YuE: Escalando Modelos de Fundación Abiertos para la Generación de Música de Larga Duración

YuE: Scaling Open Foundation Models for Long-Form Music Generation

March 11, 2025

Autores: Ruibin Yuan, Hanfeng Lin, Shuyue Guo, Ge Zhang, Jiahao Pan, Yongyi Zang, Haohe Liu, Yiming Liang, Wenye Ma, Xingjian Du, Xinrun Du, Zhen Ye, Tianyu Zheng, Yinghao Ma, Minghao Liu, Zeyue Tian, Ziya Zhou, Liumeng Xue, Xingwei Qu, Yizhi Li, Shangda Wu, Tianhao Shen, Ziyang Ma, Jun Zhan, Chunhui Wang, Yatian Wang, Xiaowei Chi, Xinyue Zhang, Zhenzhu Yang, Xiangzhou Wang, Shansong Liu, Lingrui Mei, Peng Li, Junjie Wang, Jianwei Yu, Guojian Pang, Xu Li, Zihao Wang, Xiaohuan Zhou, Lijun Yu, Emmanouil Benetos, Yong Chen, Chenghua Lin, Xie Chen, Gus Xia, Zhaoxiang Zhang, Chao Zhang, Wenhu Chen, Xinyu Zhou, Xipeng Qiu, Roger Dannenberg, Jiaheng Liu, Jian Yang, Wenhao Huang, Wei Xue, Xu Tan, Yike Guo

cs.AI

Resumen

Abordamos la tarea de generación de música de larga duración—específicamente el desafiante problema de convertir letras en canciones—mediante la introducción de YuE, una familia de modelos fundacionales abiertos basados en la arquitectura LLaMA2. En concreto, YuE escala a billones de tokens y genera hasta cinco minutos de música mientras mantiene la alineación lírica, una estructura musical coherente y melodías vocales atractivas con acompañamiento adecuado. Esto se logra a través de (1) predicción de siguiente token desacoplada por pista para superar señales de mezcla densa, (2) condicionamiento progresivo estructural para la alineación lírica en contextos largos, y (3) una receta de preentrenamiento multitarea y multifase para converger y generalizar. Además, rediseñamos la técnica de aprendizaje en contexto para la generación de música, permitiendo transferencia de estilo versátil (por ejemplo, convertir el city pop japonés en un rap en inglés mientras se preserva el acompañamiento original) y generación bidireccional. Mediante una evaluación exhaustiva, demostramos que YuE iguala o incluso supera a algunos sistemas propietarios en musicalidad y agilidad vocal. Además, el ajuste fino de YuE permite controles adicionales y un mejor soporte para lenguajes minoritarios. Más allá de la generación, mostramos que las representaciones aprendidas por YuE funcionan bien en tareas de comprensión musical, donde los resultados de YuE igualan o superan a los métodos de vanguardia en el benchmark MARBLE. Palabras clave: letras a canción, generación de canciones, larga duración, modelo fundacional, generación de música.

English

We tackle the task of long-form music generation--particularly the challenging lyrics-to-song problem--by introducing YuE, a family of open foundation models based on the LLaMA2 architecture. Specifically, YuE scales to trillions of tokens and generates up to five minutes of music while maintaining lyrical alignment, coherent musical structure, and engaging vocal melodies with appropriate accompaniment. It achieves this through (1) track-decoupled next-token prediction to overcome dense mixture signals, (2) structural progressive conditioning for long-context lyrical alignment, and (3) a multitask, multiphase pre-training recipe to converge and generalize. In addition, we redesign the in-context learning technique for music generation, enabling versatile style transfer (e.g., converting Japanese city pop into an English rap while preserving the original accompaniment) and bidirectional generation. Through extensive evaluation, we demonstrate that YuE matches or even surpasses some of the proprietary systems in musicality and vocal agility. In addition, fine-tuning YuE enables additional controls and enhanced support for tail languages. Furthermore, beyond generation, we show that YuE's learned representations can perform well on music understanding tasks, where the results of YuE match or exceed state-of-the-art methods on the MARBLE benchmark. Keywords: lyrics2song, song generation, long-form, foundation model, music generation