YuE2 im Test: Wie gut singt die KI auf Polnisch?

👁 117 Aufrufe

YuE2 ist ein offenes Modell des Teams m-a-p, das aus einem Liedtext und einer Stilbeschreibung einen vollständigen Song mit Gesang erzeugt. Seit Version 0.41 läuft es nativ in ComfyUI. Ich habe es mit demselben polnischen Text wie drei weitere lokale Modelle getestet: ACE-Step 1.5, MiniMax Music 3 und DiffRhythm 2. Jedes Modell erhielt drei Versuche; anschließend habe ich die Aufnahmen mit Whisper ausgewertet. YuE2 singt auf Polnisch verständlich und erreicht im Schnitt 91,2 Prozent der Wörter. Knapp vorn liegt ACE-Step 1.5 mit 95,6 Prozent.

Die ausführliche Anleitung zum Testsieger mit polnischem Text: ACE-Step 1.5 lokal nutzen.

Was ist YuE2?

YuE2 ist die zweite Version des Modells YuE und erschien am 9. September 2026. Es hat rund 3 Milliarden Parameter. Das Modell erhält einen Liedtext mit Abschnittsmarkierungen ([Verse], [Chorus], [Bridge]) sowie eine englische Stilbeschreibung und erzeugt daraus einen fertigen Song mit Gesang, Instrumenten und Struktur. Es kann außerdem Coverversionen erstellen und Noten im ABC-Modus bearbeiten. Diese Funktionen habe ich noch nicht getestet.

Die Originalversion von GitHub benötigt etwa 24 GB VRAM und Linux. In ComfyUI 0.41 läuft YuE2 nativ unter Windows. Eine fertige Vorlage und von Comfy-Org neu gepackte Gewichte sind verfügbar: bf16 mit 7,8 GB oder int8 mit 4 GB.

Mein Test: 4 Modelle mit demselben polnischen Text

Ich schrieb eine kurze Ballade mit zwei Strophen und zwei Refrains, insgesamt 83 Wörtern und polnischen Sonderzeichen. Der Anfang bedeutet übersetzt aus dem polnischen Original: „An der Weichsel regnet es wieder, Straßenbahnen gleiten in den grauen Nebel …“ Der Stil war für alle Modelle gleich: „Polnische Popballade, warmer weiblicher Gesang, Klavier und sanfte Synthesizer-Flächen, langsames Tempo“. Jedes Modell erhielt drei Versuche mit unterschiedlichen Seeds (11, 22 und 33). Ich ließ die Aufnahmen mit Whisper large-v3 und der Spracheinstellung Polnisch transkribieren und zählte, welcher Anteil der Wörter aus dem Text in derselben Reihenfolge in der Transkription wiederzufinden war. Wir haben also auf Polnisch getestet, nicht auf Deutsch.

Das Ergebnis misst die Verständlichkeit, nicht die musikalische Qualität. Whisper erkennt mitunter ein Wort, das Menschen nicht verstehen, und übersieht manchmal ein tatsächlich hörbares Wort. Für den Vergleich der Modelle anhand desselben Textes eignet sich die Methode dennoch.

Was die Zahlen zeigen

• YuE2 erzielt den besten Einzelwert: 98,8 Prozent, also 82 von 83 Wörtern. Die Ergebnisse schwanken allerdings am stärksten. Im Versuch mit Seed 22 wiederholte das Modell die Phrase „An der Weichsel“ (Übersetzung des polnischen Originals) zweimal und ergänzte eigene Zeilen. Im Versuch mit Seed 33 ließ es mehrere Zeilen aus.
• ACE-Step 1.5 liefert die konstantesten Ergebnisse. Es ist das einzige der vier Modelle, bei dem sich die Sprache einstellen lässt; ausgewählt war „pl“. Die Songlänge wird im Voraus festgelegt (120 Sekunden).
• MiniMax Music 3 singt verständlich, hat aber zwei Schwächen. Es vertauscht die Reihenfolge: Zwei Versuche begannen mit der zweiten Strophe. Der polnische Originalanfang bedeutet übersetzt: „In Praga spielt jemand alten Jazz“. Außerdem bleiben die Songs kürzer als das Limit von 150 Sekunden: Sie dauerten 73, 111 und 92 Sekunden.
• DiffRhythm 2 unterstützt phonetische Verarbeitung nur für Chinesisch und Englisch. Den polnischen Text macht es unverständlich. Die im Test gehörte Passage klang ungefähr wie fehlerhafter Schriftzug im ursprünglichen polnischen Test; das ist eine ungefähre Wiedergabe des polnischen Testergebnisses, kein neuer deutscher Test. Das Modell stammt außerdem aus dem Oktober 2025 und ist keine Neuerscheinung dieses Jahres.

Zum Anhören: polnischer Text, Seed 11

Englisch: Hier ist YuE2 fehlerfrei

Der zweite Text war englisch, im Stil von Synthpop der 1980er-Jahre und mit männlichem Gesang. Hier habe ich jedes Modell einmal getestet.

Laufzeit und Speicherbedarf

Die Laufzeit umfasst alles vom Absenden des Auftrags bis zur fertigen Datei, einschließlich des Ladens des Modells, wenn ComfyUI zwischen Modellen wechselte. Die reine Generierung dauert kürzer. Das zeigt sich bei ACE-Step: Solange das Modell bereits im Speicher lag, brauchte es 8 Sekunden. MiniMax Music 3 belegt die gesamten 24 GB der Grafikkarte und wird dann langsamer.

YuE2 in ComfyUI einrichten

1. Aktualisieren Sie ComfyUI auf Version 0.41 oder höher.
2. Laden Sie aus dem Repository Comfy-Org/YuE2 die Datei checkpoints/yue2_3b_bf16.safetensors (7,8 GB; für schwächere Grafikkarten alternativ int8 mit 4 GB) herunter und speichern Sie sie unter models/checkpoints. Die Datei audio_encoders/sheetsage2_bf16.safetensors (1,4 GB) gehört nach models/audio_encoders.
3. Öffnen Sie „Workflow“, dann „Browse Templates“ und die Vorlage „YuE2 Text to Music“. Standardmäßig ist darin die int8-Version ausgewählt. Wenn Sie bf16 heruntergeladen haben, ändern Sie die Datei im Lade-Node.
4. Beschreiben Sie im Stilfeld auf Englisch Genre, Gesang, Instrumente und Tempo. Fügen Sie den Liedtext mit Abschnitten wie [Verse] und [Chorus] in das Textfeld ein. Polnischen Text geben Sie ganz normal mit polnischen Sonderzeichen ein.
5. Legen Sie die maximale Länge fest (bei mir 150 Sekunden). Das Modell beendet den Song selbst, wenn der Text aufgebraucht ist.

Meine Einstellungen: Modus „full“, Temperatur 1,0, top-p 0,95, top-k 100, Wiederholungsstrafe 1,2 sowie 32 Sampling-Schritte mit dpm_2, dem Scheduler sgm_uniform und CFG 1. Diese Werte stammen aus der offiziellen Vorlage.

Die Installation von ComfyUI von Grund auf erkläre ich in der Anleitung ComfyUI von Grund auf einrichten. Weitere lokale Modelle aus dem Oktober finden Sie in der Übersicht Neue lokale KI-Modelle.

Welches Modell passt zu welchem Zweck?

• Polnische Songs zur kommerziellen Nutzung: ACE-Step 1.5. Es ist am gleichmäßigsten auf Polnisch, am schnellsten und unter MIT lizenziert.
• Polnische Songs für den privaten Gebrauch: YuE2 oder ACE-Step. YuE2 erzielte den besten Einzelwert, doch Sie sollten zwei bis drei Versionen generieren und die passende auswählen.
• Englische Songs: YuE2. Es erkannte 100 Prozent der Wörter und brauchte 32 Sekunden.
• MiniMax Music 3 lohnt sich nur, wenn Ihnen sein Klang besonders wichtig ist. Es ist am langsamsten und benötigt am meisten Speicher. Mehr dazu lesen Sie im Beitrag MiniMax Music 3 lokal nutzen.
• DiffRhythm 2 eignet sich nur für englische und chinesische Texte.

Wie diese Modelle im Vergleich zu Suno, Udio und Mureka abschneiden, zeige ich im Ranking der KI-Musikgeneratoren.

Der einfachste Weg: Hangar

YuE2 ist auch im Katalog von Hangar verfügbar, meinem kostenlosen Manager für lokale Bild-, Video- und Musikmodelle unter Windows. Er benötigt weder Konto noch Abo und nutzt ComfyUI als Engine. Hangar bietet die leichtere int8-Variante statt des im Test verwendeten bf16-Modells: Das Modell ist 3,96 GB groß, der sheetsage2-Encoder 1,39 GB, zusammen 5,35 GB. Die Variante ist für kleinere Grafikkarten gedacht. Laufzeit und Qualität habe ich damit noch nicht gemessen. Beim Modell wird die Lizenz CC BY-NC 4.0 angezeigt: Mit YuE2 erstellte Songs dürfen also nicht verkauft werden.

1. Laden Sie den 14 MB großen Installer von der Hangar-Seite herunter. Er ist noch nicht digital signiert. Deshalb zeigt Windows SmartScreen eine Warnung an: Klicken Sie auf „Weitere Informationen“ und danach auf „Trotzdem ausführen“.
2. Hangar erkennt die Grafikkarte (Nvidia mit CUDA, ab 8 GB VRAM, empfohlen sind 12 GB oder mehr) und zeigt an, ob das Modell darauf Platz hat.
3. Suchen Sie im Katalog nach YuE2 3B. Dort sehen Sie Dateigröße, Lizenz und ob das Modell in der EU verwendet werden darf.
4. Generieren Sie vorerst in ComfyUI und folgen Sie der Anleitung oben. Hangar kann ComfyUI portable von Grund auf installieren (bei mir dauerte das 231 Sekunden) oder eine vorhandene ComfyUI-Installation einbinden.

Hangar führt das Modell im Katalog, aber die Generierung über Hangar funktioniert noch nicht (Stand: 17. Oktober 2026). Nutzen Sie vorerst ComfyUI wie oben beschrieben. Mehr zum Tool: Hangar.

Häufige Fragen

Singt YuE2 auf Polnisch?

Ja. In meinen drei Versuchen erkannte Whisper zwischen 84 und 99 Prozent der Wörter; der Durchschnitt lag bei 91,2 Prozent. Manchmal wiederholt das Modell eine Zeile oder lässt einen Abschnitt aus. Es lohnt sich daher, zwei bis drei Versionen zu erzeugen.

Wie viel VRAM benötigt YuE2?

Bei der bf16-Version lag die VRAM-Spitze auf der gesamten Grafikkarte bei mir zwischen 13,3 und 16,3 GB. Die int8-Version mit 4 GB sollte auf Grafikkarten mit 12 GB Platz finden. Das habe ich jedoch nicht überprüft.

Darf ich Songs aus YuE2 verkaufen?

Nein. Die Lizenz CC BY-NC 4.0 untersagt die kommerzielle Nutzung. Für Musik zum Verkauf kommen ACE-Step 1.5 (MIT) oder DiffRhythm 2 (Apache 2.0) infrage. DiffRhythm 2 eignet sich dabei nur für englische Texte.

Wie lang sind die Songs von YuE2?

Die Länge hängt vom Text und vom gesetzten Limit ab. Bei 83 Wörtern und einem Limit von 150 Sekunden dauerten die Songs 2:07 bis 2:18 Minuten.

Ist YuE2 besser als Suno?

Den Klang von Suno habe ich in diesem Test nicht verglichen. Ein Vorteil lokaler Modelle: Es gibt keine Download-Limits, und Sie zahlen nicht für jeden Song. Bei Suno gelten seit dem 3. September 2026 monatliche Limits.

Quellen

• m-a-p/YuE2-3B auf Hugging Face
• Comfy-Org/YuE2 (Gewichte für ComfyUI, Lizenz CC BY-NC 4.0)
• DiffRhythm 2 auf GitHub
• Eigene Messungen auf einer RTX 4090, 17. Oktober 2026: 13 Aufnahmen, Whisper large-v3.

// weiterlesenGPT-6 Astra Test: Polnisch, Code, langer Kontext (Ergebnisse)BenchmarksToken-Steuer 2026: Polnischer Text kostet bei Claude 56% mehrBenchmarksALBUM: Offline-Reinforcement-Learning ohne Zielnetzwerke und mit weniger SpeicherBenchmarks

Kinetyra