YuE2 : test de 4 générateurs de musique par IA en local

👁 124 lectures

YuE2 est un modèle ouvert de l’équipe m-a-p qui transforme des paroles et une description de style en chanson complète avec voix. Il fonctionne nativement dans ComfyUI depuis la version 0.41. Je lui ai soumis les mêmes paroles polonaises qu’à trois autres modèles locaux (ACE-Step 1.5, MiniMax Music 3 et DiffRhythm 2), avec 3 essais par modèle, puis j’ai analysé les enregistrements avec Whisper. YuE2 chante clairement en polonais (91,2 % des mots en moyenne), mais ACE-Step 1.5 arrive juste devant avec 95,6 %. DiffRhythm 2, lui, ne parvient pas à chanter en polonais.

Le guide complet du gagnant du test sur des paroles polonaises : ACE-Step 1.5 en local.

Qu’est-ce que YuE2 ?

YuE2 est la deuxième version du modèle YuE, publiée le 9 septembre 2026. Elle compte environ 3 milliards de paramètres. Elle prend en entrée des paroles avec des marqueurs de section ([Verse], [Chorus], [Bridge]) et une description de style en anglais, puis produit un morceau complet avec voix, instruments et structure. Le modèle peut aussi créer des reprises et modifier une partition en notation ABC, mais je n’ai pas encore testé ces fonctions.

La version originale sur GitHub nécessite environ 24 Go de VRAM et Linux. Dans ComfyUI 0.41, elle fonctionne nativement sous Windows, avec un modèle de workflow prêt à l’emploi et des poids reconditionnés par Comfy-Org (bf16, 7,8 Go, ou int8, 4 Go).

Mon test : 4 modèles avec les mêmes paroles en polonais

J’ai écrit une courte ballade : deux couplets et deux refrains, soit 83 mots, avec des caractères polonais. Traduction du texte polonais utilisé pour le test : « Au bord de la Vistule, la pluie tombe à nouveau, les tramways glissent dans le brouillard gris… ». Le style était identique pour tous les modèles : « ballade pop polonaise, voix féminine chaleureuse, piano et nappes de synthé douces, tempo lent ». Chaque modèle a eu 3 essais avec des graines différentes (11, 22, 33). J’ai analysé les enregistrements avec Whisper large-v3 réglé sur le polonais, puis calculé le pourcentage de mots des paroles retrouvés dans la transcription, dans le même ordre.

Ce résultat mesure l’intelligibilité, pas la qualité musicale. Whisper peut parfois reconnaître un mot qu’un auditeur ne comprend pas, et inversement. La mesure reste utile pour comparer les modèles entre eux sur le même texte.

Ce que révèlent les chiffres

• YuE2 obtient le meilleur résultat sur un seul essai (98,8 %, soit 82 mots sur 83), mais ses résultats varient le plus. Avec la graine 22, il a répété deux fois « Au bord de la Vistule » et ajouté des phrases de son cru. Avec la graine 33, il a omis plusieurs vers.
• ACE-Step 1.5 est le plus régulier. C’est le seul des quatre modèles qui propose un choix de langue dans ses paramètres ; j’ai sélectionné « pl ». La durée de la chanson se règle à l’avance (120 s).
• MiniMax Music 3 chante de façon intelligible, mais présente deux problèmes. Il modifie l’ordre des paroles : deux essais ont commencé par le deuxième couplet. Traduction du vers polonais utilisé : « À Praga, quelqu’un joue du vieux jazz ». Il raccourcit aussi les chansons : 73, 111 et 92 s, pour une limite de 150 s.
• DiffRhythm 2 ne prend en charge la phonétique que pour le chinois et l’anglais. Il transforme les paroles polonaises en charabia. Traduction de la phrase polonaise entendue pendant le test : « sur deux portées, la pluie tombe ». De plus, ce modèle date d’octobre 2025 et n’est pas une nouveauté de cette année.

Écouter les résultats : paroles en polonais, graine 11

En anglais, YuE2 ne fait aucune faute

Le deuxième texte était en anglais, dans un style synthpop des années 1980, avec une voix masculine. J’ai réalisé un seul essai par modèle.

Temps de génération et mémoire vidéo

Le temps indiqué correspond à l’ensemble du processus, de l’envoi de la tâche jusqu’au fichier, chargement du modèle compris lorsque ComfyUI passait d’un modèle à un autre. La génération seule est plus rapide, comme le montre ACE-Step : 8 s lorsque le modèle était déjà en mémoire. MiniMax Music 3 occupe toute la carte de 24 Go, ce qui le ralentit.

Comment installer YuE2 dans ComfyUI

1. Mettez à jour ComfyUI vers la version 0.41 ou une version ultérieure.
2. Depuis le dépôt Comfy-Org/YuE2, téléchargez checkpoints/yue2_3b_bf16.safetensors (7,8 Go, ou la version int8 de 4 Go pour les cartes moins puissantes) dans models/checkpoints, ainsi que audio_encoders/sheetsage2_bf16.safetensors (1,4 Go) dans models/audio_encoders.
3. Ouvrez Workflow, puis Browse Templates et le modèle « YuE2 Text to Music ». Le modèle de workflow sélectionne par défaut la version int8. Si vous avez téléchargé bf16, choisissez le bon fichier dans le nœud de chargement.
4. Dans le champ du style, décrivez en anglais le genre, la voix, les instruments et le tempo. Dans le champ des paroles, collez le texte avec les sections [Verse] et [Chorus]. Pour le polonais, saisissez normalement le texte avec ses signes diacritiques.
5. Définissez la durée maximale (150 s dans mon test). Le modèle arrête automatiquement la chanson lorsqu’il arrive au bout des paroles.

Voici les paramètres que j’ai utilisés : mode « full », température 1,0, top-p 0,95, top-k 100, pénalité de répétition 1,2, puis 32 étapes avec le sampler dpm_2, le scheduler sgm_uniform et CFG 1. Ce sont les valeurs du modèle de workflow officiel.

J’explique comment installer ComfyUI depuis zéro dans le guide ComfyUI pour débuter. Retrouvez d’autres modèles locaux d’octobre dans la sélection des nouveaux modèles d’IA locaux.

Quel modèle choisir ?

• Pour créer des chansons en polonais à des fins commerciales : ACE-Step 1.5. C’est le plus régulier en polonais, le plus rapide et il est sous licence MIT.
• Pour créer des chansons en polonais pour soi : YuE2 ou ACE-Step. YuE2 signe le meilleur essai individuel, mais il faut générer 2 ou 3 versions et choisir la meilleure.
• Pour l’anglais : YuE2, avec 100 % des mots reconnus en 32 secondes.
• MiniMax Music 3 vaut le coup uniquement si vous aimez son rendu. C’est le plus lent et le plus gourmand en mémoire. Je le présente plus en détail dans l’article MiniMax Music 3 en local.
• DiffRhythm 2 est à réserver aux paroles en anglais ou en chinois.

Je compare ces modèles à Suno, Udio et Mureka dans le classement des générateurs de musique par IA.

La solution la plus simple : Hangar

YuE2 est aussi disponible dans le catalogue de Hangar, mon gestionnaire gratuit de modèles locaux pour l’image, la vidéo et la musique sous Windows (sans compte ni abonnement, avec le moteur ComfyUI). Hangar propose la variante int8, plus légère que la version bf16 de mon test : le modèle pèse 3,96 Go et l’encodeur sheetsage2 1,39 Go, soit 5,35 Go au total. Cette version est destinée aux cartes moins puissantes, mais je n’ai pas encore mesuré son temps de génération ni sa qualité. La licence CC BY-NC 4.0 est indiquée avec le modèle : les chansons créées avec YuE2 ne peuvent pas être vendues.

1. Téléchargez le programme d’installation (14 Mo) sur la page de Hangar. Il n’est pas encore signé numériquement ; Windows SmartScreen affichera donc un avertissement. Cliquez sur « Plus d’informations », puis sur « Exécuter quand même ».
2. Hangar détecte la carte graphique (Nvidia avec CUDA, à partir de 8 Go de VRAM, 12 Go ou plus étant préférables) et indique si le modèle peut y tenir.
3. Trouvez YuE2 3B dans le catalogue : vous pourrez consulter la taille des fichiers, la licence et les conditions d’utilisation du modèle dans l’UE.
4. Pour l’instant, lancez la génération dans ComfyUI en suivant les instructions ci-dessus. Hangar peut installer ComfyUI portable depuis zéro (231 s dans mon test) ou se connecter à une installation de ComfyUI existante.

Le modèle figure dans le catalogue Hangar, mais la génération depuis Hangar ne fonctionne pas encore (état au 17 octobre 2026). En attendant, utilisez ComfyUI en suivant les instructions ci-dessus. Présentation de l’outil : Hangar.

Questions fréquentes

YuE2 peut-il chanter en polonais ?

Oui. Lors de mes 3 essais, Whisper a reconnu entre 84 et 99 % des mots, avec une moyenne de 91,2 %. Le modèle peut répéter un vers ou en omettre une partie : mieux vaut générer 2 ou 3 versions.

Quelle quantité de VRAM YuE2 nécessite-t-il ?

Avec la version bf16, l’utilisation maximale de la carte a atteint 13,3 à 16,3 Go dans mon test. La version int8 (4 Go) devrait fonctionner sur des cartes de 12 Go, mais je ne l’ai pas vérifié.

Puis-je vendre des chansons créées avec YuE2 ?

Non. La licence CC BY-NC 4.0 interdit l’usage commercial. Pour créer de la musique à vendre, choisissez ACE-Step 1.5 (MIT) ou DiffRhythm 2 (Apache 2.0), ce dernier étant à réserver à l’anglais.

Quelle est la durée des chansons de YuE2 ?

Elle dépend des paroles et de la limite définie. Avec 83 mots et une limite de 150 s, les chansons de mon test duraient entre 2:07 et 2:18 min.

YuE2 est-il meilleur que Suno ?

Je n’ai pas comparé le rendu à celui de Suno dans ce test. L’avantage d’un modèle local est l’absence de limite de téléchargement (Suno applique des limites mensuelles depuis le 3 septembre 2026) et le fait de ne pas payer chaque chanson.

Sources

• m-a-p/YuE2-3B sur Hugging Face
• Comfy-Org/YuE2 (poids pour ComfyUI, licence CC BY-NC 4.0)
• DiffRhythm 2 sur GitHub
• Mesures personnelles sur RTX 4090, le 17 octobre 2026 : 13 enregistrements, Whisper large-v3.

// lire la suiteClassement des générateurs de musique IA 2026 : Suno v6 en têteBenchmarksACE-Step 1.5 : générateur de musique IA local sur RTX 4090GuidesHappyHorse 1.1 : test, prix et avis sur l’IA vidéo d’AlibabaBenchmarks

Kinetyra