El Centro de Investigación y Desarrollo de Inteligencia Artificial Generativa de Hong Kong (HKGAI) anunció el 18 de septiembre de 2026 el lanzamiento del gran modelo musical de código abierto YuE2. El equipo afirma que es el primer gran modelo musical de código abierto del mundo que unifica creación, cover y edición mediante "planificación simbólica"; ese mismo día se colocó en el puesto 4 del Trending global de Hugging Face (Trending Score 595), siendo el único modelo de música en el top cinco. A los 9 días de su lanzamiento, el modelo principal oficial registró 11.626 descargas; sumando los envoltorios para ComfyUI, las versiones GGUF/cuantizadas de la comunidad y la cadena de herramientas, el ecosistema acumula cerca de 179.000 descargas.
HKGAI se fundó en octubre de 2023, con el apoyo de la plataforma AIR@InnoHK —centrada en inteligencia artificial y robótica— y el liderazgo de la Universidad de Ciencia y Tecnología de Hong Kong; su investigación abarca áreas como lenguaje, visión y audio. YuE2 se presenta como un hito importante del centro en generación de audio; el comunicado emplea la metáfora del "momento DeepSeek de la música" para describir el impulso de los modelos de código abierto que alcanzan o superan a ciertos sistemas comerciales cerrados.
WildSongBench: la puntuación combinada best-of-8 supera a varios modelos comerciales
El benchmark WildSongBench realiza una evaluación automática con 192 prompts (12 de septiembre de 2026). La tabla muestra que YuE2 (best-of-8) alcanza un SongBench Avg de 6,9632, situándose provisionalmente en primera posición; la versión de una sola pasada de YuE2 obtiene 6,7316. Entre los modelos comparados figuran Mureka 9 (6,9377), Suno v5 (6,8721), Suno v5.5 (6,7150), Suno v6 (6,5562), mientras que la generación anterior YuE 1 se queda en 4,9165. No obstante, YuE2 no lidera todos los indicadores: por ejemplo, Suno v5 obtiene el MuLan más alto (0,5428), LeVo 2 el AudioBox PQ más alto (8,3966) y Suno v4.5 el PER más bajo (5,80 %).
| Sistema | SongBench Avg ↑ | AudioBox PQ ↑ | MuLan ↑ | PER ↓ |
|---|---|---|---|---|
| YuE2 (best-of-8) | 6.9632 | 8.2714 | 0.5051 | 9.79% |
| Mureka 9 | 6.9377 | 8.0226 | 0.4394 | 11.69% |
| Suno v5 | 6.8721 | 8.1698 | 0.5428 | 8.10% |
| YuE2 | 6.7316 | 8.2598 | 0.5068 | 8.44% |
| Suno v6 | 6.5562 | 8.1296 | 0.4916 | 7.58% |
| YuE 1 | 4.9165 | 7.8683 | 0.2623 | 36.38% |
Caja blanca controlable: planificación simbólica separada del renderizado acústico
YuE2 separa la "planificación simbólica" (symbolic planning) del "renderizado acústico" (acoustic rendering) y, mediante un diseño de mezcla de expertos (MoE), aumenta la controlabilidad: el experto AR predice de forma autorregresiva, con atención causal, la partitura ABC y el esqueleto semántico; el experto NAR predice el espacio latente acústico mediante flow matching; finalmente, un VAE decodifica la salida a estéreo de 48 kHz. A diferencia del muestreo de caja negra en el que "del prompt sale el audio", los creadores pueden intervenir en cada paso —por ejemplo, ajustar una sola nota sin tener que regenerar toda la canción, o cambiar el estilo manteniendo la melodía original.
La demostración oficial emplea la canción pop en mandarín 《末班車》para realizar nueve rondas de edición conversacional, que incluyen rearmonización, reorquestación, incorporación de la melodía de "Twinkle, Twinkle, Little Star", desarrollo de variaciones y reescritura de la letra, hasta obtener un arreglo de jazz en inglés con estructura completa; cada paso se corresponde con una partitura y un audio verificables, y no con otra generación aleatoria inconexa.
Seis idiomas, sesenta géneros y un ecosistema open source local
En cuanto a capacidades, YuE2 admite seis idiomas —chino, inglés, japonés, coreano, ruso y español— y abarca más de 60 géneros (entre ellos City Pop, heavy metal, jazz y flamenco). Los pesos son de código abierto y descarga gratuita (solo para uso no comercial), y el modelo puede ejecutarse en local con una sola tarjeta de consumo; la licencia comercial se gestiona por separado. El equipo publica de forma simultánea herramientas de transcripción, modelos de comprensión musical y el benchmark de evaluación, articulando una cadena de herramientas de "transcripción — creación — edición — evaluación". Acceso al proyecto: GitHub multimodal-art-projection/YuE.
- Pesos de código abierto (no comercial) y ejecución local con una sola tarjeta
- Creación, cover y edición unificados en un flujo de planificación simbólica
- Publicación simultánea de herramientas de transcripción, modelos de comprensión y benchmark de evaluación