香港人自己的 AI 作曲 App 上线：港话通接入自研 YuE2，哼两句就能出粤语歌
先讲结论： 10 月 30 日，香港生成式人工智能研发中心（HKGAI）研发的本地 AI 助手「港话通」（HKChat）更新，上线了 AI 音乐生成功能，底层接的是 HKGAI 自研的 YuE2 音乐大模型。用户在 App 首页底部点「音乐」，对手机哼一段旋律、或者上传一张照片再补几句构思，AI 就会生成一首带编曲和人声的完整原创歌。目前对所有用户免费开放。
有一点必须先说清楚，避免误读：YuE2 这个模型本身不是这周才发布的——它的开源权重 9 月就已经放在 Hugging Face 上（m-a-p/YuE2-3B）。10 月 30 日发生的事，是把一个原本要自己配显卡、自己跑代码的模型，做成了一个普通香港市民打开 App 就能用的功能。这在传播上不如「发新模型」响亮，但实用价值反而更大。
这篇内容基于香港新闻网通稿、unwire.hk、IT之家等多家媒体转述整理，并对照了 YuE2 的公开模型卡。
3分钟看懂：它到底是个什么东西
一句话：一个专门为粤语流行曲调过的「文字/哼唱 → 成品歌」入口。
- 谁做的：HKGAI，2023 年 10 月获香港「AIR@InnoHK」平台资助成立，由香港科技大学主导；「港话通」这个 App 由港话通全维服务有限公司营运
- 什么时候：2026 年 10 月 30 日功能上线
- 花多少钱：现阶段免费，所有用户都能用
- 出什么：带专业编曲 + 人声演唱的完整原创歌曲，主打粤语歌风格
- 怎么进：App 首页底部「音乐」按钮
怎么用：两种入口，都是「给个念头就开写」
界面里目前提供两种创作模式，说实话都不复杂：
- 哼段旋律，创作全曲。 对着手机随口哼一段调子，AI 抓取曲调后扩写成完整作品。适合脑子里已经有一段旋律、但不会编曲也不会写词的人。
- 上载图片，凭意境写歌。 传一张日常照片，AI 解析画面的氛围和意境转成乐曲，过程中还能叠加文字描述补充想法。适合做内容的人——比如给旅行照片配一首专属 BGM。
两种方式的共同点是：你不用懂乐理、不用会乐器、不用进录音棚。 门槛被压到了「会不会哼歌」「会不会拍照」这个级别。
为什么「粤语歌」这件事值得单拎出来说
如果只是又一个 AI 作曲工具，这事不值得写。真正有意思的地方在于它挑了最难的一档：粤语歌。
粤语是声调语言，九个声调（常说的「九声六调」），字音本身带旋律走向。一首粤语歌里，旋律和字调对不上，听起来就会「怪」——不是难听，是「不像粤语歌」。中文歌里那句「词曲咬合」，在粤语里比在普通话里严得多。
这也是为什么很多海外音乐模型生成中文歌时，普通话勉强能听，粤语一开口就露馅：发音对了，腔调不对；腔调对了，字又飘了。
港话通这边的说法是，YuE2 在训练里融合了广东话特色和香港本地文化语境，强化了对本地表达方式和使用场景的适配。翻译成人话：它不是拿一个通用模型套个粤语壳，而是在语料层面就往粤语偏。
效果如何，得自己哼两句才知道。但至少从能力定位上看，这是国内/华语圈少见的、明确把粤语当第一目标而不是「顺便支持」的音乐生成产品。
背后的 YuE2：一个 3B 的开源模型，跑得比想象中快
把滤镜摘掉看技术参数，YuE2 有几个数字挺实在（来自官方模型卡）：
- 3B 参数，权重在 Hugging Face 公开，许可证是 CC-BY-NC-4.0
- 一张 24GB 显卡 + 24GB 主机内存就能跑，不用量化、不用多卡
- 在 RTX 4090 上，一首 3.6 分钟的歌大约 71 秒生成完，峰值显存约 11.2 GB
- 服务器端用 vLLM 并发，H800 上每小时能出 300 多首（32 并发）
它的架构思路也和很多「一把梭」的模型不一样：先用一个自回归 + 非自回归混合的骨干网络写出「乐谱 + 语义 token」，再用 flow matching 生成声学 latent，最后交给 VAE 变成双声道音频。
这个流程带来的实际好处是：它能给你一份可以改的乐谱。 旋律、和弦可以调，改完再重新渲染，而不是只能重新抽卡。官方还演示了一个「用 Agent 改歌」的流程——把「这段太吵」「副歌想更亮」这种模糊意见，翻译成乐谱和编曲上的具体修改，一步步迭代到第 14 版。
在官方自己发布的 WildSongBench 榜单上，YuE2（best-of-8）的 SongBench 平均分是 6.9632，对比 Suno v5 的 6.8721、Suno v6 的 6.5562；在零样本翻唱任务（SHS100K）上，YuE2 的 CLEWS mAP 是 0.647、Hit@1 是 71.3%，明显高于 SongEcho 的 0.419 / 48.4%。
这里要打个折： 这是模型团队自己搭的评测集、自己定的候选挑选规则（best-of-8 意味着生成 8 首挑 1 首），和真实使用体验不是一回事。它能说明「水平在第一梯队」，不能说明「比 Suno 强」。
和 Suno、Udio 的差别在哪
- 权重开源 vs 完全闭源。 Suno、Udio 是纯粹的 SaaS，你只能在它的网页/App 里用，改不了模型。YuE2 的权重是公开的，理论上你可以自己部署、微调、接到自己的产品里。
- 许可证限制。 但 CC-BY-NC-4.0 是「非商用」协议。想拿它做商业产品，得先解决授权问题——这一点很多转发文章都没提。
- 本地化 vs 通用。 Suno 的强项是英文流行、以及极其成熟的编曲质感；YuE2 在这场比拼里押注的是中文和粤语的字腔。
- 免费策略。 港话通现阶段对所有用户免费；Suno 免费额度有限、商用要订阅。
适用场景：谁现在就该去试
- 想给孩子/家人写首歌，但不会乐器的普通人：哼一段、传张照片，几分钟内有成品
- 做短视频、探店、旅行内容的人：需要一条不撞曲的原创 BGM，还能指定风格
- 粤语内容创作者：这是目前少数专门针对粤语腔调优化的入口
- 想研究/二次开发音乐模型的技术团队：权重公开，可以自己拉下来跑
- 教育场景：音乐老师用来讲「旋律和字调的关系」，比放 PPT 直观
不适用场景：这几类人先别急
- 要商用配乐的人：模型是 CC-BY-NC-4.0，商用授权没解决；App 端也没有公开的商用条款
- 要专业级母带和混音的人：这是生成工具，不是 DAW，出来的东西还得进后期
- 要 5 分钟以上长曲、多段落复杂结构的人：官方演示集中在 3～5 分钟量级
- 对版权极度敏感的品牌方：AI 生成音乐的版权归属和训练数据来源，目前仍是行业未决问题
避坑：四个容易被忽略的点
- 别把它当成「本周新模型」。 模型 9 月就开源了，10-30 是产品化落地。很多转发把它写成「HKGAI 发布 YuE2」，时间线是错的。
- 「免费」是现阶段。 通稿的措辞是「现阶段向所有用户免费开放体验」，没有承诺长期免费，也没说会不会限量。
- App 端的生成次数、时长上限、是否加水印，官方通稿都没写。 这些细节只有在实际使用中才能确认，别提前替它承诺。
- 官方没有公布评测的第三方复现。 榜单数据来自模型团队，参考价值有，但不能当定论。
成本与时间
- 用 App：0 元。时间成本是「想一句哼一句」的几十秒，加上生成等待
- 自己部署 YuE2：一张 24GB 显卡（4090 级别）+ 24GB 内存；单首 3～4 分钟的歌约 1 分钟出结果。如果是租云 GPU，按卡时计费，几十块到上百块一小时不等
- 商用：需要单独谈授权，目前没有公开报价
行动建议：下一步可以做什么
- 今天就能做：下载港话通，点底部「音乐」，先用「上载图片 + 一句描述」跑一首，感受一下粤语咬字
- 想做内容的：同一段哼唱连跑 3～5 次，挑最顺的一条——生成模型抽卡是常态，别指望一次命中
- 技术团队：去 Hugging Face 拉
m-a-p/YuE2-3B，先跑官方 quick start，重点试它的「乐谱导出 + 编辑再渲染」，这才是它和闭源产品真正拉开差距的地方 - 要商用的：先别急着接进产品线，等授权口径明确
参考来源
- 香港新闻网通稿（2026-10-30 20:31）：https://www.hkcna.hk/cn/content/s6ae48e2fe4b0893034d74cac.html
- unwire.hk 报道（2026-10-30）：https://unwire.hk/2026/10/30/hkchat-ai-music-yue2-cantopop/fun-tech
- IT之家（经新浪转载，2026-10-31）：https://k.sina.com.cn/article_5953190046_162d6789e06703vy2e.html
- YuE2-3B 官方模型卡（技术参数与榜单）：https://huggingface.co/m-a-p/YuE2-3B
本文基于多家媒体转述整理；技术参数与评测数据引自 YuE2 公开模型卡。