メインコンテンツへスキップ
見出し画像

Suno 5級の音楽生成AI「YuE2」が無料公開。公式要件はLinuxと24GB GPUですが、MLX版は4.22GBで16GBのMacに載ります

    Multimodal Art Projection(m-a-p)が2026年9月10日に公開した音楽生成モデル `YuE2` が、はてブで160ブックマークまで伸びていました。品質とテキスト理解のグラフで Suno 5 に近く、8生成から最良を選ぶ Bo8 条件では Suno 5 を上回るという内容です。

    日本語ボーカルの生成例もあり、テキストだけでなく ABC 記譜法の楽譜を入力できます。ただ Mac ユーザーとして公式モデルカードを読んだら、要件のところで引っかかりました。

    この記事でわかることは4つです。

    • YuE2 の公式スペック(報道記事とモデルカードで数字が違う点も含めて)

    • Mac では公式要件を満たせない理由

    • Apple Silicon 向け MLX 移植版の実サイズ(自分で測りました)

    • 無料なのに使いどころが限られるライセンスの話

    公式スペックと、数字が食い違うところ

    まず GIGAZINE の記事にある数値です。

    • 公開日は2026年9月10日、モデル名は `m-a-p/YuE2-3B`

    • パラメータは3B

    • ピークVRAM 14.08GiB

    • RTX 4090(24GB)で 214.85秒の楽曲を71.04秒で生成

    • ライセンスは CC BY-NC 4.0(商用不可)

    次に Hugging Face の公式モデルカードに書かれている数値です。

    • 4B パラメータ(BF16)

    • ピークVRAM 約11.18GiB

    • 要件は BF16対応の24GB NVIDIA GPU(RTX 4090でテスト)、ホストRAM 24GB、Linux、Python 3.10以上

    • RTX 4090 で3.6分の曲を約71秒、H800サーバー構成ならバッチ推論で最大373曲/時

    • バックエンドは PyTorch(CUDA graphs / FlashAttention)、vLLM 0.19、Transformers

    パラメータ数(3B と 4B)とピークVRAM(14.08GiB と 11.18GiB)が一致しません。どちらが間違いというより、測った条件が違う可能性が高いところです。買う判断・動かす判断に使うなら、モデルカード側の11.18GiBと24GB要件を基準にするのが安全だと考えています。ここは意見です。

    生成時間のほうは一致しています。RTX 4090 で3分半ほどの曲が約71秒。曲の長さの3倍速で出てくる計算です。

    Mac では公式要件を満たせない

    要件に Linux と BF16対応の24GB NVIDIA GPU が並んでいるので、Mac は対象外です。統一メモリが何GBあっても、CUDA 前提のコードはそのままでは動きません。

    「ピーク14GiBならMacの統一メモリでも射程」と読みたくなるところですが、公式の配布物はそういう作りになっていません。

    MLX移植版のサイズを測った

    Apple Silicon 向けの MLX 移植版が出ています。`ahmadw/YuE2-3B-MLX` で、YuE2-Vae のデコーダを取り込み済み、PyTorch 依存なしで動く実装です。

    サイズは Hugging Face の API からリポジトリのファイルサイズを合計して測りました。手元の M4 MacBook Pro(メモリ16GB / macOS 26.4)で実行した結果です。

    • `bf16/` は 7.01GB(7,529,447,421バイト)

    • `8bit/` は 4.22GB(4,532,493,960バイト)

    • `4bit/` は 3.39GB(3,638,713,735バイト)

    同じ数字を出すコマンドはこれです。

    curl -s "https://huggingface.co/api/models/ahmadw/YuE2-3B-MLX?blobs=true" | python3 -c "
    import json,sys
    d=json.load(sys.stdin)
    tot={}
    for f in d.get('siblings',[]):
        p=f.get('rfilename',''); s=f.get('size') or 0
        top=p.split('/')[0] if '/' in p else '(root)'
        tot[top]=tot.get(top,0)+s
    for k,v in sorted(tot.items(), key=lambda x:-x[1]):
        print(f'{k}: {round(v/1024**3,2)} GB ({v} bytes)')
    "

    推奨は 8bit の4.22GBです。モデルカードには「8bit が既定の推奨。bf16 に近い出力でデコード速度は約2倍」と書かれています。精度の劣化幅も出ていて、8bit は AR のロジット誤差1.0%・NAR の速度場誤差1.9%、4bit は AR 8.1%・NAR 4.4%です。

    4bit 版が完全な4bitではなく NAR(フローマッチング)側を8bitに留めているのは、全部4bitにすると速度場の誤差が12%まで出てドリフトするからだと書かれています。ここは素直に8bitを選んでおくところです。

    速度は M シリーズの Mac で、bf16 が約70トークン/秒(CFG有効時は35)、8bit が CFG ありで約80トークン/秒。3分の曲が数分で出てくる、という記述です。出力は48kHzステレオで、ABC譜でプランを作ってから生成する使い方にも対応しています。

    導入手順

    MLX 版の導入は2コマンドです。

    pip install mlx tiktoken numpy huggingface_hub
    hf download ahmadw/YuE2-3B-MLX --include "*.py" "8bit/*" --local-dir YuE2-3B-MLX

    `--include` で 8bit だけを落とすので、ダウンロードは4.22GB で済みます。bf16 も 4bit もまとめて落とすと14GB超になるため、指定を忘れないようにしてください。

    今回測ったのは配布サイズと要件の突き合わせまでです。生成そのものはまだ回していないので、日本語ボーカルの実際の品質と、16GBのMacで生成中にメモリがどこまで振れるかは次に確かめます。

    無料だけど、使える場所が限られる

    ライセンスが CC BY-NC 4.0 です。MLX 移植版も m-a-p/YuE2-3B と YuE2-Vae から派生しているので、同じ非商用ライセンスを継承しています。

    つまり収益化している YouTube 動画のBGM、クライアント案件、有料コンテンツには使えません。個人の習作、検証、非商用の作品までが範囲です。

    「無料でSuno 5級」の裏にあるのはここです。Suno の有料プランに月額を払う理由は品質だけではなく、商用に使える権利のほうにあります。品質が並んだからといって置き換えられるわけではない、というのが読みどころだと考えています。

    まとめ

    • YuE2 は2026年9月10日公開、`m-a-p/YuE2-3B`、CC BY-NC 4.0 の非商用ライセンス

    • 公式モデルカードの要件は Linux + BF16対応の24GB NVIDIA GPU + ホストRAM 24GB、ピークVRAM 約11.18GiB(報道記事の14.08GiB とは数字が違う)

    • Mac で動かすなら MLX 移植版 `ahmadw/YuE2-3B-MLX`。8bit が4.22GB で、16GBのMacでも射程に入る

    • 8bit は bf16 に近い出力でデコード約2倍、4bit は誤差が大きいので8bit推奨

    • 商用不可なので、収益化コンテンツには使えない

    参照した一次ソースです。


    「無料で動く」と「自分のマシンに載る」の距離を測る話は、モデルが大きくなるほど効きます。GLM-5.2をローカルで動かそうとして最低223GB必要だった記録です。


     
     
    AI×開発の実験日記。Claude / Ollama / MLX を Mac で動かしたり自動化したり。SaaS勤務の30代、本業の合間に検証してnoteに書いてます。たまにやりすぎて寝不足。

    あなたへのおすすめ