Los mejores modelos de código abierto de música y sonido en 2026
La generación abierta de música avanzó rápido en 2026. Varios modelos ya escriben canciones completas con voz en una sola GPU de juego, uno transmite música en directo a un MacBook y dos convierten una frase en un efecto de sonido. La calidad depende del gusto y las licencias varían muchísimo: ACE-Step y HeartMuLa son permisivas, YuE2 es no comercial, MiniMax Music 3 pide crédito y autorización por encima de 20 millones de USD al año, y Stable Audio 3 limita el uso comercial gratuito a 1 millón de dólares. Lee bien la línea de la licencia y consulta a un abogado por los derechos de autor, porque los desarrolladores describen sus datos de entrenamiento en grados muy distintos.
-
MiniMax Music 3 Más grande EN
El modelo de canciones de 11.1B de MiniMax: entras letra y una descripción de estilo, y salen hasta cinco minutos de estéreo a 32 kHz con voz. Cabe en una GPU de 24 GB en BF16, y la licencia pide que los productos muestren el nombre del modelo y que las empresas con más de 20 millones de USD al año obtengan autorización por escrito.
-
YuE2 Más reciente EN
El modelo de 3.6B de M-A-P escribe primero una partitura editable y después renderiza voces y acompañamiento a 48 kHz. En el benchmark propio del equipo de YuE2 saca 6,73 frente al 6,87 de Suno v5 y va por delante de los demás modelos abiertos de esa tabla, pero los pesos son CC BY-NC y la ficha pide una GPU de 24 GB.
-
ACE-Step 1.5 Mejor modelo pequeño
El modelo bajo licencia MIT de ACE Studio y StepFun: canciones completas en segundos, desde unos 4 GB de VRAM con el 2B turbo DiT, con versiones (covers), repintado y letras en más de 50 idiomas. Hugging Face contó unas 97.000 descargas del repositorio principal y 816.000 de la copia de ComfyUI en los 30 días hasta el 11 de noviembre de 2026, y el benchmark del equipo de YuE2 sitúa su calidad por debajo de YuE2 y MiniMax Music 3.
-
HeartMuLa EN
El modelo de canciones de HeartMuLa bajo Apache 2.0, con un modelo de lenguaje de 3B y el HeartCodec de 48 kHz: entras letra y etiquetas de estilo, y salen canciones de hasta cuatro minutos a velocidad casi en tiempo real. El benchmark del equipo de YuE2 le da 6,25, apenas por debajo de MiniMax Music 3, y el modelo aparte MuLaCover es CC BY-NC.
-
Stable Audio 3 EN
La familia de música instrumental y efectos de sonido de Stability AI: Medium llega a 6 min 20 s con unos 8 GB de memoria de GPU, y los modelos Small funcionan en la CPU de un portátil. El uso comercial gratuito se corta en 1 millón de USD de ingresos anuales, y los repositorios son de acceso por solicitud.
-
Magenta RealTime 2 EN
El modelo de música en directo de Google, que interpreta en vez de componer: emite en streaming estéreo a 48 kHz fotograma a fotograma y reacciona a texto, audio y MIDI en unos 200 ms. El Small corre en cualquier MacBook con Apple Silicon, el Base quiere una M3 Pro, M2 Max o superior, y los pesos son CC BY 4.0.
-
MOSS-SoundEffect v2.0 EN
El modelo de texto a efectos de sonido de 1.3B de OpenMOSS bajo Apache 2.0: ambientes, criaturas y acciones de hasta 30 segundos a 48 kHz, a partir de prompts en inglés o chino. Usa 100 pasos de muestreo y no publica benchmark ni cifra de VRAM.
Cómo elegimos
- Pesos abiertos que puedes descargar hoy mismo desde el repositorio oficial del desarrollador.
- La licencia de los pesos, no solo la del código, porque los modelos de música suelen añadir topes de ingresos, crédito o condiciones no comerciales.
- Qué produce cada modelo: canciones con voz, música instrumental, streaming en directo o efectos de sonido son trabajos distintos, así que se describen por separado.
- La calidad es cuestión de gustos, así que describimos funciones, duraciones y hardware en lugar de clasificar por sonido. Las puntuaciones de benchmark se etiquetan como del propio desarrollador.