YuE2: مدل متن‌باز آهنگ‌سازی که پای Suno رو می‌لرزونه
هوش مصنوعیClaude Sonnet 5خلاصهٔ کامل‌تر
YuE2 یه مدل آهنگ‌سازی متن‌باز با حدود سه میلیارد پارامتره که می‌تونی رو کارت گرافیک خودت اجراش کنی. کافیه شعر و یه توضیح کوتاه از سبک بدی، تا یه آهنگ کامل با intro، verse، chorus و بقیه‌ی بخش‌های استاندارد یه آهنگ بسازه، همراه با آواز و سازبندی.
فرق اصلیش با اکثر مدل‌های مشابه اینه که به‌جای تولید مستقیم موج صوتی، اول یه پارتیتور نمادین به شکل نت‌نویسی ABC می‌سازه؛ یعنی همون نت‌های روی کاغذ. این پارتیتور رو میشه دید و ویرایش کرد، و بعد مدل از روی همون، صدای نهایی رو می‌سازه. این یعنی می‌تونی قبل از رندر نهایی، ملودی یا آکورد رو عوض کنی، کاری که تو مدل‌های سرتاسری معمولا امکانش نیست.
طبق نمودارهای بنچمارک روی صفحه‌ی خود مدل، YuE2 (و نسخه‌ی YuE2 BO8) از Suno V6 جلو زده و رو معیار ترکیبی کیفیت آهنگ و پایبندی به دستور، از Suno v5.5 هم کمی جلوتره؛ نکته‌ای جالب چون Suno یه سرویس بسته و پولیه و YuE2 رایگان و متن‌بازه. البته این بنچمارک‌ها از نمونه‌های انتخاب‌شده میان و باید با احتیاط بهشون نگاه کرد.
تو تست دستی رو یه کارت ۴۸ گیگ حافظه، اجرای کامل یه آهنگ کمتر از ۸ گیگابایت وی‌رم مصرف کرد و یه آهنگ حدودا سه‌ونیم‌دقیقه‌ای، فقط دو دقیقه طول کشید تا ساخته بشه؛ یعنی رو کارت‌های گرافیک معمولی هم قابل اجراست. تو تست زبان‌ها هم روسی، بنگالی، پرتغالی برزیلی، فرانسوی، اندونزیایی و تاگالوگ نتیجه‌ی خوبی دادن، ولی صدای آواز تو هندی و اردو ضعیف‌تر از بقیه بود.
نکات کلیدی:
- YuE2 یه مدل متن‌باز حدود ۳ میلیارد پارامتریه که رو یه GPU معمولی هم قابل اجراست
- تو تست، مصرف وی‌رم کمتر از ۸ گیگابایت بود و ساخت یه آهنگ سه‌ونیم‌دقیقه‌ای حدود دو دقیقه طول کشید
- برخلاف اکثر مدل‌ها، یه پارتیتور نمادین (نت ABC) قابل ویرایش وسط مسیر تولید می‌کنه
- طبق بنچمارک خود مدل، از Suno V6 جلو زده و به Suno v5.5 هم نزدیکه
- کیفیت صدای آواز هنوز تو همه‌ی زبون‌ها مصنوعی به نظر می‌رسه، به‌خصوص تو هندی و اردو
