RTX 5070 Ti 16GBでYuE2をComfyUI実機検証！ABC Planningで歌声は良くなる？MiniMax Music 3との違いも確認

2026年9月、新しい音楽生成AI YuE2 が公開されました。

YuE2で特に面白いのが、単純に「プロンプトから音楽を生成する」だけではなく、先にABC形式のメロディー・コード構成を作り、それをもとに完成した音楽を生成できることです。

公式環境ではBF16対応NVIDIA GPUと24GB VRAMが基準とされていますが、ComfyUIにはINT8版YuE2を利用する公式ワークフローが用意されています。

今回は手元の RTX 5070 Ti 16GB で実際に動かし、以前試したMiniMax Music 3とも比較しながら挙動を確認しました。

結果から先に書くと、

RTX 5070 Ti 16GBでもYuE2は動作しました。

そして音質もかなり良かったのですが、実際に使ってみると「ABC Planningを使うかどうか」でかなり性格の違うモデルになることが分かりました。

今回の検証環境

今回使用した環境は以下です。

項目	環境
OS	Windows 11
GPU	NVIDIA GeForce RTX 5070 Ti 16GB
ComfyUI	Windows Portable版
ComfyUIバージョン	0.37.0
PyTorch	2.13.0 + CUDA 13.0
YuE2モデル	yue2_3b_int8_convrot.safetensors
VRAM	16GB

ComfyUI公式のYuE2テンプレートでは、Style、Lyrics、ABC Planning、Max Durationなどを設定して生成できます。

ABC PlanningをONにすると、まずメロディーとコードを含むABC譜面を生成してから音声を作成します。

OFFではABCによる事前計画を行わず、StyleとLyricsから直接音楽を生成します。

まずComfyUIを最新版へ更新

YuE2は比較的新しく追加された機能なので、古いComfyUIでは公式テンプレートや必要なノードが表示されない場合があります。

そのため、導入前にComfyUIを最新版へ更新しておきます。

Windows Portable版を使用している場合は、ComfyUIフォルダ内の次のファイルを実行して更新できます。

update\update_comfyui.bat

更新後にComfyUIを再起動し、テンプレート一覧からYuE2のText to Musicワークフローが利用できることを確認します。

今回の環境では、更新後にComfyUI 0.37.0となり、YuE2公式テンプレートを利用できました。

16GB環境ではINT8モデルを使用

今回使用したのは、

yue2_3b_int8_convrot.safetensors

です。

保存場所は、

D:\ComfyUI_windows_portable
└─ ComfyUI
   └─ models
      └─ checkpoints
         └─ yue2_3b_int8_convrot.safetensors

です。

ComfyUI公式テンプレートでも、このINT8 ConvRotモデルが使用されています。

RTX 5070 Ti 16GB環境でも、今回の検証では正常に生成できました。

まず幻想的なボーカル曲を生成

今回は、民族音楽・儀式的な雰囲気・幻想的なゲーム音楽をイメージした曲で試しました。

Styleには、主に次のような要素を指定しています。

• 女性ボーカル
• 女性合唱
• ハープ
• 木管
• ストリングス
• 民族打楽器
• 電子的なアンビエンス

歌詞は日本語を中心に、一部に架空言語風のフレーズを加えました。

最初の60秒テストで使用した歌詞

最初に試した歌詞全文は以下です。

[Verse]
遠い空に眠る声
風は静かに名を呼んで
忘れられた星の記憶
この手の中で目を覚ます

[Chorus]
Aeria solenne, mira eluna
光よ　深い夜を越えて
Aeria selena, ora lumina
失くした世界をもう一度

[Verse]
水の底に沈む祈り
時の彼方へ響いてゆく
誰も知らない古い歌を
私は今も覚えている

[Bridge]
ひとつの声が空へ昇り
幾千の声へと重なる
終わりの先にある朝を
信じて歌い続けよう

[Chorus]
Aeria solenne, mira eluna
光よ　深い夜を越えて
Aeria selena, ora lumina
新しい世界を照らして

[Outro]
Aeria
Lumina
遠い空へ

この歌詞を使い、最初は60秒で生成しました。

しかし、60秒を使って実際に進んだのは、まだ最初のVerseの、

遠い空に眠る声
風は静かに名を呼んで
忘れられた星の記憶
この手の中で……

あたりまででした。

歌詞全文と比べると、まだ本当に冒頭部分です。

音質自体はかなり良かったのですが、曲の進行は想像以上にゆっくりでした。

そこで max_duration を180秒まで増やしましたが、それでも最後のOutro付近で上限に達し、曲が途中で切れてしまいました。

比較用に歌詞を短縮して3分生成へ

60秒テストで使った歌詞のままでは比較しづらかったため、その後のABC Planning ON/OFF比較では歌詞を短縮しました。

比較用に使用した歌詞はこちらです。

[Verse]
遠い空に眠る声
風は静かに名を呼ぶ
忘れられた星の記憶
この手の中で目を覚ます

[Chorus]
Aeria solenne, mira eluna
光よ　夜を越えて
Aeria selena, ora lumina
世界をもう一度照らして

[Verse]
水の底に眠る祈り
時を越えて響いてゆく
忘れられた古い歌を
私は今も覚えている

[Chorus]
Aeria solenne, mira eluna
光よ　夜を越えて
Aeria selena, ora lumina
新しい朝を照らして

[Outro]
Aeria
Lumina
遠い空へ

以降の2分51秒、2分57秒、2分54秒の比較は、この短縮版を使っています。

ABC Planning OFFでは2分51秒で完走

まず、ABC PlanningをOFFにして180秒上限で生成しました。

すると今度はOutroまで歌い切り、

2分51秒

で自然に終了しました。

180秒を指定しても必ず3分になるわけではなく、モデル側が曲を完結できた時点で終了するようです。

また、ABC Planning ON版と比べると、OFF版はイントロがかなり短くなりました。

そのため「テンポそのものが速くなった」というより、

イントロに使う時間が減ったことで、歌詞全体が3分以内に収まった

という印象でした。

試聴1：ABC Planning OFF版（2分51秒）

まずはこちらがABC PlanningをOFFにして一発生成した曲です。

ただしボーカル品質はABC Planning ONの方が良かった

興味深かったのは音質です。

同じSeedを使ってABC Planning ON/OFFを比較したところ、曲調にはある程度共通点がありました。

しかし、特に女性ボーカルの自然さはON版の方が明確に良いと感じました。

OFF版でも普通に聴ける品質ですが、ON版は歌い回しやフレーズのつながりがより自然です。

YuE2ではABC Planningを使うことで、完成音声を生成する前にメロディーやコードなどの楽曲構造を一度設計します。

実際に聴き比べてみると、この事前設計がボーカル品質にもかなり影響しているように感じました。

問題はABC Planning ONだと今回の曲では長くなったこと

品質だけならONを使いたいのですが、今回の条件ではイントロが長くなり、その後の楽曲構成にも余裕を取るため、3分ではOutroまで入りませんでした。

そこで、YuE2最大の特徴であるABCの直接編集を試します。

生成されたABCはComfyUIのサブグラフ内にある PreviewAny から確認できます。

中には次のような情報が入っています。

M:2/4
L:1/32
Q:1/4=84
V: Vocal
V: Ins
K:D#m
% intro

ここには、

• 拍子
• テンポ
• キー
• Vocal
• Instrumental
• Intro
• Verse
• Chorus
• Interlude
• Outro

などの情報が記録されています。

つまりYuE2では、「なぜ曲が長くなったのか」をある程度譜面として確認できます。

実際にABCを調べると、3分を超える譜面だった

今回生成されたABCを確認すると、

M:2/4
Q:1/4=84

となっていました。

つまり2/4拍子、84 BPMです。

ABC全体を確認すると、曲はおよそ143小節ありました。

2/4拍子・84 BPMの場合、単純計算では1小節が約1.43秒なので、143小節では約204秒、つまり約3分24秒になります。

さらにIntroにもかなり多くの小節が割り当てられていました。

つまり今回のABC Planningでは、

180秒という生成上限より長い楽曲構成そのものが先に作られていた

ことになります。

Outroが始まる位置も3分付近だったため、実際の生成結果が最後まで収まらなかった理由も、ABCを見るとかなり納得できました。

ABCのイントロだけ短縮して再生成

そこで、ABC Planning ONで生成された譜面をコピーし、イントロだけ短縮しました。

ComfyUI公式テンプレートのサブグラフ内には、

Text (Empty ABC)

という入力欄があります。

そこへ編集済みABCを貼り付けます。

今回の場合は、

高品質だったON版のVerse・Chorus・Outroはそのまま残し、長すぎるIntroだけ短縮

しました。

イントロを8小節程度まで削減し、その編集済みABCを使って再生成しました。

結果は、

2分57秒

でした。

Outroまで最後まで収まり、全体的な仕上がりもABC Planning ONでそのまま生成したものと概ね同程度でした。

今回生成した中では、この2分57秒版が最も自然な仕上がりだと感じました。

試聴2：ABC Planning ONで生成したABCのIntroだけ短縮（2分57秒）

今回の検証で、個人的に最も完成度が高いと感じたバージョンです。

ABC Planning ONで得られたボーカルの自然さを概ね維持しながら、長すぎたイントロだけをABC上で短縮しています。

「ONでABC作成 → ABC編集 → 再生成」がかなり有効

ここまでの結果を整理すると、ABC Planning ONでは、

ボーカル品質は良い
↓
ただし自動生成された曲が3分に収まらない

という問題がありました。

それに対して、

ABC Planning ONでABCを生成
↓
生成されたABCをコピー
↓
Introだけ短縮
↓
編集済みABCから再生成
↓
2分57秒でOutroまで完走

という方法で改善できました。

今回の検証では、この使い方がYuE2の一番面白い部分だと感じました。

単純な「プロンプトから完成曲を一発生成」だけではなく、

AIに一度曲を設計させ、その設計を人間側で少し調整してから完成音源を作る

という使い方ができます。

日本語歌詞が曖昧になる箇所もあった

2分57秒版では全体的な品質は良かったのですが、

遠い空に眠る声

と、

水の底に眠る祈り

の2か所が、かなり曖昧に歌われました。

興味深いことに、この2つはどちらもVerse冒頭で、ABC上でも同じメロディーが使われていました。

そこで、該当部分の音符を少し単純化してみました。

短い音符を減らし、歌い出しに少し休符を追加します。

すると今度は、

2分54秒

の曲が生成されました。

狙った「遠い空に眠る声」と「水の底に眠る祈り」は、前回より明瞭になりました。

ただしABCを少し触るだけでも完成曲は結構変化する

発音自体は改善しましたが、今度はその直後の歌詞へ少し無理やり繋げるような歌い方になりました。

さらに、ABC上では変更していないOutroの印象まで前回とは結構違いました。

ここは重要です。

YuE2のABC編集は、DAWで音声の一部分だけを切り貼りするような編集ではありません。

編集したABCを条件として、曲全体をもう一度生成します。

そのため、ほんの数小節を変更しただけでも、

• ボーカルの歌い方
• 音色
• 歌詞のつながり
• 曲全体の雰囲気
• Outroの終わり方

などまで変化することがあります。

試聴3：Verse冒頭のABCも修正した版（2分54秒）

「遠い空に眠る声」「水の底に眠る祈り」の発音改善を狙って、Verse冒頭のABCも少し修正したバージョンです。

対象部分の発音は前より明瞭になりましたが、その後の歌詞へのつながりやOutroの印象まで変化しました。

2分57秒版と2分54秒版を聴き比べると、ABCの一部分を変更しただけでも、完成した音源全体が完全には固定されないことが分かりやすいと思います。

日本語歌詞をABCで細かく修正するのは少し難しい

今回の実験では、メロディーを単純化すると発音自体は改善しました。

一方で、その後の歌詞との接続まで完全にコントロールできるわけではありませんでした。

実際に使った印象では、ABC編集は、

• Introを短くする
• Interludeを削る
• Outroを整理する
• BPMを変更する
• コード進行を変更する
• 楽曲全体の構成を調整する

といった構成レベルの編集に向いていると感じます。

反対に、

• 特定の日本語一語だけ修正する
• 元の歌唱ニュアンスを完全に維持する
• 一部分だけをピンポイントで差し替える

といった用途は、現状ではかなり難しいと感じました。

最終的には、Verseの音符まで修正した2分54秒版より、

Introだけ短縮した2分57秒版の方が、曲全体としては自然な仕上がり

だと感じました。

歌詞を空にしてもBGMにならないことがある

ゲーム用途ではボーカルなしのBGMも重要なので、Lyricsを空欄にして、Style側には「Instrumental」「no vocals」「no choir」などを指定して試しました。

しかし、普通にボーカルが入ることがありました。

これは以前試したMiniMax Music 3でも似た傾向がありました。

つまり今回の検証では、YuE2もMiniMax Music 3も、

「Lyricsを空にしてInstrumentalと指定すれば、必ず完全なインスト曲になる」

とは言えない結果でした。

ゲーム用BGMを作りたい場合、この点は少し注意が必要です。

YuE2の場合はABCそのものを編集できるため、Vocal側を休符中心にするなど、譜面側から調整する余地はあります。

MiniMax Music 3との違い

今回の実機検証で一番大きな違いだと感じたのは、やはりYuE2では中間の楽曲構造をABCとして確認・編集できることです。

MiniMax Music 3も完成した音楽を一発生成する能力が高いモデルです。

一方、YuE2では、

Style + Lyrics
↓
ABCによるメロディー・コード設計
↓
譜面を確認
↓
必要なら編集
↓
完成音源を生成

という工程を取れます。

今回実際に、

ABC Planning ON
↓
ボーカル品質は良い
↓
しかし3分に収まらない

という問題に対して、

生成されたABCをコピー
↓
Introだけ短縮
↓
再生成
↓
2分57秒で完走

まで持っていくことができました。

これはYuE2ならではの面白さです。

一方で、ABCを少し変更するだけでも完成音源全体が変化するため、

「元の音源を固定したまま一部分だけ修正できる」

と考えると、実際の挙動とは少し違います。

ABC PlanningはONとOFF、どちらを使うべき？

今回の結果だけを見るなら、用途によって使い分けるのが良さそうです。

項目	ABC Planning ON	OFF
ボーカル自然さ	◎	○
イントロ	今回の生成では長め	短め
3分以内の完走	自動ABCでは失敗	2分51秒で成功
ABC編集	可能	事前計画なし
一発生成の手軽さ	○	◎
楽曲構成の追い込み	◎	△

今回最も完成度が高かったのは、

ABC Planning ONで一度譜面を作り、Introだけ短縮して再生成した2分57秒版

でした。

一発生成の手軽さではOFFが便利ですが、品質を重視するなら、

ONでABCを作成 → 必要な部分だけ構成を編集 → 再生成

という使い方がかなり有力だと思います。

YuE2とMiniMax Music 3は商用利用できる？

ここは少し注意が必要です。

2026年9月時点では、YuE2もMiniMax Music 3も、単純に「商用利用は全面禁止」というライセンスではありません。

YuE2

YuE2のモデルウェイトは CC BY-NC 4.0 をベースとしています。

一方、公式には追加のCreator Permissionが示されており、個人ユーザー、コンテンツクリエイター、ミュージシャンについては、YuE2で生成した出力を収益化でき、YuE2側へ料金やロイヤリティを支払う必要はないとされています。

クレジット表記は推奨されていますが、追加のCreator Permission上では任意とされています。

一方で、企業がYuE2のモデルウェイトを商用利用する場合は、商用ライセンスについて開発元へ確認する必要があります。

そのため「モデルウェイトのライセンス」と「生成された楽曲をクリエイターが利用する場合」は分けて確認した方がよいでしょう。

MiniMax Music 3

MiniMax Music 3はCommunity Licenseで提供されており、商用利用に関する条件も定められています。

モデルを使用する商用製品・サービスでは「MiniMax-Music3」を目立つ形で表示することが求められており、対象製品・サービスの年間売上が2,000万米ドルを超える場合には、MiniMaxから事前の書面による許可を取得する必要があります。

また、公開環境へ機械生成コンテンツを出す場合の表示に関する条件も含まれています。

したがって、どちらも「商用利用OKだから条件を確認せず何にでも使える」という意味ではありません。

実際にゲーム販売、楽曲販売、動画収益化、サービスへの組み込みなどを行う場合は、その時点の公式ライセンスを改めて確認することをおすすめします。

また、AIモデル側のライセンスとは別に、既存楽曲や既存アーティストなど第三者の権利を侵害しないよう注意する必要があります。

まとめ

YuE2はRTX 5070 Ti 16GBでも、ComfyUIのINT8版を使うことで実際に動作しました。

そして今回かなり印象的だったのが、ABC Planningです。

単純な一発生成だけを見ると、Planning OFFの方が3分以内へ綺麗に収まりました。

しかし歌唱品質はPlanning ONの方が明確に良く、さらに生成されたABCを編集することで、

ONの品質を概ね保ったまま3分以内へ収める

ところまでできました。

今回の実測では、ABC Planning OFFの場合、

2分51秒
Outroまで完走
ボーカル品質はONよりやや劣る

という結果でした。

一方、ABC Planning ONでは、

ボーカル品質は良い
自動生成ABCが長くなり、3分では最後まで収まらない

となりました。

そして、

ABC Planning ONでABC生成
↓
Introだけ短縮
↓
編集ABCから再生成
↓
2分57秒
↓
Outroまで完走
↓
ONに近い品質

という結果になりました。

さらにVerseのメロディーを少し修正すると、

2分54秒
発音は改善
ただし歌詞のつながりやOutroまで変化

という結果になりました。

このことから、YuE2のABC編集は局所的な音声修正というより、

楽曲構成を調整した上で、新しい完成音源を再生成する仕組み

と考えた方がよさそうです。

現時点でのYuE2は、

「完成曲を一発で出して終わり」より、「AIに曲を作らせ、ABCを確認して構成を少し直して仕上げる」

という使い方にかなり魅力を感じるモデルでした。

RTX 5070 Ti 16GBでも実際に動作したため、ローカル音楽生成AIに興味がある人にはかなり面白い選択肢だと思います。

参考

• YuE2 公式GitHub / YuE2公式ドキュメント
• ComfyUI YuE2公式ワークフロー
• MiniMax Music 3 公式Hugging Face / Community License