Лучшие open-source модели для генерации музыки и звука в 2026 году

Открытая генерация музыки в 2026 году шагнула далеко вперёд. Несколько моделей уже пишут полноценные песни с вокалом на одной игровой GPU, одна стримит музыку в реальном времени на MacBook, а две превращают фразу в звуковой эффект. Качество — дело вкуса, а лицензии сильно различаются: ACE-Step и HeartMuLa мягкие, YuE2 — только для некоммерческого использования, MiniMax Music 3 требует указания модели и разрешения при обороте свыше 20 млн долларов США в год, Stable Audio 3 ограничивает бесплатное коммерческое использование 1 млн долларов. Внимательно читайте строку лицензии и по авторским правам консультируйтесь с юристом: разработчики описывают свои обучающие данные с очень разной степенью подробности.

  • Список обновлён 11 ноября 2026 г.
  1. MiniMax Music 3 Самая крупная EN

    Песенная модель MiniMax на 11.1B: на входе текст и описание стиля, на выходе — до пяти минут стерео 32 кГц с вокалом. В BF16 помещается на GPU с 24 ГБ, а лицензия требует, чтобы продукты указывали имя модели, а компании с оборотом свыше 20 млн долларов США в год получали письменное разрешение.

    • MiniMax
    • 11.1B
    • MiniMax Music3 Community (С условиями)
    • от 24 GB
  2. YuE2 Самая новая EN

    Модель M-A-P на 3.6B сначала записывает редактируемую партитуру, а затем рендерит вокал и аккомпанемент в 48 кГц. В собственном бенчмарке команды YuE2 она набирает 6,73 против 6,87 у Suno v5 и опережает остальные открытые модели в этой таблице, но веса — CC BY-NC, а карточка требует GPU с 24 ГБ.

    • M-A-P
    • 3.63B
    • CC BY-NC (Некоммерческая)
    • от 24 GB
  3. ACE-Step 1.5 Лучшая небольшая модель

    Модель под лицензией MIT от ACE Studio и StepFun: полные песни за секунды, примерно от 4 ГБ VRAM для 2B turbo DiT, с каверами, перекраской (repainting) и текстами более чем на 50 языках. Hugging Face насчитала около 97 000 загрузок основного репозитория и 816 000 копии ComfyUI за 30 дней по 11 ноября 2026 года, а бенчмарк команды YuE2 ставит её качество ниже YuE2 и MiniMax Music 3.

    • ACE-Step
    • 4B
    • MIT (Пермиссивная)
    • от 4 GB
  4. HeartMuLa EN

    Песенная модель HeartMuLa под Apache 2.0 с языковой моделью на 3B и HeartCodec на 48 кГц: на входе текст и теги стиля, на выходе — песни до четырёх минут со скоростью, близкой к реальному времени. В бенчмарке команды YuE2 она набирает 6,25 — совсем немного не дотянув до MiniMax Music 3, а отдельно распространяемая модель MuLaCover — CC BY-NC.

    • HeartMuLa
    • 3.94B
    • Apache 2.0 (Пермиссивная)
    • от 26 GB
  5. Stable Audio 3 EN

    Семейство инструментальной музыки и звуковых эффектов от Stability AI: Medium создаёт до 6 мин 20 с при примерно 8 ГБ памяти GPU, а модели Small работают на процессоре ноутбука. Бесплатное коммерческое использование заканчивается на 1 млн долларов США годовой выручки, а репозитории закрыты по заявке.

    • Stability AI
    • 1.4B
    • Stability Community (С условиями)
    • от 4.02 GB
  6. Magenta RealTime 2 EN

    Модель живой музыки от Google, которая скорее исполняет, чем сочиняет: она стримит стерео 48 кГц кадр за кадром и реагирует на текст, аудио и MIDI примерно за 200 мс. Small работает на любом MacBook с Apple Silicon, Base требует M3 Pro, M2 Max или лучше, а веса — под CC BY 4.0.

    • Google DeepMind
    • 2.4B
    • CC BY 4.0 (Пермиссивная)
    • от 2.53 GB
  7. MOSS-SoundEffect v2.0 EN

    Модель OpenMOSS на 1.3B для генерации звуковых эффектов из текста под Apache 2.0: атмосфера, существа и действия до 30 секунд при 48 кГц из промптов на английском или китайском. Использует 100 шагов сэмплирования и не публикует ни бенчмарков, ни цифр VRAM.

    • OpenMOSS
    • 1.3B
    • Apache 2.0 (Пермиссивная)
    • от 13 GB

Как мы выбирали

  • Открытые веса, которые можно скачать уже сегодня из официального репозитория разработчика.
  • Лицензия именно весов, а не только кода: музыкальные модели часто добавляют потолок выручки, требование указания авторства или некоммерческие условия.
  • Что создаёт модель: песни с вокалом, инструментальная музыка, живой стриминг и звуковые эффекты — разные задачи, поэтому описаны отдельно.
  • Качество — дело вкуса, поэтому мы описываем функции, длительность и железо вместо ранжирования по звучанию. Очки бенчмарков помечены как оценки самих разработчиков.