
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。
Hugging Face(公式): https://huggingface.co/m-a-p/YuE2-3B
Hugging Face(MLX移植版): https://huggingface.co/ahmadw/YuE2-3B-MLX
GIGAZINE の紹介記事: https://gigazine.net/news/20260911-yue2-music-generation-ai/
「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。