YuE2-3B เปิดน้ำหนักโมเดลแต่งเพลงที่เขียนโน้ตก่อนร้อง — แซง Suno v5 บน WildSongBench แต่ต้องใช้ best-of-8 และน้ำหนักห้ามใช้เชิงพาณิชย์
ทีม M-A-P (Multimodal Art Projection) อัปโหลด YuE2-3B ขึ้น Hugging Face เมื่อ 9 ก.ย. 2026 พร้อม VAE สองตัว และเครื่องมือถอดโน้ตจากเพลง SheetSage2 นี่คือรุ่นต่อจาก YuE ที่เปิดเมื่อปี 2025 และเป็นโมเดลเพลงแบบเปิดไม่กี่ตัวที่ประกาศตัวเลขเทียบกับ Suno ตรง ๆ หน้าเดโมระบุผู้ร่วมพัฒนาไว้ว่ามี M-A-P, Tokenwave.AI, MBZUAI และ ACE STUDIO
จุดที่ต่างจากโมเดลเพลงส่วนใหญ่คือ symbolic planning ก่อนจะสร้างเสียง YuE2 เขียน “โน้ต” ของเพลงออกมาเป็นสัญลักษณ์ ABC ทั้งทำนองและคอร์ด แล้วค่อยเรนเดอร์โน้ตนั้นเป็นเพลงเต็มพร้อมเสียงร้องและดนตรี เราแก้โน้ตเองได้ หรือจะให้เอเจนต์แก้แล้วสั่งเรนเดอร์ใหม่ก็ได้ YuE2 จึงเป็นเครื่องมือแต่งเพลงที่แก้ทีละส่วนได้ ไม่ใช่เครื่องที่ต้องสุ่มเพลงใหม่ทุกครั้ง
ข้างในเป็นอย่างไร
หน้าเดโมระบุว่าโมเดลมีราว 3.59B พารามิเตอร์ 28 เลเยอร์ เป็นสถาปัตยกรรม AR–NAR Mixture-of-Transformers ส่วน autoregressive ทำนายโน้ตและ semantic token ทีละตัว ส่วน non-autoregressive สร้าง acoustic latent ด้วย flow matching expert ทั้งสองใช้การคำนวณ attention ร่วมกัน แต่มี normalization, projection และ MLP แยกกัน ซึ่งตรงกับโค้ดใน modeling_yue2.py ที่เลือก Q/K/V ของฝั่ง AR หรือ NAR ตามตำแหน่งด้วย torch.where จากนั้น VAE จะถอด latent ออกมาเป็นเสียงสเตอริโอ 48 kHz ไฟล์ model.safetensors หนัก 7.26 GB ในรูป BF16
โหมดวางแผนมีสามแบบ: cot="full" (ทำนองและคอร์ด เป็นค่าเริ่มต้น), cot="melody" (ทำนองอย่างเดียว แนะนำสำหรับคัฟเวอร์) และ cot="off" (ไม่วางแผน) ถ้าจะคัฟเวอร์ ให้ถอดโน้ตจากเพลงเดิมด้วย SheetSage2 แล้วป้อนเนื้อร้องกับสไตล์ใหม่เข้าไป รีโป GitHub ยังแถม สกิล yue2-music แบบ SKILL.md มาให้เอเจนต์ที่รองรับสกิลใช้แต่งเพลง แก้โน้ต และเทียบเวอร์ชันได้
รันบนเครื่องตัวเองได้ไหม
ได้ การ์ดโมเดลระบุว่าต้องใช้ GPU 24 GB ที่รองรับ BF16 และ RAM ว่าง 24 GB โดยไม่ต้องควอนไทซ์ บน RTX 4090 เพลงยาว 3.6 นาทีใช้เวลาสร้าง 71 วินาที ใช้ VRAM สูงสุด 11.18 GiB (ตอนทดสอบคอนเท็กซ์ยาวสุดแตะ 14.08 GiB) ฝั่งเซิร์ฟเวอร์ บน H800 ผ่าน vLLM 0.19 ได้ 373.53 เพลงต่อชั่วโมงที่ concurrency 32 ติดตั้งผ่าน wheel yue2_infer ที่แนบมาในรีโป ใช้ได้บน Linux และ Python 3.10 ขึ้นไป
อ่านตาราง WildSongBench ให้ครบ
ผลบน WildSongBench 192 พรอมต์ (ประเมินอัตโนมัติเมื่อ 5 ก.ย. 2026) เทียบด้วย SongBench Avg:
- YuE2 (best-of-8): 6.9632 สูงสุดในตาราง
- Mureka 9: 6.9377
- Suno v5: 6.8721
- YuE2 (โหมดมาตรฐาน เลือกจาก 2 ตัว): 6.7316
- Suno v5.5: 6.7150 / Suno v4.5: 6.6995
คำว่า “rivals Suno v5” จึงจริงเฉพาะเมื่อสร้าง 8 ครั้งแล้วเลือกตัวที่ดีที่สุดตามลำดับ Musicality → Q3O → PER ส่วนโหมดมาตรฐานยังตาม Suno v5 และ Mureka 9 อยู่ แม้จะนำ Suno v5.5 กับ v4.5 เล็กน้อย มิติอื่นก็ยังเป็นของ Suno v5 ความตรงกับข้อความ MuLan ได้ 0.5428 ต่อ 0.5051 และ AllMusicCaps ได้ 0.4353 ต่อ 0.3980 ส่วนอัตราร้องผิดหน่วยเสียง (PER) ของ YuE2 best-of-8 อยู่ที่ 9.79% เทียบกับ Suno v5 ที่ 8.10%
อีกจุดที่ต้องรู้คือตัวเลขเบนช์มาร์กทั้งหมดวัดด้วย YuE2-Vae-legacy ซึ่งการ์ดบอกว่าได้คะแนน musicality สูงกว่า แต่ค่าเริ่มต้นที่แนะนำให้ใช้คือ YuE2-Vae ที่ให้คุณภาพเสียงดีกว่าในการฟังจริง คอนฟิกที่ใช้วัดคะแนนกับคอนฟิกที่ติดตั้งมาจึงไม่ใช่ตัวเดียวกัน และรายงานเทคนิคยังขึ้นว่า “coming soon”
มุมมอง AI Curator
เรื่องแรกที่ต้องพูดคือไลเซนส์ น้ำหนักเป็น CC BY-NC 4.0 ใช้วิจัย ทดลอง หรือทำเดโมได้ แต่เอาไปทำเพลงขาย ใส่ในแอป หรือทำเพลงประกอบโฆษณาไม่ได้ ไฟล์ LICENSE ยังเขียนไว้ด้วยว่าไลเซนส์นี้ไม่ได้ครอบคลุมโค้ดหรือไฟล์ tokenizer ที่มีไลเซนส์ของตัวเอง (รีโปแนบ qwen.tiktoken มาด้วย) ขณะที่โค้ดบน GitHub เป็น Apache-2.0 นี่เป็นแพตเทิร์นที่เจอบ่อยในโมเดลเสียง คือโค้ดเปิดจริงแต่น้ำหนักเปิดแค่ครึ่งเดียว ครีเอเตอร์ไทยที่อยากใช้แทน Suno ในงานเชิงพาณิชย์จึงยังใช้ YuE2 ไม่ได้
แต่ในเชิงเทคนิค การเขียนโน้ตก่อนร้องมาถูกทาง เพราะทำให้เพลงจาก AI กลายเป็นสิ่งที่ “แก้ได้” แทนที่จะต้อง “สุ่มใหม่” คนทำเพลงล็อกทำนองไว้แล้วเปลี่ยนคอร์ด หรือล็อกคอร์ดไว้แล้วเปลี่ยนสไตล์ได้ สกิล yue2-music ที่แนบมาก็บอกว่าผู้สร้างมองเอเจนต์เป็นผู้ใช้หลัก ไม่ใช่คนที่นั่งพิมพ์พรอมต์ทีละครั้ง เป็นทิศทางเดียวกับโมเดลภาพที่เริ่มแยกโหมดแก้ภาพออกจากโหมดสร้างภาพ
สำหรับผู้ใช้ไทยมีข้อจำกัดโดยตรง เมทาดาทาของการ์ดระบุภาษาไว้แค่จีนกับอังกฤษ ตัวอย่างทั้งหมดเป็นสองภาษานี้ และ PER ที่ใช้วัดความชัดของเนื้อร้องก็ประเมินบนสองภาษานี้เท่านั้น ก่อนจะคาดหวังเพลงลูกทุ่งหรือป๊อปไทยจาก YuE2 ควรทดสอบเองสักสิบเพลง ถ้าผลออกมาดี นั่นคือโอกาสให้ทีมไทยไฟน์จูนต่อ ภายในขอบเขตงานวิจัยที่ไลเซนส์ NC อนุญาต
แหล่งข่าว
อ่านเพิ่มในหมวด โมเดลใหม่
Google เปิดตัว Gemini 4 Carbon ขึ้นอันดับ 1 Artificial Analysis v5 ด้วยคะแนน 59 แต่ยังให้ใช้แค่นักป้องกันไซเบอร์กลุ่มเล็ก
Gemini 4 Carbon เปิดตัว 28 ต.ค. แซง Claude Opus 5.5 บน Intelligence Index v5 แค่ 1 คะแนน และตามหลังเพียง 3 คะแนนในดัชนี coding agent ราคาเปิดตัว $2/$10 แต่นักพัฒนาทั่วไปยังเรียกใช้ไม่ได้ ระหว่างที่ Google ค่อย ๆ เปิดผ่านโปรแกรม Fairwind
Microsoft ปล่อย Mage-VL-Cowork โมเดล 4B คุมเดสก์ท็อปและเทอร์มินัลในตัวเดียว ได้ 66% บน OSWorld-Verified สัญญาอนุญาต Apache-2.0
Mage-VL-Cowork ขนาด 4B ของ Microsoft เลือกเองว่าจะคลิกหน้าจอหรือสั่ง bash ทำคะแนน OSWorld-Verified 66.0% ใกล้ค่าอ้างอิงมนุษย์ 72.4% ในตารางเดียวกัน แต่คำว่าดีที่สุดในขนาด 4B มีคู่เทียบบนตารางนี้แค่รุ่นเดียว
Mistral ปล่อยน้ำหนัก Large 4 จริงแล้ว — 1T ราคาลดเกือบครึ่ง แต่บน AA ได้ 26 และสัญญาอนุญาตห้ามขายเป็น API ถ้าไม่มีใบอนุญาตแยก
Mistral ปล่อยน้ำหนัก Large 4 (Le Chonk) เมื่อ 29 ต.ค. เป็นรุ่นที่ฝึก RL ต่ออีกสามสัปดาห์หลัง preview ขนาด 1T ใช้พื้นที่ราว 1.06TB ราคา API ลดเหลือ $0.70/$2.10 Mistral นำ open-weight ด้าน coding แต่คะแนนรวม AA 26 ตามหลังโมเดลจีน และสัญญาอนุญาตกันธุรกิจ Model-as-a-Service