性能优于Suno v5，腾讯清华联合发布 SongGeneration2：攻克咬字跑调难题，支持本地部署

2026年3月9日，腾讯与清华大学人机语音交互实验室联合研发的音乐基础模型 SongGeneration2正式发布，这一消息如同一颗重磅炸弹，在科技与音乐界激起千层浪。

模型地址：https://huggingface.co/tencent/SongGeneration

技术革新：直击 AI 音乐三大痛点

过往，AI 音乐常常给人一种“塑料感”，存在诸多亟待解决的问题。而SongGeneration2的出现，犹如一把利刃，精准地切中了这些痛点。

1.高音乐性：复杂编曲轻松驾驭

传统 AI 音乐往往只是简单的旋律叠加，缺乏层次感和丰富度。SongGeneration2则截然不同，它能够处理复杂的多轨编曲，营造出极强的空间层次感。无论是激昂的摇滚，还是悠扬的古典，都能轻松演绎，让听众仿佛置身于专业的音乐现场。

2.高歌词准确性：告别咬字不清与跑调

在 AI 音乐中，咬字不清和幻觉跑调是常见的问题，严重影响了音乐的质量。SongGeneration2在这方面取得了重大突破，其音素错误率（PER）仅为8.55%。这一数据不仅显著优于顶级商业模型 Suno v5（12.4%），仅略逊于 MiniMax2.5，大大提升了歌词的准确性和清晰度，让每一句歌词都能清晰地传达给听众。

3.极强可控性：精准定制风格与情绪

无论是通过文本描述还是音频提示，SongGeneration2都能精准遵循指令，深度定制音乐的风格与情绪。创作者可以根据自己的需求，打造出独一无二的音乐作品，满足多样化的创作需求。

架构创新：“双核”驱动成就卓越

SongGeneration2 之所以能够实现如此卓越的性能，得益于其创新的混合式 LLM - 扩散架构。

1.作曲大脑（LeLM）：全局规划与细节把控

LeLM 如同一位经验丰富的作曲家，负责规划音乐的全局结构与演唱细节。它能够精准地把握音乐的节奏、旋律和和声，解决“怎么唱”的关键问题，为音乐作品奠定坚实的基础。

2.高保真渲染器（Diffusion）：合成复杂声学细节

在语言模型的指导下，Diffusion 渲染器能够合成极其复杂的声学细节。它就像一位技艺精湛的调音师，将每一个音符都打磨得完美无缺，让音乐作品具有极高的音质和真实感。

3.分层表征：兼顾旋律与音质

SongGeneration2 首创混合表征与多轨表征并行建模的方式，兼顾了旋律的稳定性与音质的细腻度。这种独特的架构设计，使得音乐作品既具有流畅的旋律，又拥有丰富的音色和细腻的情感表达。

开源福利：降低创作门槛，推动全民作曲

对于广大开发者来说，SongGeneration2 的开源无疑是一个巨大的福音。拥有 4B 参数的 SongGeneration - v2 - large 模型已正式开源，支持中英等多语种生成。

更令人惊喜的是，它在配备 22GB 显存的消费级硬件上即可流畅运行，实现了本地化、私密化创作的可能。这意味着，普通用户无需昂贵的专业设备，也能轻松参与到音乐创作中来。

为了让用户能够更快地体验到 SongGeneration2 的魅力，项目组还在HuggingFace推出了SongGeneration-v2-Fast 版本。该版本牺牲了极小部分的音质，以换取极速生成——一分钟内即可诞生一首完整单曲，大大提高了创作效率。

总结：全民“作曲家”时代或将到来

从SongGeneration2的表现来看，AI音乐已经从“极客玩具”正式跨入了“商业级应用”的大门。随着未来支持12G显存的Medium模型及自动化评估框架的开源，AI音乐的创作门槛将进一步降低，更多的人将有机会成为“作曲家”。

腾讯与清华大学的这次合作，不仅为AI音乐领域带来了新的技术突破，也为音乐创作注入了新的活力。相信在不久的将来，我们将迎来一个全民创作音乐的新时代，每一个人都能用自己的方式表达对音乐的热爱和追求。让我们共同期待AI音乐在未来的精彩表现！

文章来源：AITOP100，原文地址：https://www.aitop100.cn/infomation/details/33412.html