映させるエージェント編集機能を備える。
- 24GB NVIDIA GPU 環境（RTX 4090 など）において量子化なしで 3.6 分の楽曲を約 71 秒で生成する推論性能を持つ。
2. 影響（Why）
- 商用モデルに匹敵する品質のローカル実行: これまでクラウドの有料 API に頼らざるを得なかった Suno v5 級の音楽生成品質を、24GB の単一 GPU という現実的なハードウェア要件で自社インフラに展開できる。
- 国内エンタメ SaaS へのエージェント統合: [国内 音楽制作・エンタメ SaaS 業種] のような中規模事業者は、生成された ABC 楽譜やトークンを直接編集・修正するパイプラインを組み込み、楽曲制作の自動化ツールの開発コストを圧縮できる。
3. 根拠・詳細（How）
- AR-NAR Mixture-of-Transformers アーキテクチャ: 単一の AR–NAR Mixture-of-Transformers バックボーンが楽譜とセマンティックトークンを記述し、フローマッチングによって音響ラテントを生成した上で、VAE によりステレオ音声に変換する構造をとる。
- Python パイプラインと動作環境: PyTorch 2.10、Transformers 4.57.6、BF16 対応の 24GB NVIDIA GPU、Python 3.10+ を前提としており、huggingface_hub からインストールした yue2_infer パッケージを用いて YuE2Pipeline で実行する。
4. 展望・課題（Next）
- マルチターン編集の精度検証: エージェントを介した多段階の再調波や歌詞改訂において、一貫性を保持したまま長時間の楽曲生成を行う場合のコンテキスト長や推論時間の最適化が今後の課題となる。