2026年最高のオープンソース音楽・音声生成モデル

オープンな音楽生成は 2026 年、大きく進みました。今では複数のモデルがゲーム向け GPU 1 枚でボーカル付きの完全な曲を書き、あるモデルは MacBook にリアルタイムで音楽をストリーミングし、別の 2 つは一文から効果音を作れます。音の良し悪しは好みで分かれるうえ、ライセンスの差は大きく、ACE-Step と HeartMuLa は寛容、YuE2 は非商用限定、MiniMax Music 3 はクレジット表示を求め年間 2000 万米ドル超では許諾が必要、Stable Audio 3 は無料商用を 100 万米ドルまでに制限しています。まずライセンスの行をよく読み、著作権については弁護士に相談を。開発者による学習データの説明は詳細さにかなり差があります。

  • リストの最終更新:2026年11月11日
  1. MiniMax Music 3 最大規模 EN

    MiniMax の 11.1B 歌曲モデル。歌詞とスタイル説明を入れると、最大 5 分・32 kHz ステレオのボーカル付き楽曲が出力されます。BF16 なら 24 GB の GPU に収まり、ライセンスでは製品へのモデル名表示を求め、年間売上高が 2000 万米ドルを超える企業は書面での許諾が必要です。

    • MiniMax
    • 11.1B
    • MiniMax Music3 Community (条件付き)
    • 24 GB から
  2. YuE2 最新 EN

    M-A-P の 3.6B モデルは、レンダリングの前に編集可能な楽譜を書き出し、その後 48 kHz のボーカルと伴奏を生成します。YuE2 チーム独自のベンチマークでは 6.73 を記録し、Suno v5 の 6.87 には届かないものの、同表の他のオープンモデルをリードします。ただし重みは CC BY-NC で、モデルカードは 24 GB の GPU を求めています。

    • M-A-P
    • 3.63B
    • CC BY-NC (非商用)
    • 24 GB から
  3. ACE-Step 1.5 ベスト小型モデル

    ACE Studio と StepFun の MIT ライセンスモデル。2B turbo DiT なら約 4 GB の VRAM で数秒で完全な曲を生成し、カバー、部分再描画(repainting)、50 以上の言語の歌詞に対応します。Hugging Face の集計では、2026 年 11 月 11 日までの 30 日間にメインリポジトリで約 9 万 7000 回、ComfyUI 版で約 81 万 6000 回のダウンロードがありました。YuE2 チームのベンチマークでは、品質は YuE2 と MiniMax Music 3 の後塵を拝します。

    • ACE-Step
    • 4B
    • MIT (パーミッシブ)
    • 4 GB から
  4. HeartMuLa EN

    HeartMuLa の Apache 2.0 歌曲モデル。3B 言語モデルと 48 kHz の HeartCodec を組み合わせ、歌詞とスタイルタグを入れると最長 4 分の曲がほぼリアルタイムの速度で出力されます。YuE2 チームのベンチマークでは 6.25 を記録し、MiniMax Music 3 にわずかに及ばず、別配布の MuLaCover モデルは CC BY-NC です。

    • HeartMuLa
    • 3.94B
    • Apache 2.0 (パーミッシブ)
    • 26 GB から
  5. Stable Audio 3 EN

    Stability AI の器楽曲・効果音モデルファミリー。Medium は約 8 GB の GPU メモリで最長 6 分 20 秒を生成し、Small モデルはノート PC の CPU で動きます。年間売上高が 100 万米ドルを超えると商用利用は有料になり、リポジトリは申請制です。

    • Stability AI
    • 1.4B
    • Stability Community (条件付き)
    • 4.02 GB から
  6. Magenta RealTime 2 EN

    Google のライブ演奏モデル。曲を書くのではなく演奏するタイプで、48 kHz ステレオをフレームごとにストリーミングし、テキスト・音声・MIDI に約 200 ミリ秒で反応します。Small はどの Apple Silicon MacBook でも動き、Base には M3 Pro、M2 Max 以上が必要です。重みは CC BY 4.0 です。

    • Google DeepMind
    • 2.4B
    • CC BY 4.0 (パーミッシブ)
    • 2.53 GB から
  7. MOSS-SoundEffect v2.0 EN

    OpenMOSS の Apache 2.0・1.3B のテキスト→効果音モデル。英語または中国語のプロンプトから、環境音、生物の声、動作音を最長 30 秒・48 kHz で生成します。サンプリングは 100 ステップで、ベンチマークと VRAM の数値は公表されていません。

    • OpenMOSS
    • 1.3B
    • Apache 2.0 (パーミッシブ)
    • 13 GB から

選定基準

  • 今すぐ開発者の公式リポジトリからダウンロードできるオープンウェイト。
  • コードだけでなく重み自体のライセンス。音楽モデルは売上上限、クレジット表示、非商用条項を付け加えることが多いです。
  • モデルが作るもの。ボーカル付き歌曲、器楽、ライブ配信、効果音は別の仕事なので、それぞれ分けて説明します。
  • 音質は好みの問題なので、聴感順に並べず、機能・長さ・ハードウェアを説明します。ベンチマーク点数は開発者自身の評価であることを明記しています。