YuE2: prueba de 4 generadores de canciones con IA
Probamos YuE2, ACE-Step 1.5, MiniMax Music 3 y DiffRhythm 2 con las mismas letras en polaco. Comparamos claridad, velocidad y VRAM.
👁 116 lecturas
YuE2 es un modelo abierto del equipo m-a-p que convierte una letra y una descripción de estilo en una canción completa con voz. Funciona de forma nativa en ComfyUI desde la versión 0.41. Le di la misma letra en polaco que a otros tres modelos locales (ACE-Step 1.5, MiniMax Music 3 y DiffRhythm 2), con 3 intentos por modelo, y pasé las grabaciones por Whisper. YuE2 canta en polaco con bastante claridad: reconoce de media el 91,2% de las palabras. Sin embargo, ACE-Step 1.5 quedó ligeramente por delante, con un 95,6%. DiffRhythm 2 prácticamente no consigue cantar en polaco.
Guía completa del ganador de la prueba, ACE-Step 1.5: ACE-Step 1.5 en local.
Datos a 17 de octubre de 2026
- YuE2: 3.000 millones de parámetros; genera una canción de unos 2 min en 1-2 min con una RTX 4090; pico de 13-16 GB de VRAM.
- Voz en polaco (media de 3 intentos): ACE-Step 1.5, 95,6%; YuE2, 91,2%; MiniMax Music 3, 89,2%; DiffRhythm 2, 4,8% (un intento).
- Inglés (un intento): YuE2 y DiffRhythm 2, 100%; ACE-Step, 96,1%; MiniMax, 92,1%.
- Licencia de YuE2: CC BY-NC 4.0, sin uso comercial. ACE-Step 1.5 (MIT) y DiffRhythm 2 (Apache 2.0) permiten el uso comercial.
Serie: IA local en una RTX 4090, pruebas del 17 de octubre de 2026
- Recopilación: nuevos modelos de IA local (octubre de 2026)
- Influencers de IA sin aspecto artificial: 5 personajes con 5 modelos
- Una influencer de IA que habla: vídeo con voz en polaco
- FLUX 3 Image Klein: 7,5 GB de VRAM y 6 s por imagen
- Qwen-Image 2.1 Turbo: 4 s por imagen
- Kandinsky 6.0: vídeo con sonido y voz en polaco
- YuE2 y otros 3 modelos: canciones en polaco en local (estás aquí)
Qué es YuE2
YuE2 es la segunda versión del modelo YuE, publicada el 9 de septiembre de 2026. Tiene unos 3.000 millones de parámetros. Recibe la letra de una canción con etiquetas para las secciones ([Verse], [Chorus], [Bridge]) y una descripción del estilo en inglés, y genera una canción completa con voz, instrumentos y estructura. También puede crear versiones y editar partituras en formato ABC, pero todavía no he probado esas funciones.
La versión original de GitHub requiere unos 24 GB de VRAM y Linux. En ComfyUI 0.41 funciona de forma nativa en Windows, con una plantilla lista para usar y pesos adaptados por Comfy-Org (bf16 de 7,8 GB o int8 de 4 GB).
La prueba: 4 modelos con la misma letra en polaco
Escribí una balada corta de dos estrofas y dos estribillos, con 83 palabras y caracteres polacos. La letra original en polaco empezaba con «Junto al Vístula vuelve a llover, los tranvías avanzan entre la niebla gris…»: esta es una traducción del material de prueba original, no una nueva prueba en español. Usé el mismo estilo para todos: «Balada pop polaca, voz femenina cálida, piano y capas suaves de sintetizador, tempo lento». Cada modelo tuvo 3 intentos con distintas semillas (11, 22 y 33). Procesé las grabaciones con Whisper large-v3, configurado en polaco, y calculé qué porcentaje de las palabras de la letra aparecía en la transcripción y en el mismo orden.
El resultado mide la inteligibilidad, no la calidad musical. A veces Whisper detecta palabras que una persona no entiende, y al revés. Aun así, sirve para comparar los modelos entre sí con la misma letra.
| Modelo | Polaco: 3 intentos | Media | Licencia |
|---|---|---|---|
| ACE-Step 1.5 turbo | 94,0 / 94,0 / 98,8% | 95,6% | MIT |
| YuE2 (bf16) | 98,8 / 90,4 / 84,3% | 91,2% | CC BY-NC 4.0 |
| MiniMax Music 3 | 91,6 / 88,0 / 88,0% | 89,2% | MiniMax Community |
| DiffRhythm 2 | 4,8% (un intento) | 4,8% | Apache 2.0 |
Qué cuentan los resultados
- YuE2 obtuvo el mejor resultado en un solo intento (98,8%, 82 de 83 palabras), pero también el mayor margen de variación. Con la semilla 22 repitió dos veces «Junto al Vístula» y añadió frases propias. Con la semilla 33 se saltó varios versos.
- ACE-Step 1.5 fue el más constante. Es el único de los cuatro modelos que permite seleccionar el idioma en los ajustes, y lo configuré en «pl». La duración de la canción se fija de antemano: 120 s.
- MiniMax Music 3 canta con claridad, pero tiene dos problemas. Cambia el orden (dos intentos empezaron por la segunda estrofa, cuya traducción era «En Praga alguien toca jazz de siempre») y acorta las canciones: 73, 111 y 92 s con un límite de 150 s.
- DiffRhythm 2 solo tiene fonética para chino e inglés. Convierte la letra en polaco en un galimatías (la frase original «letras corruptas en la prueba original en polaco» es una transcripción aproximada del resultado de la prueba en polaco). Además, es un modelo de octubre de 2025, no una novedad de este año.
Escucha: letra en polaco, semilla 11
En inglés, YuE2 no falla
La segunda letra estaba en inglés y tenía un estilo synthpop de los años 80, con voz masculina. En este caso hice un intento por modelo.
| Modelo | Palabras reconocidas en inglés | Duración | Tiempo en RTX 4090 |
|---|---|---|---|
| YuE2 | 100% | 1:57 min | 32 s |
| DiffRhythm 2 | 100% | 1:58 min | unos 60 s |
| ACE-Step 1.5 | 96,1% | 2:00 min | 8 s |
| MiniMax Music 3 | 92,1% | 2:30 min | 305 s |
Tiempo y memoria
| Modelo | Tiempo por canción en polaco | Pico de VRAM |
|---|---|---|
| YuE2 bf16 | 61-108 s | 13,3-16,3 GB |
| ACE-Step 1.5 turbo | 34-91 s | 10,7-20,0 GB |
| MiniMax Music 3 | 113-178 s | 18,4-24,1 GB |
| DiffRhythm 2 | unos 60 s | no lo medí |
El tiempo incluye todo, desde que se envía la tarea hasta que se genera el archivo, también la carga del modelo cuando ComfyUI cambiaba entre modelos. La generación en sí es más rápida: ACE-Step tardó 8 s cuando el modelo ya estaba en la memoria. MiniMax Music 3 ocupa los 24 GB de la tarjeta y, en esas condiciones, se ralentiza.
Cómo instalar YuE2 en ComfyUI
- Actualiza ComfyUI a la versión 0.41 o posterior.
- Descarga desde el repositorio Comfy-Org/YuE2
checkpoints/yue2_3b_bf16.safetensors(7,8 GB, o la versión int8 de 4 GB para tarjetas menos potentes) y guárdalo enmodels/checkpoints. Descarga tambiénaudio_encoders/sheetsage2_bf16.safetensors(1,4 GB) enmodels/audio_encoders. - Abre Workflow, después Browse Templates y la plantilla «YuE2 Text to Music». Por defecto, la plantilla selecciona la versión int8; si descargaste bf16, cambia el archivo en el nodo de carga.
- En el campo de estilo, describe el género, la voz, los instrumentos y el tempo en inglés. En el campo de la letra, pega el texto con las secciones
[Verse]y[Chorus]. Escribe la letra en polaco con sus caracteres originales. - Configura la duración máxima (en mi caso, 150 s). El modelo termina la canción cuando se queda sin letra.
Usé estos ajustes: modo «full», temperatura 1,0, top-p 0,95, top-k 100, penalización por repetición 1,2 y, después, 32 pasos del sampler dpm_2 con el planificador sgm_uniform y CFG 1. Son los valores de la plantilla oficial.
He explicado cómo instalar ComfyUI desde cero en la guía ComfyUI desde cero. Puedes encontrar otros modelos locales de octubre en la recopilación Nuevos modelos de IA local.
Qué modelo elegir
- Para crear canciones en polaco con fines comerciales: ACE-Step 1.5. Es el más constante en polaco, el más rápido y tiene licencia MIT.
- Para crear canciones en polaco para uso personal: YuE2 o ACE-Step. YuE2 logró el mejor resultado en un solo intento, pero conviene generar 2-3 versiones y elegir una.
- Para canciones en inglés: YuE2, con un 100% de palabras reconocidas y 32 s de tiempo de procesamiento.
- MiniMax Music 3: solo si te gusta su sonido. Es el más lento y el que más memoria consume. Lo analizo con más detalle en el artículo sobre MiniMax Music 3 en local.
- DiffRhythm 2: solo para letras en inglés o chino.
En el ranking de generadores de música con IA muestro cómo se comparan estos modelos con Suno, Udio y Mureka.
La opción más sencilla: Hangar
YuE2 también está en el catálogo de Hangar, mi gestor gratuito para modelos locales de imagen, vídeo y música en Windows (sin cuenta ni suscripción y con ComfyUI como motor). Hangar ofrece la variante int8, más ligera que la bf16 de mi prueba: el modelo ocupa 3,96 GB y el codificador sheetsage2, 1,39 GB; 5,35 GB en total. Es una versión para tarjetas menos potentes, pero todavía no he medido su velocidad ni su calidad. El modelo indica la licencia CC BY-NC 4.0, que prohíbe vender las canciones generadas con YuE2.
- Descarga el instalador (14 MB) desde la página de Hangar. Todavía no está firmado digitalmente, así que Windows SmartScreen mostrará una advertencia: haz clic en «Más información» y después en «Ejecutar de todas formas».
- Hangar detecta la tarjeta (Nvidia con CUDA, desde 8 GB de VRAM; se recomiendan 12 GB o más) y muestra si el modelo cabe en ella.
- Busca YuE2 3B en el catálogo: verás el tamaño de los archivos, la licencia y si el modelo se puede usar en la UE.
- Por ahora, genera las canciones en ComfyUI siguiendo las instrucciones anteriores. Hangar puede instalar ComfyUI portable desde cero (en mi caso tardó 231 s) o conectarse a una instalación que ya tengas.
Hangar incluye el modelo en su catálogo, pero todavía no permite generar canciones con él desde la propia aplicación (datos a 17 de octubre de 2026). Por ahora, hay que usar ComfyUI como se explica arriba. Más información: Hangar.
Preguntas frecuentes
¿YuE2 canta en polaco?
Sí. En mis 3 intentos, Whisper reconoció entre el 84% y el 99% de las palabras, con una media del 91,2%. A veces repite un verso o se salta un fragmento, así que vale la pena generar 2-3 versiones.
¿Cuánta VRAM necesita YuE2?
Con la versión bf16, el uso máximo de toda la tarjeta fue de 13,3-16,3 GB. La versión int8 (4 GB) debería caber en tarjetas de 12 GB, pero no lo he comprobado.
¿Puedo vender canciones creadas con YuE2?
No. La licencia CC BY-NC 4.0 prohíbe el uso comercial. Para crear música que quieras vender, elige ACE-Step 1.5 (MIT) o DiffRhythm 2 (Apache 2.0); este último solo sirve para canciones en inglés.
¿Qué duración tienen las canciones de YuE2?
Depende de la letra y del límite configurado. Con 83 palabras y un límite de 150 s, las canciones duraron entre 2:07 y 2:18 min.
¿Es mejor que Suno?
En esta prueba no comparé la calidad del sonido con Suno. Una ventaja de los modelos locales es que no tienen límites de descarga (Suno tiene límites mensuales desde el 3 de septiembre de 2026) y no pagas por cada canción.
Google · Tus fuentesBrilla más alto en tu Google - con un solo clicAñadir a fuentes preferidas →Fuentes
- m-a-p/YuE2-3B en Hugging Face
- Comfy-Org/YuE2 (pesos para ComfyUI, licencia CC BY-NC 4.0)
- DiffRhythm 2 en GitHub
- Mediciones propias con una RTX 4090, 17 de octubre de 2026: 13 grabaciones, Whisper large-v3.
More on this from FULGOR
