企业官网建设流程全解析

YuE2 技术报告：SongBench 6.96 碾压公开基线，Suno v5 该慌吗？

【免费下载链接】Yue2项目地址: https://ai.gitcode.com/hf_mirrors/Comfy-Org/Yue2

就在中文社区的技术报告解读集中出现的前一天（报告正文已于 9 月 27 日挂上 arXiv，10 月 8 日社区解读开始发酵），香港科技大学与 M-A-P 团队放出了 YuE2 的 56 页完整技术报告。最抓眼球的一句话是：在 WildSongBench 上，YuE2 的 SongBench 全局平均分达到 6.96（best-of-8），是全部受测系统中最高的观测均值；专家听感评测则显示其"音频质量与商用系统 Suno v5 相当"。一时间"开源碾压 Suno"的叙事铺满评论区。

但把报告读透之后会发现，6.96 这个数字的成立有一整套前提：评测集是 192 条真实用户提示的 WildSongBench，6.96 是"8 个候选中择优"的采样口径，而"碾压"的对象严格来说是 8 个公开基线——在面对 Suno v5 时，专家偏好其实打成了 40.4% 对 39.9% 的平手。本文从报告原文出发，拆解 6.96 分的来路、专家评测的设计细节，以及分数口径之外那些容易被标题忽略的局限。

一、6.96 分怎么来的：一条从乐谱到 48kHz 立体声的生成链路

先理解 YuE2 的技术骨架，因为 SongBench 分数背后是一个与主流"端到端音频生成"截然不同的架构。

YuE2 用一个约 3.58B 参数的 AR–NAR Mixture-of-Transformers（MoT，28 层、隐宽 2048、上下文 24,576 位置）把生成过程显式分解为三层：

1. 符号作曲规划（s）：先用 ABC 文本乐谱写出旋律、和弦、调性、拍号、速度与曲式结构——这是人可读、可改的中间产物；
2. 语义音乐 token（c）：把乐谱展开为 25Hz、375 bit/s 的 MERT2 语义 token 序列（32,768 项码本，每 40ms 一个 token）；
3. 连续声学隐变量（z）：在乐谱与语义 token 条件下，通过双向 flow matching 预测 25Hz×64 维的声学 latent，最终由独立训练的 Oobleck VAE 解码为 48kHz 立体声波形。

生成概率被因式分解为p(score, semantic | text) × p(acoustic | text, score, semantic)：自回归流负责"先作曲再填细节"，非自回归流负责"按谱演奏"。训练数据约 34.6 万小时音乐，全程 bf16、64 张 H800。

这套设计的直接后果是：同一个 checkpoint 能同时做创作、按谱编辑与零样本翻唱，因为三者只差"乐谱从哪来"——创作是模型自己写谱，编辑是用户改谱后重渲染，翻唱则先用 SheetSage2 把参考录音转成乐谱再换风格渲染。本仓库作为 ComfyUI 生态的重打包版，恰好把这条链路的三个关键权重都带了进来：

ComfyUI/ └── models/ ├── audio_encoders/ │ └── sheetsage2_bf16.safetensors └── checkpoints/ ├── yue2_3b_bf16.safetensors └── yue2_3b_int8_convrot.safetensors

其中audio_encoders/sheetsage2_bf16.safetensors正是全曲主旋律转录器 SheetSage2（报告称其在 15 组全曲转录对比指标中领跑 12 组，RWC-Pop 人声旋律 F1 从 62.71 提升到 82.51），checkpoints/yue2_3b_int8_convrot.safetensors则是为消费级显卡准备的 int8 量化变体——社区实测 24GB 显存即可本地跑通，这也是"本地 71 秒生成一首 3.6 分钟歌曲"类教程能成立的基础。

二、6.96 的完整口径：192 条提示、两候选与 best-of-8

回到分数本身。SongBench 是报告引入的七维歌曲质量评测（Musicality、Melody、Arrangement、Structure、Instrumental、Mixing、Vocal），全局平均分（Global Avg）取七维均值。所有系统统一跑在 WildSongBench 上：192 条"在野"真实用户请求，覆盖 15 个流派桶，其中 94 条中文、98 条英文提示，歌词与风格描述经各系统原生接口喂入。

比较协议的关键是候选预算：标准对比中，每个系统对每条提示生成 2 个候选，取 ASR 四次转写中音素错误率（PER）较低的那个。在此口径下：

• YuE2：SongBench 全局平均 6.7316，Musicality 5.9075；
• 8 个公开基线全部低于它：YuE1 4.9165、SongBloom 4.2350、LeVo 2 6.3247、ACE-Step 1.5 6.0118、HeartMuLa 6.2483、DiffRhythm 2 5.2428、Muse 6.0349、MiniMax Music 3 6.2830。

所以"全面碾压公开基线"这个表述在 6.7316 口径下就是成立的，而且是用 3.58B 参数打出的——报告中 8 个公开基线里 6 个参数比它多，例如 HeartMuLa 为 5.43B。

而标题里的6.96 是 best-of-8 口径：对每条提示生成 8 个候选，先剔除在 SongBench Musicality、Q3O、PER 三维上被支配的候选，再保留 Musicality 最高值 0.10 以内的，然后依次按 Q3O 与 PER 择优。在此口径下 YuE2 达到6.9632（SongBench Global Avg）与 6.2666（Musicality），是包括商用系统在内所有受测系统中最高的观测均值——Suno v5 为 6.8721，Mureka 9 为 6.9377。

值得指出的是，best-of-8 同时也带来了采样成本上的不对等：商用接口通常每次请求只返回 2 首歌，而 best-of-8 意味着 8 倍生成预算外加一次按指标排序的选择。换句话说，6.96 是"8 选 1 + 择优"后的上限观测值，6.7316 才是与商用接口同预算口径下的默认表现。在同一张表里，两候选口径下 Mureka 9（6.9377）与 Suno v5（6.8721）仍排在 YuE2 之前，这一点与"碾压一切"的传播口径存在温差。

三、专家评测与 Suno v5"对齐"的细节与前提

自动指标之外，报告把专家听感评测当作感知质量的首要证据，其流程设计相当严谨：线上经 X、GitHub、Hugging Face 招募了 289 场参与（837 组保留评价），另有 62 名具有音乐学院训练背景或音频 AI 研究经验的付费标注者（来自中央、上海、星海等音乐学院），合计 4,439 组保留成对评价；系统身份隐藏、A/B 顺序随机、每首歌至少聆听 30 秒，且每批 32 题埋入 5 个一致性检查（同音频必须判平、反转顺序必须保持原偏好）。

在这个协议下，针对六个商用基线（Suno v4.5 / v5 / v5.5 / v6 / v6 Wild、Mureka 9）：

• YuE2（best-of-8）vs Suno v4.5：57.3% 对 30.5%，明显胜出；
• vs Suno v5：40.4% 对 39.9%——几乎打平，这正是"对齐 Suno v5"表述的来源；
• vs Suno v6：31.6% 对 59.3%——反而落后，尽管自动指标上 Bo8 的 SongBench Avg 更高；
• 音频质量是突出强项：对六个商用基线的平局调整后平均偏好达到58.9%（CR1 95% 置信区间 55.6%–62.2%，p = 1.70×10⁻⁶），即在纯声音保真度与混音上，专家对 YuE2 的偏好全面占优。

换言之，"Suno v5 慌了"这种情绪化标题需要降级为更准确的技术表述：在一个需要逐题聆听、30 秒起评、一致性校验的盲听协议下，一个 3.58B 的开源模型在整体质量上与 Suno v5 打成平手，在音频质量维度上系统性占优——这是开源音乐生成第一次在"成品感"上站到商用第一梯队，但距离"碾压"还有 v6 这道坎。

报告还顺手回答了"符号规划到底有没有用"：用同一 checkpoint、同一提示、同一采样预算做消融，专家在整体质量上偏好"先写旋律+和弦乐谱再渲染"的比例为49.3%，远高于无规划生成的 34.6%（p=0.0070），音乐性维度为 45.0% 对 29.4%；而把语义 token 预测与声学生成合并进统一 MoT、而非分离的 LM+DiT，整体质量偏好为 53.4% 对 35.6%（p=0.0084）。乐谱不只是"可解释"的附加品，它本身就在提升听感。

四、报告之外：分数口径与评测集的三点冷静

读技术报告不能只读摘要。以下三点是理解 6.96 乃至整个评测体系必须带上的上下文。

第一，分数口径会说话。"6.96 最高观测均值"与"6.7316 两候选口径"是同一个模型的两个数字，传播时前者被反复引用、后者被略过。此外报告在二维指数可视化中给出了更细腻的定位：质量指数（SongBench: SongEval 按 2:1 加权）上 YuE2 Bo8 为 88.34，但Mureka 9 的质量指数最高（90）；对齐指数上Suno v5 最高（90），YuE2 Bo8 为 83.89。在 0.6–0.8 的权重区间内做敏感性分析时，Musicality 合成指数最高的是 YuE2 Bo8，而全局平均合成指数最高的是 Mureka 9——不同维度上谁是第一，取决于你更看重哪个指标。

第二，评测集与基线存在不对称。WildSongBench 是 192 条提示的小样本评测，流派覆盖 15 桶，中英比例为 94:98；所有公开基线中，HeartMuLa 被报告以 † 标注——它明确在训练后处理中使用了 SongEval 与 AudioBox 来过滤 SFT 数据并构造 DPO 偏好对，属于"用评测指标训练模型"的情况。报告如实披露了这一点并把分数保留在排名里，但读者横向比较时仍应意识到：各家基线对评测指标的暴露程度并不相同。同理，SongEval 维度上 HeartMuLa（4.5519）高于 YuE2 Bo8（4.2960），歌词准确率（PER）最低的是 MiniMax Music 3（0.0627）而非 YuE2（0.0844）——"碾压"在个别维度并不成立。

第三，工程落地与许可边界同样重要。本仓库重打包自 m-a-p 的 YuE2-3B 与 SheetSage2，README 明确标注 license 为cc-by-nc-4.0（非商业许可），这与"开源对标 Suno"的社区叙事之间存在一条需要创作者自己把握的红线。功能层面，README 提供了两条官方工作流——YuE2 Music Cover（零样本翻唱）与 YuE2 Text to Music（文字成曲），对应报告里两个硬核结论：翻唱评测用 948 首 SHS100K 未见作品，完整乐谱条件下的 CLEWS mAP 0.647 与 Discogs-VINet mAP 0.288 双双压过 SongEcho（0.419/0.122）与 ACE-Step 1.5；乐谱编辑则做到和声编辑达成率 79.54%、旋律 84.17%、节奏 73.43%，同时未编辑内容保留度维持在 90.16%–94.34%——"只换和声不动旋律"这类白盒操作有数据背书，而不是宣传话术。

回到标题的问题：Suno v5 该慌吗？更准确的说法是——当开源模型第一次在同一盲听协议、同一候选预算（约等于）下与 v5 打成平手、并在音频质量上占优时，商用闭源阵营的护城河已经从"音质"转移到了"版本迭代速度"与"生态封闭性"。YuE2 用一份 56 页的报告证明了一件事：把作曲显式写成可编辑的乐谱，不是牺牲音质换取可控性，而是两条路同时走通。至于 v6 之后 Suno 的回应，以及 YuE2 团队在 MERT2、SheetSage2 上的后续迭代，才是这场竞赛真正的下一回合。

【免费下载链接】Yue2项目地址: https://ai.gitcode.com/hf_mirrors/Comfy-Org/Yue2