AI研究コミュニティのMultimodal Art Projection（M-A-P）が2026年9月10日、音楽生成AI「YuE2」を公開した。開発チームは「Suno 5に匹敵するオープンな音楽生成モデル」と位置づけており、WildSongBenchと呼ばれるベンチマークでは、特定条件下でSuno v5を上回るスコアを記録している。

何が起きたか

YuE2の最大の特徴は「シンボリックプランニング」と呼ばれる生成プロセスだ。テキストのスタイルプロンプトと歌詞を入力すると、まずABC記譜法（楽譜記述フォーマット）によるメロディ・コード進行のプランを生成し、そのプランをもとに最終的な音声（ボーカル＋伴奏）を作り出す。従来の多くのAI音楽ツールが「テキスト→音声」を直接生成するのとは一線を画す設計だ。

WildSongBench（192プロンプト、17システム比較）における評価では、YuE2の通常生成はSongBenchスコア6.7台で、Suno v5（6.8721）にはわずかに届かない。ただし「8回生成して最良を選ぶ（Bo8）」という条件では6.9632を記録し、評価対象17設定の中で最高スコアとなった。Suno v6は6.5562、Suno v6 Wildは6.4195だった。

対応する入力形式もユニークで、テキストプロンプトだけでなく既存曲のABC記譜から「スタイル変換（ゼロショットカバー）」を行う機能も持つ。さらに生成した楽曲のスコア・アレンジ・歌詞をエージェントとの会話形式で段階的に修正していく「エージェンティック編集」も実装されている。

モデルはパラメータ数約35.9億（3.59B）、28層構成。CC BY-NC 4.0ライセンスで公開されており、非商用であれば無料で利用できる。ローカル実行も可能で、開発チームの計測ではNVIDIA GeForce RTX 4090（VRAM 24GB）を使用した場合、約3分35秒（214.85秒）の楽曲を71秒で生成できた（ピークメモリ使用量14.08GiB）。日本語ボーカルにも対応しており、公式デモサイトで日本語楽曲のサンプルが聴ける。

なぜこれが重要か

AI音楽ツールの競合はSunoとUdioが長らく先行してきたが、両社はいずれも有料・クローズドソースのサービスだ。YuE2はその性能域に初めて無料・オープンで踏み込んできたモデルと言える。

より本質的な違いは「生成過程が見える」点にある。YuE2が先に出力するABC記譜のスコアは、テキストとして人間が読み書きできる。これは「AIが何をどう解釈したか」を確認し、介入できる余地を作るということだ。スタイルプロンプトを変えてもなかなか意図通りにならない、という経験をしたことがある人なら、この差の大きさはわかるはずだ。

論点・異なる見方

一方で、実用上の制約もある。まず「Bo8」は8回生成して最良を選ぶという条件だから、スコアの高さはそのまま一発生成の品質を意味しない。ローカル実行にはRTX 4090クラスのGPUが必要で、一般のユーザーがすぐに試せる環境かどうかは別の話だ。

ライセンスはCC BY-NC 4.0、つまり非商用限定。商業利用をしたい場合は別途ライセンスが必要になる。Sunoが「ライセンス済み楽曲で再学習したモデル」を打ち出す動きを見せているのとは対照的に、YuE2は学習データの透明性についての詳細をまだ十分に開示していない。

今後どう展開しそうか

YuE2のリリースはv0.1.6であり、開発初期段階にある。M-A-PはMERT2（音楽理解モデル）やSheetSage2（楽譜認識モデル）といった関連ツールも同時に公開しており、音楽AIの研究インフラを着々と整備しているコミュニティだ。

オープンウェイトの高性能モデルが存在することで、研究者・開発者がカスタムファインチューニングや独自アプリケーションを構築できる可能性が広がる。Sunoの訴訟問題や学習データの不透明さへの批判を踏まえると、「ライセンスと出自が明確なオープンモデル」への需要はしばらく高まり続けるだろう。

作り手・聴き手への示唆

楽譜という中間表現を挟むことで、プロンプトだけでは難しかった「コード進行の調整」「特定メロディラインの修正」といった操作が現実的になってくる。音楽理論の知識がある人ほど恩恵を受けやすい設計だ。

もちろん、環境構築のハードルはある。ただ、クラウド版の登場やColabノートブックの整備が進めば、より広いユーザーがこのアプローチを試せるようになるはずだ。「作ったが気に入らない」を繰り返すのではなく、「スコアを読んで直す」という新しい音楽制作のフローが、少しずつ現実味を帯びてきた。

ソース