YuE2 şarkı üretimi: 4 yerel modelin Türkçe olmayan testi

👁 115 okunma

YuE2, m-a-p ekibinin geliştirdiği açık bir model; şarkı sözlerini ve stil açıklamasını alıp vokalli, tam bir şarkı üretiyor. ComfyUI 0.41’den itibaren yerel olarak çalışıyor. Aynı Lehçe sözleri üç yerel modelde daha kullandım: ACE-Step 1.5, MiniMax Music 3 ve DiffRhythm 2. Her model için 3 deneme yaptım ve kayıtları Whisper ile analiz ettim. YuE2, testte Lehçe sözleri anlaşılır biçimde söyledi; ortalama kelime tanıma oranı %91,2 oldu. Ancak %95,6 ile ACE-Step 1.5 az farkla öne geçti. DiffRhythm 2 ise Lehçe şarkı söyleyemedi.

Testin kazananı hakkında ayrıntılı rehber: ACE-Step 1.5’i yerel olarak çalıştırma.

YuE2 nedir?

YuE2, YuE modelinin 9 Eylül 2026’da yayımlanan ikinci sürümü. Yaklaşık 3 milyar parametresi var. Bölüm etiketleri ([Verse], [Chorus], [Bridge]) içeren şarkı sözlerini ve İngilizce bir stil açıklamasını alıp vokal, enstrümanlar ve yapısıyla birlikte tamamlanmış bir parça üretiyor. Cover da yapabiliyor ve nota yazımını ABC biçiminde düzenleyebiliyor; bu özellikleri henüz test etmedim.

GitHub’daki orijinal sürüm yaklaşık 24 GB VRAM ve Linux gerektiriyor. ComfyUI 0.41’de hazır şablon ve Comfy-Org tarafından yeniden paketlenmiş ağırlıklarla Windows’ta yerel olarak çalışıyor (bf16 7,8 GB veya int8 4 GB).

Testim: aynı Lehçe sözlerle 4 model

İki kıta ve iki nakarattan oluşan, 83 kelimelik kısa bir balad yazdım. Özgün test metninden çevrilmiş örnek: “Vistül kıyısına yine yağmur yağıyor, tramvaylar gri sisin içinde ilerliyor…” Tüm modellerde aynı stili kullandım: “Lehçe pop baladı, sıcak kadın vokali, piyano ve yumuşak synth pad’ler, yavaş tempo.” Her model için farklı tohumlarla 3 deneme yaptım (11, 22, 33). Kayıtları Lehçe dil ayarıyla Whisper large-v3’ten geçirdim ve sözlerdeki kelimelerin ne kadarının transkripsiyonda aynı sırayla bulunduğunu hesapladım. Testin Lehçe yapıldığını özellikle belirteyim; çevrilmiş örnek yeniden test edilmiş değildir.

Bu sonuç müziğin kalitesini değil, sözlerin anlaşılabilirliğini ölçüyor. Whisper bazen bir insanın anlayamayacağı kelimeleri tanıyabiliyor veya tam tersini yapabiliyor. Yine de aynı sözlerle modelleri karşılaştırmak için kullanılabilir.

Sonuçlar ne gösteriyor?

• YuE2 tek bir denemede en iyi sonucu aldı: %98,8 (83 kelimenin 82’si). Ancak sonuçları en değişken model de oydu. 22 tohumlu denemede “Vistül kıyısında” sözlerini iki kez tekrarladı ve kendi ifadelerini ekledi. 33 tohumlu denemede birkaç dizeyi atladı.
• ACE-Step 1.5 en tutarlı model. Dört model arasında ayarlardan dil seçimine izin veren tek modeldi; Lehçe için “pl” seçtim. Şarkı uzunluğu önceden 120 saniyeye ayarlanıyor.
• MiniMax Music 3 sözleri anlaşılır söylüyor, ancak iki sorunu var. Sözlerin sırasını değiştiriyor (iki denemeye “Praga’da biri eski caz çalıyor” dizesiyle ikinci kıtadan başladı) ve şarkıları kısaltıyor: 150 saniyelik sınıra rağmen süreler 73, 111 ve 92 saniyeydi.
• DiffRhythm 2 yalnızca Çince ve İngilizce için fonetik desteğe sahip. Lehçe sözleri anlaşılmaz seslere dönüştürüyor (özgün testte duyulan, çevrilmiş örnek: “iki erişim üzerinde yağmur yağıyor”). Ayrıca bu model Ekim 2025’te yayımlandı; bu yılın yeni modellerinden değil.

Dinleyin: Lehçe sözler, 11 tohumu

İngilizcede YuE2 hatasız

İkinci metin İngilizceydi; 80’ler synthpop tarzında, erkek vokalli bir parçaydı. Bu kez her model için bir deneme yaptım.

Üretim süresi ve VRAM kullanımı

Süre, görevi göndermekten dosyanın hazır olmasına kadar geçen toplam zamanı kapsıyor; ComfyUI modeller arasında geçiş yaparken modelin yüklenmesi de buna dahil. Model bellekteyken üretim daha kısa sürüyor; ACE-Step’in bu durumda 8 saniyede tamamlanması buna örnek. MiniMax Music 3, 24 GB’lık ekran kartının tüm belleğini kullanıyor ve bu durumda yavaşlıyor.

YuE2, ComfyUI’de nasıl çalıştırılır?

1. ComfyUI’yi 0.41 veya daha yeni bir sürüme güncelleyin.
2. Comfy-Org/YuE2 deposundan checkpoints/yue2_3b_bf16.safetensors dosyasını (7,8 GB; daha düşük donanımlı ekran kartları için int8 sürümü 4 GB) indirip models/checkpoints klasörüne, audio_encoders/sheetsage2_bf16.safetensors dosyasını (1,4 GB) ise models/audio_encoders klasörüne koyun.
3. Workflow bölümünü açın, ardından Browse Templates’i ve “YuE2 Text to Music” şablonunu seçin. Şablon varsayılan olarak int8 sürümünü gösteriyor; bf16 indirdiyseniz yükleme düğümündeki dosyayı değiştirin.
4. Stil alanında türü, vokali, enstrümanları ve tempoyu İngilizce açıklayın. Sözleri [Verse] ve [Chorus] gibi bölüm etiketleriyle metin alanına yapıştırın. Lehçe sözleri özgün yazımlarıyla girin.
5. Maksimum uzunluğu ayarlayın (ben 150 saniye kullandım). Metin bittiğinde model şarkıyı kendisi sonlandırıyor.

Kullandığım ayarlar: “full” modu, 1,0 sıcaklık, 0,95 top-p, 100 top-k, 1,2 tekrar cezası; ardından sgm_uniform zamanlayıcı ve CFG 1 ile dpm_2 örnekleyicisinde 32 adım. Bunlar resmî şablondaki değerler.

ComfyUI’yi sıfırdan kurmayı ComfyUI’ye başlangıç rehberinde, ekim ayındaki diğer yerel modelleri ise yeni yerel yapay zekâ modelleri derlemesinde anlattım.

Hangi modeli seçmelisiniz?

• Ticari amaçlı Lehçe şarkılar: ACE-Step 1.5. Lehçe performansı en tutarlı, en hızlı model ve MIT lisansına sahip.
• Kendiniz için Lehçe şarkılar: YuE2 veya ACE-Step. YuE2 en iyi tekil sonucu aldı, ancak aralarından seçim yapmak için 2-3 sürüm üretmek gerekiyor.
• İngilizce şarkılar: YuE2; 32 saniyede kelimelerin %100’ünü tanıttı.
• MiniMax Music 3: Yalnızca ses karakteri sizin için önemliyse tercih edin. En yavaş ve en fazla bellek kullanan model. Ayrıntıları MiniMax Music 3’ü yerel olarak çalıştırma yazısında anlattım.
• DiffRhythm 2: Yalnızca İngilizce ve Çince sözler için.

Bu modellerin Suno, Udio ve Mureka ile karşılaştırmasını yapay zekâ müzik üreticileri sıralamasında bulabilirsiniz.

En kolay yöntem: Hangar

YuE2, Windows’ta görsel, video ve müzik için yerel modelleri yöneten ücretsiz Hangar kataloğunda da yer alıyor. Hesap veya abonelik gerekmiyor; arka planda ComfyUI kullanıyor. Hangar’da testimdeki bf16 sürümünden daha küçük olan int8 seçeneği var: model 3,96 GB, sheetsage2 kodlayıcısı 1,39 GB; toplam 5,35 GB. Bu sürüm daha düşük kapasiteli ekran kartları için, ancak hızını ve çıktı kalitesini henüz ölçmedim. Model sayfasında CC BY-NC 4.0 lisansı belirtiliyor; YuE2 ile üretilen şarkılar satılamaz.

1. Hangar sayfasından 14 MB’lık yükleyiciyi indirin. Henüz dijital olarak imzalanmadığı için Windows SmartScreen uyarı gösterebilir: “Daha fazla bilgi”ye, ardından “Yine de çalıştır”a tıklayın.
2. Hangar, ekran kartınızı (CUDA destekli Nvidia, en az 8 GB VRAM; tercihen 12 GB veya üzeri) algılıyor ve modelin belleğe sığıp sığmayacağını gösteriyor.
3. Katalogda YuE2 3B’yi bulun. Dosya boyutlarını, lisansını ve modelin AB’de kullanılıp kullanılamayacağını görebilirsiniz.
4. Şimdilik üretim için yukarıdaki ComfyUI talimatlarını izleyin. Hangar, ComfyUI portable’ı sıfırdan kurabilir (bende 231 saniye sürdü) veya mevcut ComfyUI kurulumunuza bağlanabilir.

Hangar kataloğunda model bulunuyor, ancak Hangar üzerinden üretim henüz çalışmıyor (17 Ekim 2026 itibarıyla). Şimdilik yukarıdaki açıklamayı izleyerek ComfyUI kullanın. Araç hakkında ayrıntı: Hangar.

Sık sorulan sorular

YuE2 Lehçe şarkı söyleyebiliyor mu?

Evet. Üç denememde Whisper kelimelerin %84-99’unu tanıdı; ortalama oran %91,2 oldu. Model bazen bir dizeyi tekrarlıyor veya bir bölümü atlıyor, bu nedenle 2-3 sürüm üretmekte fayda var.

YuE2 kaç GB VRAM gerektiriyor?

bf16 sürümünde ekran kartının toplam VRAM kullanımı en yüksek 13,3-16,3 GB oldu. 4 GB’lık int8 sürümünün 12 GB ekran kartlarında çalışması bekleniyor, ancak bunu test etmedim.

YuE2 ile ürettiğim şarkıları satabilir miyim?

Hayır. CC BY-NC 4.0 lisansı ticari kullanımı yasaklıyor. Satış için müzik üretecekseniz ACE-Step 1.5 (MIT) veya DiffRhythm 2’yi (Apache 2.0) seçebilirsiniz. Ancak DiffRhythm 2 yalnızca İngilizce sözlerle kullanılabiliyor.

YuE2 ne kadar uzun şarkılar üretiyor?

Süre, sözlerin uzunluğuna ve belirlediğiniz sınıra bağlı. 83 kelimelik sözler ve 150 saniyelik sınırla 2:07-2:18 dakika arasında parçalar elde ettim.

YuE2, Suno’dan daha mı iyi?

Bu testte Suno’nun ses karakterini karşılaştırmadım. Yerel modellerin bir avantajı indirme sınırlarının olmaması; Suno’da 3 Eylül 2026’dan itibaren aylık sınırlar bulunuyor. Ayrıca her şarkı için ödeme yapmanız gerekmiyor.

Kaynaklar

• Hugging Face’te m-a-p/YuE2-3B
• Comfy-Org/YuE2 (ComfyUI ağırlıkları, CC BY-NC 4.0 lisansı)
• GitHub’da DiffRhythm 2
• RTX 4090’da 17 Ekim 2026’da yaptığım ölçümler: 13 kayıt, Whisper large-v3.

// okumaya devamElevenLabs Agents voicebot: Telefon asistanı testiKarşılaştırmalarSuno: müzik üretimi, planlar ve başlangıçRehberlerGemma 4 12B ve 7 yerel yapay zekâ modeli: Yazma testiKarşılaştırmalar