O dia em que o Suno perdeu para um computador de casa
Se você já ouviu uma música "feita por IA" em algum Reels, provavelmente ela saiu do Suno. A ferramenta é o nome mais conhecido quando o assunto é gerar música a partir de texto, e cobra assinatura mensal para isso. Só que, no começo de setembro de 2026, um grupo de pesquisa publicou de graça um modelo que, nas medições oficiais, pontua mais alto que o Suno v5 — e roda no seu próprio computador.
O nome dele é YuE2, e vem do time M·A·P (Multimodal Art Projection) em parceria com a HKUST, a NYU, a Stanford, a MBZUAI, a Tokenwave.AI e o ACE Studio. Os pesos saíram em 9 de setembro de 2026, abertos no Hugging Face e com suporte nativo no ComfyUI. Em vez de brigar por qual IA "canta melhor", o YuE2 ataca um problema mais interessante: ele escreve a partitura antes de cantar.
O que é o YuE2, em uma frase
É um modelo de 3,59 bilhões de parâmetros que transforma uma letra e uma descrição de estilo em uma música completa — voz e acompanhamento — de vários minutos, em áudio estéreo de 48 kHz. O antecessor, o YuE original de 2025, já era aberto, mas dividido em dois modelos separados (um de 7 bilhões de parâmetros e outro de 1 bilhão). O YuE2 junta tudo em um modelo só, três vezes menor, e ainda sobe o nível de qualidade.
E aí vem o detalhe que faz produtor musical levantar a sobrancelha: entre "entendi a letra" e "gravei o áudio", o YuE2 passa por uma etapa intermediária. Ele escreve uma partitura simbólica — melodia e acordes, em notação ABC, que não passa de texto puro — e só depois transforma essa partitura em som.
A sacada: a música tem uma planta antes de virar prédio
Quase todos os geradores de música funcionam como máquina de venda automática. Você joga um texto, ela devolve um áudio pronto. Se algo saiu errado, você joga tudo fora e tenta de novo. É lento, é caro e é caótico — e o problema costuma estar escondido no meio de um arquivo de áudio que ninguém consegue abrir e corrigir.
O YuE2 funciona como um arquiteto. Primeiro ele desenha a planta (a partitura), mostrando a melodia de cada trecho e os acordes por baixo. Depois constrói o prédio (o áudio). Isso muda tudo por dois motivos. O primeiro: você pode ler o que a IA pretende fazer antes de gastar tempo gerando som. O segundo: você pode editar a planta com as próprias mãos — trocar um acorde, mudar uma frase da melodia — e pedir para a IA regravar a partir dali.
Não é mais "gere uma música e reze". É "me mostra o plano, eu ajusto, e aí você grava".
Os números: 6,9632 contra 6,8721
Para provar o ponto, o time construiu um benchmark próprio: o WildSongBench. São 192 pedidos de música (com letras em chinês, inglês, coreano, russo, japonês e espanhol), 15 configurações de sistema avaliadas e nove métricas automáticas que medem desde a qualidade sonora até se a voz respeita a letra. O índice final, o SongBench, agrega sete dimensões em uma nota só.
O resultado: o YuE2, escolhendo a melhor entre 8 gerações, faz 6,9632. O Suno v5 faz 6,8721. E a versão mais recente do Suno no mesmo ranking, a v5.5, fica em 6,7150 — abaixo da anterior. O concorrente comercial mais próximo é o Mureka 9, com 6,9377, ainda atrás do modelo aberto. É a primeira vez que um sistema aberto lidera esse ranking.
Cabe uma honestidade intelectual: o 6,9632 é o resultado de gerar oito versões e escolher a melhor. No modo econômico, com duas tentativas, o YuE2 faz 6,7316 — um pouco abaixo do Suno v5. A vitória existe, mas depende de deixar a máquina trabalhar oito vezes. O que, convenhamos, continua sendo uma pechincha: gerar oito músicas na sua placa de vídeo ainda custa menos do que um mês de assinatura.
Como isso funciona por dentro, sem jargão
A arquitetura é exótica: uma mistura de transformadores autorregressivos e não autorregressivos (o time chama de AR–NAR Mixture-of-Transformers) escreve a partitura e os "tokens semânticos" da música. Depois, um processo de flow matching gera os detalhes acústicos, e um VAE — o mesmo tipo de componente que comprime imagens e vídeos — converte tudo em áudio estéreo.
Traduzindo: uma parte do modelo pensa como compositor (o que vem depois do quê, em que tom, com que acorde), e outra parte pensa como engenheiro de som (como isso soa de verdade). Separar as duas tarefas é justamente o que permite editar a composição sem regenerar o som inteiro do zero.
O modelo foi treinado com 346 mil horas de música, boa parte CC0 (domínio público) e dados sintéticos licenciados da parceira Tokenwave.AI. É uma diferença relevante num setor em que vários geradores comerciais enfrentam processos por usar gravações protegidas sem autorização.
Fazer cover de uma música que já existe
Para cover, o YuE2 usa um segundo modelo, o SheetSage2, que faz o caminho inverso: escuta uma gravação e transcreve para partitura editável. Ele identifica batida, andamento, tom, acordes, estrutura da música e até a melodia vocal.
E os números são bons. No conjunto RWC-Pop, a transcrição de melodia vocal saltou de 62,71 na versão anterior para 82,51. No reconhecimento de acordes do conjunto osu2017, chegou a 90,08. No total, o SheetSage2 atinge o estado da arte em 10 das 13 métricas testadas, com um único modelo fazendo seis tarefas diferentes.
Com essa partitura na mão, você pede ao YuE2 para tocar a mesma música em jazz-funk, heavy metal ou balada, mantendo a letra. Nas demonstrações oficiais aparecem covers de Beethoven, de "Auld Lang Syne" em jazz-funk e de "Jingle Bells" em heavy metal. O cover de Beethoven é o mais curioso: a quinta sinfonia virou uma faixa de hard rock teatral chamada "Where Is My Wallet", com letra reescrita pela própria IA.
"The Last Train": 9 passos e 14 versões
A demonstração mais impressionante é a de edição agêntica. O time pegou uma música pop em mandarim e foi "conversando" com o modelo até transformá-la em jazz em inglês, com harmonia moderna e um solo de saxofone construído em torno de duas passagens de "Twinkle, Twinkle, Little Star". Foram 9 passos e 14 versões, cada uma com partitura, prompt e letra disponíveis para inspeção.
É a versão musical do que já acontece com código e agentes de IA: o modelo não entrega um bloco monolítico, entrega um artefato editável que você itera. A diferença é que, aqui, o artefato é uma composição — e o "programador" é o músico.
Quanto pesa, quanto demora
Para rodar na sua máquina, o time recomenda uma GPU de 24 GB e 24 GB de RAM disponíveis. Nessa configuração, uma música de 3,6 minutos sai em 71 segundos numa RTX 4090, com pico de 11,18 GiB de memória de vídeo. Um servidor H800 faz o mesmo em cerca de 55 segundos — e, rodando com vLLM, chega a impressionantes 373 músicas por hora.
O download é pesado: cerca de 16 GB para o modelo principal, embora exista uma variante int8 mais leve. E vale um aviso prático vindo da comunidade: como o pacote de inferência fixa versões exatas do PyTorch e do Transformers, instalá-lo no mesmo ambiente do ComfyUI pode sobrescrever bibliotecas que o ComfyUI precisa. A recomendação é usar a integração nativa (branch yue2) ou um ambiente virtual separado.
Tem também um tropieço: fine-tuning e LoRA ainda não são possíveis. O VAE do YuE2 só converte áudio em representações contínuas, e os tokens semânticos discretos que seriam necessários para treinar adaptadores não foram publicados. Traduzindo: você pode usar o modelo, mas ainda não consegue ensinar a ele o seu estilo particular.
O detalhe que ninguém gosta de ler: a licença
Aqui está o freio de mão. Os pesos do YuE2 estão sob CC BY-NC 4.0 — e a cláusula "NC" significa non-commercial. Você pode gerar, estudar, remixar e usar em projetos pessoais. Você não pode vender o que ele produz nem embutir o modelo em um produto comercial sem uma licença separada.
É uma mudança em relação ao YuE original, que era Apache 2.0 e permitia uso comercial explicitamente. O time justifica a restrição pela origem dos dados de treino: muito material CC0, mas também dados sintéticos licenciados. É uma decisão defensável e, ao mesmo tempo, frustrante — o melhor gerador de música aberto do mundo, hoje, é um laboratório, não uma fábrica.
Na prática, isso divide os interessados em dois grupos. O primeiro reúne músicos, produtores, estudantes e curiosos que querem explorar e aprender: para eles, a licença quase não atrapalha. O segundo reúne agências, criadores de conteúdo e negócios que querem gerar trilhas e jingles em escala: para eles, a assinatura do Suno continua sendo o caminho, justamente porque o uso comercial está no contrato.
Como testar agora
O caminho mais rápido é o ComfyUI, que ganhou suporte nativo ao YuE2 (branch yue2) com um workflow oficial pronto. Os checkpoints já foram republicados em formato compatível, com nomes como yue2_3b_bf16 e uma variante int8 mais leve. Para quem quer mexer no plano simbólico, o pacote de inferência também expõe as etapas separadas: planejar, gerar a parte semântica, sintetizar e decodificar.
Dá também para usar via Python, pedindo só o plano antes do áudio. É o caminho recomendado para quem quer inspecionar a partitura, ajustar acordes e só então gastar placa de vídeo com a geração sonora — exatamente o oposto do "gere e veja no que dá".
E o que isso muda no Brasil?
Tem um uso óbvio e imediato aqui: o caminho inverso. Fazer o YuE2 escutar uma gravação e devolver a partitura é uma ferramenta de estudo e de prototipagem. Músicos brasileiros podem tirar a harmonia de uma faixa antiga, entender a estrutura de um samba ou de um baião, testar arranjos diferentes da mesma melodia — tudo isso sem contratar um transcritor. E, como o modelo aceita letras em vários idiomas e trabalha com estilos tão distantes quanto flamenco, bluegrass e cyber metal, não há barreira técnica para ele experimentar nossa música.
Para quem cria conteúdo e para quem constrói produto, o recado é mais amplo. Os modelos abertos de fronteira estão chegando primeiro nos domínios considerados "difíceis" — matemática, genômica, música — e sempre com a mesma assimetria: quem constrói a ferramenta libera o modelo, mas reserva o uso comercial. A janela de vantagem não está em ter acesso ao modelo, porque todo mundo tem. Está em saber o que pedir a ele, como verificar o resultado e como transformá-lo em algo que as pessoas queiram consumir.
O que está em jogo não é "a IA vai substituir compositores". É: quanto tempo de estúdio sobra para compor quando o rascunho não custa quase nada?
O YuE2 não venceu o Suno por mágica. Venceu porque parou de tratar música como um bloco de áudio fechado e começou a tratá-la como uma partitura — algo que dá para ler, discutir e corrigir. Essa é a lição que vai além da música: a IA generativa melhora de verdade quando o resultado deixa de ser caixa-preta e volta a ser algo que um humano consegue editar.
Se isso vale para uma canção, vale também para um contrato, um relatório, um plano de aula, uma linha de código. O futuro não é "a IA faz tudo sozinha". É "a IA faz o rascunho, e você fica com o volante".