先手 SENTE · 周报阅读清单 · 速读 · arXiv 2609.33757
YuE2：先写乐谱再演奏的整首歌生成模型
YuE2: Unifying Symbolic and Audio Music Generation at Frontier Quality
Ruibin Yuan，Jiahao Pan，Junyan Jiang，Zhiyue Wu 等 35 位作者 · 2026-09-27
先写出可读的乐谱，再把它唱成完整的歌
打开交互式解读 →三个要点
- 思路：符号音乐模型能写出旋律、和声、节奏，但停在乐谱；音频模型能生成完整歌曲，但作曲过程是隐式的。YuE2 用一个 AR-NAR 混合 Transformer，先写出包含旋律、和弦、调式、拍号、速度和曲式的可读乐谱，再展开为语义音乐 token，最后生成整首立体声音频。
- 结果：同一检查点下，专家在整体质量上 49.3% 偏好「先写谱」，34.6% 偏好不写谱（其余为平局）；WildSongBench 上 SongBench Global Avg 6.73，超过所有公开基线，8 选 1 时达到 6.96。专家试听中 8 选 1 版本优于 Suno v4.5，与 Suno v5 接近持平。
- 配套：为了从没有对齐乐谱的录音中学习，团队还推出 MERT2（音乐表征，15 项 MARBLE 指标中 14 项刷新最好成绩）和 SheetSage2（扒谱）。乐谱可编辑、可零样本翻唱，也能让外部语言模型把用户反馈翻译成作曲修改。
49.3% vs 34.6% 专家整体质量偏好：先写谱 vs 不写谱
适合谁读：做 AI 音乐、配乐与创作工具的团队；关注开源生成模型与 Suno 竞争格局的投资人。
AI 解读 · 基于原文：本页由 AI 根据论文原文整理，所有数字均可在原文中找到出处；引用前请核对原文。