不用写一行代码：ComfyUI 官方 YuE2 节点从安装到出歌 15 分钟搞定

不用写一行代码：ComfyUI 官方 YuE2 节点从安装到出歌 15 分钟搞定

如果说 2024 年的 AI 音乐还停留在"本地跑脚本、跟依赖斗智斗勇"的阶段，那么 YuE2 的出现算是彻底改变剧本了——香港科技大学与 M·A·P 联合开源的这一代模型，首次把"先写符号乐谱、再渲染音频"的白盒思路搬进了主流工作流：在 WildSongBench 上，YuE2（best-of-8）的 SongBench 综合分拿到 6.9632，压过 Suno v5 的 6.8721，直接杀进了商用闭源模型的牌桌。而它被 ComfyUI 官方收编，则意味着 3B 参数的音乐大模型第一次有了"图形化、零代码、可复现"的标准入口。本文基于官方仓库 Comfy-Org/Yue2 与 ComfyUI 内置节点源码，完整拆解"装权重 → 连工作流 → 导出 48kHz 成品"的三步走，全程不写一行代码。

为什么偏偏是 ComfyUI 官方节点

先看仓库本身。这个仓库并不是 YuE2 的模型仓库本体，而是Comfy-Org 官方重新打包、为 ComfyUI 定制的权重分发仓，元信息里明确标注了base_model: m-a-p/YuE2-3B与m-a-p/SheetSage2（见 README.md）。它把两套模型拆成了 ComfyUI 约定俗成的目录结构：

ComfyUI/ └── models/ ├── audio_encoders/ │ └── sheetsage2_bf16.safetensors └── checkpoints/ └── yue2_3b_bf16.safetensors

配合 ComfyUI v0.36.0 起内置的 Yue2 系列节点（社区更新日志确认了该版本加入 Yue2 音乐能力），模型下载、节点注册、显存调度全部由官方管线接管。也就是说，过去社区里"手工配 Python 3.10/3.11 双环境、隔离 FFmpeg 依赖"的翻车现场，在 ComfyUI 里都不存在了——SheetSage2 与 YuE2 依赖版本冲突的问题，被内置节点在同一个进程里消化掉了。

第一步：权重放对位置，节点自动就位

仓库里一共提供三种可选的权重文件：

• checkpoints/yue2_3b_bf16.safetensors：BF16 全精度版，官方命令行管线的推荐起点，需要约 24GB 显存的 BF16 显卡；
• checkpoints/yue2_3b_int8_convrot.safetensors：3.69GB 的 INT8 量化版，官方 Text to Music / Music Cover 两个模板默认选中它，消费级显卡的甜点选择；
• audio_encoders/sheetsage2_bf16.safetensors：1.29GB，翻唱（Cover）工作流专用的音频转乐谱编码器，文字出歌用不到它。

放置方式与 README 完全一致：checkpoints 文件进models/checkpoints/，audio_encoders 文件进models/audio_encoders/。之后在 ComfyUI 里新建节点，搜索YuE2、SheetSage2、Audio Encoder就能直接找到官方节点组——模型加载统一走CheckpointLoaderSimple和AudioEncoderLoader，不需要任何自定义节点安装，这就是"官方收编"的最大红利。

第二步：文字到歌曲工作流的真实连线图

官方 Text to Music 模板（对应 workflow_templates 仓库的audio_yue2_text2music.json）把整个生成管线封装成了一个子图，剥开来看，核心链路只有六段：

CheckpointLoaderSimple (yue2_3b_int8_convrot) │ ├── CLIP ──► YuE2GenerateABC (style + lyrics → ABC 乐谱) │ │ │ └── abc ──► (PreviewAny 预览/手动编辑) │ └── CLIP ──► YuE2GenerateMusic (style + lyrics + abc → CONDITIONING + seconds) │ ├── CONDITIONING ──► KSampler (采样) │ └── seconds ──► EmptyYuE2LatentAudio (空白音频 latent) │ ▼ KSampler → VAEDecodeAudio → SaveAudioAdvanced

注意一个关键设计：整个流程里没有一个"音乐生成"魔法黑盒，而是把"作曲"和"合成"拆成了两个节点。这正是 YuE2 与端到端模型的分水岭——YuE2GenerateABC先用 AR 阶段生成一段可读、可编辑的 ABC 符号乐谱，YuE2GenerateMusic再基于这段乐谱做语义 token 与声学条件生成。在 ComfyUI 的 canvas 上，你可以把 ABC 输出接到任意文本节点上人工修改、甚至用脚本批量改写，再喂回生成节点。

参数面板：Style 与 Lyrics 的分工

模板节点面板上有两个决定性参数：

• Style（风格）：只写音乐特征，官方建议遵循语言 + 流派 + 人声 + 速度 + 乐器 + 音乐气质的结构，例如English, warm female vocal, contemporary pop, 96 BPM, piano, rounded electric bass, restrained drums, clear diction。千万不要把歌词、情绪叙事混进 Style；
• Lyrics（歌词）：只放要唱的词，并用[Verse]、[Chorus]、[Bridge]、[Outro]这类段落标签标记歌曲结构。源码里YuE2Tokenizer.tokenize_with_weights把输入拼成固定的 prompt 模板{指令}\n[Tags]\n{style}\n[Lyrics]\n{lyrics}\n再喂给模型，标签越规范，模型对结构的把握越准。

ABC Planning 三档模式

YuE2GenerateABC的mode下拉只有两个选项（full/melody），但如果把 ABC 输入留空、不启用规划，YuE2GenerateMusic会按源码自动回退到off模式（if not abc.strip(): mode = "off"）。三者区别在节点源码的 tooltip 里写得很清楚：

YuE2GenerateMusic还有一个容易被忽略的高级参数cfg_scale：默认1.0表示关闭 CFG（与 ABC 工作流一致），源码里cfg_scale=1.01才匹配原始 off 模式的文本引导强度。想精确复现官方 CLI 行为的，记得把它调到 1.01。

第三步：采样、解码与 48kHz 导出

条件生成完毕后，链路进入标准的"扩散采样"阶段，这一段的节点全是 ComfyUI 老玩家熟悉的面孔，但语义完全不同：

• EmptyYuE2LatentAudio：根据YuE2GenerateMusic输出的实际seconds创建空音频 latent。源码里 latent 形状是(batch, 64, 帧数)，帧率常量FRAMES_PER_SECOND = 25——YuE2 以每秒 25 个语义帧推进，max_duration=120对应约 3000 个音乐 token；
• KSampler：模板固定为steps=32 / dpm_2 / sgm_uniform / cfg=1，对 latent 做声学阶段扩散采样；
• VAEDecodeAudio：用 checkpoint 自带的 YuE2-Vae 把声学 latent 解码为波形。官方管线的输出规格是48kHz 立体声，ComfyUI 内置节点与之一致；
• SaveAudioAdvanced：落盘节点，模板默认输出目录audio/YuE2、格式flac，也可以切换wav等其他格式。

出歌时间与显存预期

社区实测（RTX 4090 级别、INT8 权重）给出的参考数字是：约 71 秒生成一首 3.6 分钟的高质量歌曲，换算下来接近实时生成速度的 3 倍。BF16 全精度在 24GB 显存显卡上可跑，INT8 版则大幅放宽了显存门槛。模板里的max_duration只是"最大时长"上限，模型会按乐谱结构和歌词自行决定提前结束——源码里每次生成的truncated标志会告诉你是否撞上了 token 预算，撞上也不影响已落盘音频的可用性。

彩蛋：不训练也能翻唱，官方 Cover 模板免费附赠

本仓库真正的增值部分在第二个官方模板audio_yue2_music_cover.json。它展示了 YuE2 另一项杀手级能力——零样本翻唱：不需要任何微调，用 SheetSage2 把参考音频转成可编辑的 ABC 旋律谱，再交给 YuE2 用新的 Style 和 Lyrics 重新演绎。其节点链路是：

LoadAudio (参考音频) │ ▼ AudioEncoderLoader (sheetsage2_bf16) → SheetSage2AudioToABC (mode=melody) │ │ │ ▼ │ PreviewAny (人工审校乐谱) │ │ ▼ ▼ YuE2GenerateMusic (style + lyrics + 转写出的 abc, mode=melody) → KSampler → VAEDecodeAudio → SaveAudioAdvanced (audio/YuE2_cover)

模板内附的 Markdown 说明点破了它的设计哲学：参考音频不是直接作为条件喂给 YuE2 的，而是先被 SheetSage2 提炼成"旋律大纲"，YuE2 再按新风格重新配器演唱。所以实际使用时有几条官方给出的经验法则：风格迁移实验就保留原歌词只改 Style；想强改编就 Style、Lyrics 一起换；新歌词的音节数越贴近原曲，旋律贴合度越高；翻唱任务一律选melody模式给伴奏更多自由度。转写质量决定翻唱上限——乐谱错了，翻唱必然跟着错，这就是"先审谱、再生成"流程存在的意义。

写在最后：从抽卡到工程

YuE2 与 ComfyUI 的结合，本质上把 AI 音乐从"生成即终稿"的抽卡模式，推进到了"可读、可改、可重演"的工程模式：ABC 乐谱是可编辑的中间产物，seed 与参数是可控变量，48kHz FLAC 是标准化交付物。配合 ComfyUI 原生 API（/prompt、/queue、/history），社区已经有人把这条工作流做成了 HTTP 驱动的批量出歌管线。模型权重就摆在仓库的 checkpoints 与 audio_encoders 里，官方模板一步到位——从此刻开始，距离你的第一首成品歌，只差点击 Run 的那一下。