腾讯和清华大学人机语音交互实验室联合研发的音乐基础模型 SongGeneration 2 已正式推出。公告称，其核心优越性在于对底层架构和训练策略的全面升级，赋予了 SongGeneration 2 突破性的三大优势：
- 高音乐性：不仅旋律优美连贯，更能处理复杂的多轨编曲与空间层次。
- 高歌词准确性：大幅降低幻觉，实现清晰、准确的多语种咬字跟唱。
- 优秀的可控能力：精准遵循文本描述、音频提示等多种指令，深度控制音乐风格。
评估结果表明，在整体质量(Overall Quality)、旋律(Melody)、编曲 (Arrangement)、乐器音质(Sound Quality-Instrument)、人声音质(Sound Quality-Vocal) 以及结构(Structure) 这6 个评价维度中，SongGeneration 2 均呈现出断崖式领先，显著超越了包括 ACE-Step 1.5、HeartMula、YUE、LeVo以及DiffRhythm 2在内的所有主流开源模型。
实验数据显示，SongGeneration 2 的整体生成质量已成功对齐商业级能力。在整体质量、旋律、编曲等多个维度上，SongGeneration 2 的表现甚至超过了MiniMax 2.5。
除了质量与旋律的提升，评估还证明了模型具有出色的歌词遵循能力。SongGeneration 2的音素错误率(PER)仅为8.55%，仅次于MiniMax 2.5 (7.8%)，显著优于顶尖商业模型Suno v5 (12.4%)和 Mureka v8 (9.96%)，并在曲风、情绪、乐器三大维度的控制上逼近了商业顶级水平。
![]()
SongGeneration 2 基于混合式 LLM-扩散架构：
![]()
- “双核”分工协作：语言模型（LeLM）作为“作曲大脑”，负责统筹全局的音乐结构与演奏细节（解决如何演唱与演奏的问题）；而扩散模型（Diffusion）则担任“高保真渲染器”，在语言模型的隐式指导下，合成极其复杂的声学细节 。
- 首创分层表征结构：为了兼顾音乐性、稳定性与音质，语言模型采用了并行建模的设计 ：
- 混合表征（Mixed Tokens）：用于指导模型捕捉高层级的旋律、结构等核心语义信息 。
- 多轨表征（Dual-Track Tokens）：分别代表人声和伴奏轨道，在语义信息的基础上进一步确定不同轨道局部的细粒度声学变化。
目前，包含4B参数的SongGeneration-v2-large模型已正式开源 。它支持中英文等多语种生成，并通过文本描述、音频提示和风格预设提供多样化的控制方式。该模型可在配备22GB显存的消费级硬件上本地流畅运行，实现约0.82的RTF。
为了实现即时体验，项目团队同步在HuggingFace Space平台提供SongGeneration-v2-Fast版本，该版本牺牲了一定的音质但换来了较快的生成速度 (可以在一分钟内生成一首完整歌曲)。
接下来其还将推出支持12G显存、RTF约为0.69的Medium 模型，并逐步开源自动化评估框架等核心组件。
