ResearchMan← Technology
Open-Qwen-Music
Research条件付き (Apache-2.0)#Audio/Music#AI/Agents

Open-Qwen-Music

Yangbin Yu, Mingyu Yang(独立研究者による再現実装。Qwen公式ではない)/2026-09

Overview

歌詞・構成つきの文章から48kHzステレオ音楽を作る、「LLMが作曲→拡散モデルが音にする」2段構成のText-to-Musicを、学習データ・パイプライン・重みまで丸ごと公開した再現実装。

技術のポイント

何がすごいか:音楽生成AIの多くは中身が非公開ですが、これは「作曲する頭脳(30億パラメータのLLM)」と「音に仕上げる工程(拡散モデル)」の両方を、学習データ約6.2万件・処理手順・学習/推論スクリプト・重みまで含めて全部公開しています。何がどう動いているか追える点が最大の特徴です。作者自身も品質は商用サービス並みとは主張していません。広告・体験づくりでの使い道:歌詞と曲の構成(イントロ・サビ等)を指定してオリジナルBGMやジングルの叩き台を、自社のGPU環境の中で作れます。外部サービスに素材を出せない案件や、ブランド固有の音色を自前データで再学習して「専用の作曲エンジン」を作る試み、インスタレーション向けの生成音源の研究開発に向きます。一方で完成品のツールではなく研究用の土台なので、品質面は試作段階と割り切り、企画初期のスケッチ用途が現実的です。

技術の詳細

①仕組み:まず音楽を「意味のかたまり(セマンティックトークン)」という短い記号列に変換する変換器があり、言語モデルが歌詞や構成の指示を読んで、この記号列で曲の設計図を書きます。人間で言えば作曲家が譜面を書く工程です。次に音響レンダラー(拡散モデル)が、その設計図を演奏・録音のように48kHzステレオの音に仕上げ、最後に帯域リファイナーが高音域の細かな響きを補います。圧縮用のAcoustic VAEも含め、計5つの部品で構成されます。 ②従来との違い:商用の音楽生成サービスは中身がブラックボックスで、学習データも不明です。本リポジトリは学習用データセット(62,417件)の作り方、学習設定、推論手順までそろえた「監査可能」な実装で、研究者やスタジオが自分のデータで作り直せます。ただし単一コミット・スター数も少ない新しいプロジェクトで、作者も品質は開発途中としています。また重みの一部はQwen Research Licenseに縛られるため、商用利用は事前確認が必要です。 ③使うには:CUDA対応でbfloat16が使えるGPUが実用上必要で、Python環境の構築とコマンド操作のスキルが要ります。費用はGPU環境のみで、コードはGitHub、重みはHugging Faceから無料で入手できます。まず試すだけなら、Hugging Face Spaces上のデモを利用できます(動作状況は変動する可能性あり)。

License

ソースコードはApache-2.0。重みはQwen2.5-Omni-3B由来の言語モデルにQwen Research Licenseが適用され、混合ライセンス(open-qwen-music-mixed-model-terms)。商用利用は各コンポーネントの条件を要確認

Sources

Related Works

  • ACE-Step 1.5

    ローカル実行できるオープンな音楽生成基盤モデル。Mac/AMD/Intel/CUDAに対応

  • HeartMuLa (heartlib)

    2026年公開のオープンな音楽生成モデル。歌詞・スタイル制御に強い

  • Neutone SDK

    PyTorch製ニューラル音声モデルをDAW上で動かすためのオープンなフレームワーク