2026 年最佳开源音乐与音效生成模型

开放的音乐生成模型在 2026 年进步很快。现在有好几个模型能在一块游戏显卡上写出带人声的完整歌曲,一个模型能把音乐实时流式输出到 MacBook,还有两个能把一句话变成音效。音质因人而异,许可证的差别很大:ACE-Step 和 HeartMuLa 比较宽松,YuE2 只能非商业使用,MiniMax Music 3 要求署名并在年营收超过 2000 万美元时取得授权,Stable Audio 3 把免费商用限制在 100 万美元以内。请先看清许可证这一行,并就版权问题咨询律师,因为各开发者对训练数据的说明程度很不一样。

  • 榜单更新于 2026年11月11日
  1. MiniMax Music 3 规模最大

    MiniMax 的 11.1B 歌曲模型:输入歌词和风格描述,输出最长五分钟、32 kHz 立体声、带人声的歌曲。BF16 下能放进 24 GB 的 GPU,许可证要求产品标注模型名称,年营收超过 2000 万美元的公司需要书面授权。

    • MiniMax
    • 11.1B
    • MiniMax Music3 Community (附条件)
    • 约 24 GB 起
  2. YuE2 最新

    M-A-P 的 3.6B 模型,先写出可编辑的乐谱,再渲染 48 kHz 的人声和伴奏。在 YuE2 团队自己的基准里它得分 6.73,低于 Suno v5 的 6.87,但领先该表里的其他开放模型;权重是 CC BY-NC,模型卡要求 24 GB 显存的 GPU。

    • M-A-P
    • 3.63B
    • CC BY-NC (非商用)
    • 约 24 GB 起
  3. ACE-Step 1.5 最佳小模型

    ACE Studio 和阶跃星辰的 MIT 许可证模型:几秒钟生成完整歌曲,2B turbo DiT 约 4 GB 显存即可运行,支持翻唱、局部重绘和 50 多种语言的歌词。截至 2026 年 11 月 11 日的 30 天里,Hugging Face 统计到主仓库约 9.7 万次下载,ComfyUI 团队重新打包的副本约 81.6 万次;YuE2 团队的基准把它的质量排在 YuE2 和 MiniMax Music 3 之后。

    • ACE-Step
    • 4B
    • MIT (宽松)
    • 约 4 GB 起
  4. HeartMuLa

    HeartMuLa 的 Apache 2.0 歌曲模型,3B 语言模型配合 48 kHz 的 HeartCodec:输入歌词和风格标签,输出最长四分钟的歌曲,生成速度约为实时。YuE2 团队的基准给它打了 6.25 分,略低于 MiniMax Music 3;另外单独发布的 MuLaCover 模型是 CC BY-NC。

    • HeartMuLa
    • 3.94B
    • Apache 2.0 (宽松)
    • 约 26 GB 起
  5. Stable Audio 3

    Stability AI 的器乐和音效模型家族:Medium 约 8 GB 显存就能生成最长 6 分 20 秒,Small 模型能在笔记本 CPU 上运行。年营收达到 100 万美元后不再免费商用,仓库需申请访问。

    • Stability AI
    • 1.4B
    • Stability Community (附条件)
    • 约 4.02 GB 起
  6. Magenta RealTime 2

    谷歌的实时音乐模型,它是演奏而不是写歌:逐帧流式输出 48 kHz 立体声,约 200 毫秒内响应文字、音频和 MIDI。Small 能在任何 Apple Silicon 的 MacBook 上运行,Base 需要 M3 Pro 或 M2 Max 及以上,权重采用 CC BY 4.0。

    • Google DeepMind
    • 2.4B
    • CC BY 4.0 (宽松)
    • 约 2.53 GB 起
  7. MOSS-SoundEffect v2.0

    OpenMOSS 的 Apache 2.0、1.3B 文字转音效模型:根据中英文提示生成环境音、生物声和动作声,最长 30 秒、48 kHz。它用 100 步采样,没有公布基准和显存数字。

    • OpenMOSS
    • 1.3B
    • Apache 2.0 (宽松)
    • 约 13 GB 起

我们如何筛选

  • 现在就能从开发者官方仓库下载的开放权重。
  • 写明权重的许可证,而不只是代码的许可证,因为音乐模型常常附加营收上限、署名要求或非商业条款。
  • 模型生成什么:带人声的歌曲、器乐、实时流式音乐和音效是不同的任务,所以分开介绍。
  • 音质因人而异,所以我们介绍功能、时长和硬件要求,而不是按听感排名。基准分数都标明是开发者自己的评测。