基于歌词生成整首歌的开源AI音乐模型，支持中、英、日、韩等多种语言，本地化部署YuE（windows篇）

说起文生音乐，我们自然会想到suno.ai这个音乐生成式平台，它算是目前市面上音乐生成式比较好的AI项目，虽然它是闭源的。

然而，一款由Multimodal Art Projection(M-A-P)（多模态艺术投影）团队与香港科技大学（HKUST）联合研发的YuE开源了，它是根据歌词生成整首歌的开源AI音乐模型。

YuE的开源，着实在开发者社区掀起了一阵热潮，但也给了AI浪潮中的文生音乐助推了不小波澜。

YuE 是一系列开创性的开源基础模型，专为音乐生成而设计，专门用于将歌词转换成完整的歌曲（lyrics2song）。它可以生成一首完整的歌曲，持续几分钟，包括朗朗上口的声乐曲目和伴奏曲目。YuE 能够模拟多种流派/语言/声乐技巧。请访问演示页面，了解令人惊叹的声乐表演。

概述

YuE项目地址：https://github.com/multimodal-art-projection/YuE 。

按照官方描述：

YuE 需要大量 GPU 来生成长序列。以下是推荐的配置：

对于具有 24GB 或更少的 GPU：运行最多 2 个会话以避免内存不足 (OOM) 错误。

对于完整的歌曲生成（许多会话，例如 4 个或更多）：使用具有至少 80GB 的 GPU。即 H800、A100 或具有张量并行的多个 RTX4090。

要自定义会话数，界面允许您指定所需的会话数。默认情况下，模型运行 2 个会话（1 节 + 1 合唱）以避免 OOM 问题。

在 H800 GPU 上，生成 30 秒的音频需要 150 秒。在 RTX 4090 GPU 上，生成 30 秒的音频大约需要 360 秒。

社区提供了对于 GPU 资源有限的人，有 YuE-exllamav2 和 YuEGP。虽然两者都提高了生成速度和连贯性，但它们可能会损害音乐性。

YuEGP github地址：https://github.com/deepbeepmeep/YuEGP 。

YuE-exllamav2 github地址： https://github.com/sgsdxzy/YuE-exllamav2。

本地部署 YuEGP

我先在本地部署社区提供的低显存占用的YuEGP。

clone 推理代码

我们我先把推理代码clone下来。

git lfs install
git clone https://github.com/deepbeepmeep/YuEGP/

cd YuEGP/inference/
git clone https://huggingface.co/m-a-p/xcodec_mini_infer

创建虚拟环境

随后，我们使用python3自带的venv来创建虚拟环境，当然咯，你也是可以使用anaconda或miniconda来搭建python虚拟环境。

python -m venv YuEGP-env
cd YuEGP-env/Scripts
activate

安装GPU版的torch

设置清华源镜像

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

安装CUDA对应版本的torch。

pip install torch==2.5.1 torchvision torchaudio --index-url https://download.pytorch.org/whl/test/cu124

安装 FlashAttention 2

虽然官方说这个是可选的，但是你不安装这个，是运行不起来的，因为代码中有使用了flashAttention2。

在安装flashAttention2之前，你得保证你安装的CUDA版本是在12.4以上。

在 阿里云开源的文生视频万相 Wan2.1之本地部署Wan2.1-T2V-1.3B模型 中有介绍该如何在windows中安装，如果你是第一次安装的话，可以参考这篇文章，这里就不再赘述了。

安装项目所需的依赖

pip install -r requirements.txt

下载模型

国内可访问的：https://hf-mirror.com/collections/m-a-p/yue-6797d55e22990ae89b90a3d6。

下载的模型存放于inference/m-a-p目录。

运行项目

cd inference
python gradio_server.py

打开你常用的浏览器，在地址栏输入127.0.0.1:7860.

可以调整参数来加速生成。