ローカル音楽生成モデル比較：歌もの・インスト・効果音

ボーカル曲・伴奏ループ・背景音・効果音では入出力要件が異なります。歌詞曲は歌詞条件と構成、効果音は長さ制限・テキスト入力・音声形式を確認します。同じ文章だけで順位を付けず、公式の入出力を合わせて比べてください。

ローカルとはコードと重みを自分の端末で動かすことです。初回取得にはネット接続が必要で、サーバー公開は別の選択です。容量とライセンスを確認し、出力を案件別に整理します。

ACE-Step 1.5は説明と歌詞から生成し、カバー・編集機能も案内しています。50以上の言語や最大10分は能力の説明で、言語品質や全端末での動作保証ではありません。

HeartMuLa 3Bは歌詞とタグのファイルを受け付け、既定の最大長は240,000msです。公式リポジトリの現行推論速度はRTF¹約1.0で、数分の曲が数秒という根拠にはなりません。lazy loadはメモリ節約であり速度保証ではありません。

YuE2は歌詞から譜面を計画し、48kHzステレオを合成します。譜面編集やカバーにも対応します。

公式の基本環境はLinux・Python 3.12以上・BF16²対応NVIDIA GPU³ 24GBです。モデルカードの通常生成表では、RTX 4090 24GBで214.85秒の音声を71.04秒で生成し、32回のウォーム実行⁴平均でピークVRAM⁵は11.18GiBでした。

量子化⁶なしのPyTorch⁷ 2.10で、生成時間は音声長の約0.33倍です。初期読み込みを除外し、1曲ずつ処理しています。

以下の数値はYuE公式WildSongBench資料とYuE2モデルカードが2026年9月12日に公開した自動評価です。同じ192プロンプトを対象としますが、人の好みの評価でも計算量をそろえた比較でもありません。

標準YuE2と公開モデルの基準値は候補を2つ生成し、各候補を4回ASR⁸評価してPER⁹の低い方を選びます。best-of-8¹⁰は音楽性・プロンプト制御・PERで選ぶため、標準設定と直接比べられません。

参考のbest-of-8スコア（SongBench Avg 6.9632、PER 9.79%）は別の選択手順による値です。ベンチマークはYuE2-Vae¹¹-legacyを使用し、通常の既定値は知覚音質が高いYuE2-Vaeです。

いずれも自動指標であり、人による普遍的な音質評価ではありません。

Stable Audio Open 1.0はテキストから最大47秒、44.1kHzのステレオを生成します。モデルカードは効果音や音楽素材向けとし、英語プロンプトを指定します。効果音やインストの一節には候補ですが、歌詞付き完成曲の代わりではありません。取得にはHugging Faceの条件同意が必要です。

MusicGenは300M・1.5B・3.3Bとテキスト・メロディ対応版があります。モデルカードはリアルなボーカルが難しく、英語以外では性能が下がる可能性を記載しています。AudioCraft資料はmediumに16GB以上のVRAMを挙げます。背景音の案や研究実験に向いています。

ACE-Stepは標準2B DiT¹²の4/6GB目安に加えてXL 4B DiTがあります。現行NVIDIA表はXLについて16–20GBでCPU¹³オフロード¹⁴、20GB以上でオフロードなし、24GB以上で4B LMも推奨します。Apple SiliconにはMPSに加えて専用MLX¹⁵起動スクリプトがあります。YuE2はLinux・NVIDIA 24GB BF16、MusicGen mediumはVRAM 16GB以上を明記します。

Stable Audio OpenとHeartMuLaの公式資料には全設定共通の最低VRAM値がありません。不明値を低性能対応や高性能必須と言い換えず、チェックポイント¹⁶別手順を確認してください。Apple SiliconではMLX経路を短く試し、NVIDIA区分とは直接比べないでください。

現行YuE2 READMEはコード・文書をApache 2.0、YuE2-3B/VAE重みをCC BY-NC 4.0と追加条件に分けています。旧YuEの告知を適用しないでください。MusicGenのMITコードライセンスはCC BY-NC 4.0の重みには適用されません。

Stable Audio OpenはStability AI Community Licenseで、商用利用は別条件を案内しています。HeartMuLaはコードと関連重みをApache 2.0、ACE-Step 1.5はMITと記載します。対象チェックポイントの条件を再確認してください。

学習データ・参照歌詞や音源・声の模倣・投稿先規則はモデルライセンスとは別のことがあります。収益化や配信の前に条件原文を確認してください。

ボーカル曲はACE-Step、歌詞・タグファイルの実験はHeartMuLa、24GB Linux/NVIDIAで譜面制御ならYuE2を先に見ます。47秒以内の効果音や音楽素材はStable Audio Open、テキスト・メロディ条件の背景音実験はMusicGenが候補です。用途別の選び方であり音質順位ではありません。

実際に比べるなら長さとジャンルを近づけ、各モデルの入力条件を記録します。時間・メモリ・韓国語歌詞の聞きやすさ・サンプルレート・編集の手間を比べ、公式にない数値は未記載とします。

導入負担を抑えるため、まず同じ目的のモデルを二つだけ選びます。歌ものなら同じ短い歌詞とジャンル、効果音なら同じ音の説明と目標時間を使い、各モデルの入力形式に合わせて変換します。初回はダウンロードと初期化を含む場合があるので、生成時間とは分けて記録し、出力ファイルが保存されることも確認してください。

比較ノートにはモデル・チェックポイント、コード版、実行端末、設定、出力長、生成時間、最大メモリ、聴いた印象を記録します。公開値と自分の計測を分け、未計測項目を推測で埋めません。公開する音源ならライセンスと入力素材の確認も記録します。