Os melhores modelos de código aberto de música e som em 2026
A geração aberta de música avançou rápido em 2026. Vários modelos já escrevem músicas completas com vocais em uma única GPU de jogo, um transmite música ao vivo para um MacBook e dois transformam uma frase em efeito sonoro. A qualidade depende do gosto e as licenças variam muito: ACE-Step e HeartMuLa são permissivas, YuE2 é não comercial, MiniMax Music 3 pede crédito e autorização acima de 20 milhões de dólares por ano, e Stable Audio 3 limita o uso comercial gratuito a 1 milhão de dólares. Leia com atenção a linha da licença e consulte um advogado sobre direitos autorais, porque os desenvolvedores descrevem seus dados de treinamento em graus muito diferentes.
-
MiniMax Music 3 Maior EN
O modelo de canções de 11.1B da MiniMax: você entra com a letra e uma descrição de estilo, e sai com até cinco minutos de estéreo a 32 kHz com vocais. Cabe em uma GPU de 24 GB em BF16, e a licença pede que produtos mostrem o nome do modelo e que empresas acima de 20 milhões de dólares por ano obtenham autorização por escrito.
-
YuE2 Mais recente EN
O modelo de 3.6B da M-A-P escreve antes uma partitura editável e depois renderiza vocais e acompanhamento a 48 kHz. No benchmark próprio da equipe YuE2, pontua 6,73 contra 6,87 do Suno v5 e fica à frente dos demais modelos abertos da tabela, mas os pesos são CC BY-NC e a ficha pede uma GPU de 24 GB.
-
ACE-Step 1.5 Melhor modelo pequeno
O modelo sob licença MIT da ACE Studio e StepFun: músicas completas em segundos, a partir de cerca de 4 GB de VRAM com o 2B turbo DiT, com covers, repintura e letras em mais de 50 idiomas. A Hugging Face contou cerca de 97 mil downloads do repositório principal e 816 mil da cópia do ComfyUI nos 30 dias até 11 de novembro de 2026, e o benchmark da equipe YuE2 coloca sua qualidade abaixo de YuE2 e MiniMax Music 3.
-
HeartMuLa EN
O modelo de canções da HeartMuLa sob Apache 2.0, com um modelo de linguagem de 3B e o HeartCodec de 48 kHz: entra letra e tags de estilo, e saem canções de até quatro minutos em velocidade quase em tempo real. O benchmark da equipe YuE2 dá 6,25, logo abaixo do MiniMax Music 3, e o modelo separado MuLaCover é CC BY-NC.
-
Stable Audio 3 EN
A família de música instrumental e efeitos sonoros da Stability AI: o Medium chega a 6 min 20 s com cerca de 8 GB de memória de GPU, e os modelos Small rodam na CPU de um laptop. O uso comercial gratuito termina em 1 milhão de dólares de receita anual, e os repositórios exigem solicitação de acesso.
-
Magenta RealTime 2 EN
O modelo de música ao vivo da Google, que interpreta em vez de compor: transmite estéreo a 48 kHz quadro a quadro e reage a texto, áudio e MIDI em cerca de 200 ms. O Small roda em qualquer MacBook com Apple Silicon, o Base quer uma M3 Pro, M2 Max ou melhor, e os pesos são CC BY 4.0.
-
MOSS-SoundEffect v2.0 EN
O modelo de texto para efeitos sonoros de 1.3B da OpenMOSS sob Apache 2.0: ambientes, criaturas e ações de até 30 segundos a 48 kHz, a partir de prompts em inglês ou chinês. Usa 100 passos de amostragem e não publica benchmark nem cifra de VRAM.
Como escolhemos
- Pesos abertos que você pode baixar hoje do repositório oficial do desenvolvedor.
- A licença dos pesos, e não só a do código, porque modelos de música costumam acrescentar limites de receita, crédito ou termos não comerciais.
- O que cada modelo produz: canções com vocais, música instrumental, streaming ao vivo ou efeitos sonoros são tarefas diferentes, então são descritos separadamente.
- Qualidade é questão de gosto, então descrevemos funções, durações e hardware em vez de classificar pelo som. As pontuações de benchmark são rotuladas como do próprio desenvolvedor.