為什麼要測
Suno 從 2026 年 9 月 3 日起改了下載規則：Pro 會員每月 20 次下載、Premier 60 次、免費版終身 7 次，而且連 9 月 3 日之前做的歌也算在額度內。生成額度沒變，變的是「能不能把檔案拿走」。
我的歌大多是拿來配影片、做 Shorts、當作品集背景，一個月 20 首其實不太夠，尤其是剪片時常常要多做幾版挑。於是花了幾天把目前能在自己電腦上跑的開源音樂模型全部裝起來，認真比一輪。
先講清楚兩件事。第一，這篇不拿 Suno 進來比。我自己聽過之後的感想是 Suno 的歌還是比較好聽，這點不用測。這篇要回答的是另一個問題：如果 Suno 的額度留給主打歌，剩下的 BGM、音效、草稿、大量嘗試，開源模型接不接得住。第二，好不好聽以我自己的耳朵為準。音樂沒有像素可以比對，我能給的是把所有結果放上來，讓你自己聽。
快速結論
- 有人聲的歌，ACE-Step 1.5 幾乎完勝。古風與華語題的曲風對得上、聽得出旋律，是三個歌曲模型裡最好聽的。中文咬字仍會有個別字唱錯，快板、字多的歌錯得較多。
- 民俗舞曲是三個模型共同的弱項：匈牙利、俄羅斯、巴爾幹、以色列、烏克蘭五題聽起來都像進行曲，不到能配舞的程度。
- ACE-Step 的 XL 版和一般 Turbo 版我分不出高下，兩個都不錯。網路上的評價也是這樣：XL 加強的是音質細節，不是音樂性。所以從一個 10GB 的 Turbo 整合檔開始就夠了。
- BGM 與音效請用 Stable Audio 3。純器樂鋪底它比 ACE-Step 好，音效更是只有它能做。三個版本裡 Medium 兩邊都最強，只抓它一個就好。
- MiniMax Music 3 混音乾淨、歌詞逐句跟得很緊，但速度慢很多，而且會自己判斷歌唱完了就提前結束，純器樂幾乎都做不到指定長度。
- HeartMuLa 3B 的古風容易做成爵士輕快風，不是古典味；加重「古典、莊重」的標籤只救回來一點。BGM 也不理想。
- 沒有一個開源模型會取代 Suno。它們的價值是無限量、在本機、可商用，適合拿來做 BGM、音效、草稿和大量嘗試。
受測模型
歌曲模型三個，加上一個專門做 BGM 與音效的模型。全部在 ComfyUI 裡跑，其中只有 HeartMuLa 需要裝社群節點，其他三個都是 ComfyUI 原生支援。
| 模型 | 定位 | 顯存需求 | 授權 | 安裝 |
|---|---|---|---|---|
| ACE-Step 1.5（Turbo 整合檔） | 歌曲，有人聲 | 低，顯存有限的電腦也能跑 | MIT | ComfyUI 原生 |
| ACE-Step 1.5 XL Turbo | 同上，加大版 | 中，建議顯存充足 | MIT | ComfyUI 原生 |
| MiniMax Music 3 | 歌曲，有人聲，最長五分鐘 | 中 | 社群授權，可商用但需標示模型名 | ComfyUI 原生 |
| HeartMuLa 3B | 歌曲，有人聲，多語 | 中高 | Apache-2.0 | 社群節點，依賴要手動處理 |
| Stable Audio 3（Small 兩版、Medium） | BGM、音效、可變長度 | 低 | Stability 社群授權，年營收門檻內可商用 | ComfyUI 原生 |
HeartMuLa 的 7B 版官方說品質接近 Suno，但到目前為止只釋出 3B，所以這篇測的是 3B。Sony 的 Woosh、TangoFlux、AudioX 這幾個音效模型因為公開權重是非商用授權，剪片正式用途不能拿它們的輸出，這次沒有納入。
測試方法
- 歌曲 11 題：中國古風 4 題（抒情女聲、戲腔、豪邁男聲、輕快民歌）、西方傳統民俗舞曲 5 題（匈牙利查爾達什慢轉快、俄羅斯舞曲逐段加速、巴爾幹 7/8 拍圓舞、以色列 hora、烏克蘭霍帕克純器樂）、融合與對照 2 題（琵琶配匈牙利小提琴、現代華語抒情）。古風與華語題全部中文歌詞，民俗舞曲題英文歌詞。
- BGM 6 題：60 秒純器樂，剪片最常用的幾種：Lo-fi 讀書、輕快 Vlog 開場、紀錄片懸疑鋪底、旅遊木吉他、古箏茶席鋪底、民俗舞曲練習用循環。
- 音效 12 題：雨打窗、碎石腳步、木門吱呀甩上、轉場 whoosh、UI 點擊、咖啡館氛圍、貓叫呼嚕、煙火、機械鍵盤、海浪、剪紙摺紙手作、玻璃摔破。
- 每一題只寫一份規格（曲風、BPM、調性、拍號、人聲、樂器、情緒）和一份歌詞，再由程式轉成各家要的格式：ACE-Step 和 HeartMuLa 吃逗號標籤，MiniMax 吃一段三段式的文字描述，Stable Audio 3 吃一句自然語言。同一題各模型用同一個 seed。
- 民俗舞曲題我選匈牙利、俄羅斯、巴爾幹、以色列、烏克蘭，因為這是我平常跳的傳統土風舞，聽得出對不對味。
- 每題每模型只生一次，不挑最好的一次。這對「一次就要能用」的人比較公平，但也代表運氣成分存在。
- 完整歌詞、曲風規格與三種模型各自的 prompt 寫法篇幅太長，另外整理成一篇：開源歌曲模型評比題目全公開。本文的播放器旁只標題目名稱。
需要揭露的限制：只有我一個人的耳朵；MiniMax 沒有官方的音效功能，音效題只跑 Stable Audio 3；HeartMuLa 的歌曲題我另外加跑了一輪加重古典標籤的版本，放在後面的對照區。
古風：ACE-Step 的味道最正確
四題古風裡，ACE-Step 是唯一每一題都做出「古風該有的樣子」的模型。慢板的長安夜雨有古箏和簫的氣氛，江湖令的男聲夠豪邁，戲腔那題也有做出轉換。
HeartMuLa 的問題很一致：曲風會往爵士、輕快的方向跑，古箏琵琶變成了裝飾，聽起來像國風咖啡廳音樂而不是古典感。我懷疑是標籤下得不夠重，所以另外用「traditional chinese classical music, ancient court style, solemn and elegant, not jazz, not swing」重跑了四題。結果是有稍微救回來，但味道還是 ACE-Step 比較正確。
MiniMax 的古風乾淨、歌詞咬字清楚，但情緒比較平。
中文咬字要另外說一下：即使是整體表現最好的 ACE-Step，也會有個別的字唱錯，不是每首都能整首正確。四題裡錯得最多的是江湖令，它是四題中速度最快、每句字數最多的一首；慢板的長安夜雨相對好得多。如果歌詞裡有非唱對不可的關鍵字，要有多生幾次再挑的心理準備。
長安夜雨
鏡花戲
民俗舞曲：三個模型都做成了進行曲
這一章我藏了幾個結構考題：查爾達什要從慢的 lassú 轉成快的 friss，俄羅斯舞曲每段副歌要加速，巴爾幹那題是 7/8 拍，霍帕克是純器樂。結果是這章沒有贏家。三個模型的五題聽起來都很像進行曲：節拍方正、鼓點一板一眼，樂器的名字有出來，但少了跳舞時身體會跟著晃的搖擺感和自由度。這些是我平常跳的舞，所以聽得出差在哪。
ACE-Step 相對之下還是最順耳的，但順耳和對味是兩回事，這章的輸出我不會拿去配舞。如果你要的是能跟著跳的傳統民俗舞曲，目前的開源模型還做不到，建議還是找真實錄音。
Csárdás at Harvest Moon（匈牙利查爾達什）
Kolo by the Plum Orchard（巴爾幹 7/8 圓舞）
XL 版和一般版，分不出高下
ACE-Step 1.5 今年四月出了 XL 系列，把擴散解碼器從 2B 加大到 4B，官方說音質更好。我把 11 題用兩個版本各跑一次，老實說分不出來哪個比較好，兩個都不錯。
網路上的評價和我的感覺一致。GitHub 上有人做了同樣的比較，結論是 XL 的音質確實比較好，但旋律和和聲的邏輯反而不如 2B 版；官方工作流平台也把 2B 的整合檔當預設，只在音質不夠時才建議切 XL。另一篇被廣泛引用的技術回饋指出整個 1.5 家族的通病是「技術正確但缺乏演奏表現力」，這不是 XL 特有的，兩版都一樣。
所以我的建議是：從一個 10GB 的 Turbo 整合檔開始，顯存有限的電腦也跑得動，速度還比 XL 快。顯存充足又在意人聲清晰度的人再去抓 XL。
絲路駝鈴（中西融合）
MiniMax Music 3：乾淨，但會自己收尾
MiniMax 的混音是三個裡最乾淨的，歌詞逐句對得很緊，段落標籤也真的會照做。代價是速度，它一次一格地生成，一首歌要等好幾分鐘，ACE-Step 同一首不用一分鐘。
更需要知道的是它的長度行為。你給它的秒數是上限，不是目標，它覺得歌唱完了就會停。有歌詞的題目偶爾提早幾秒到十幾秒，純器樂的題目幾乎必定提早：六題 60 秒的 BGM 沒有一題做滿，最短的只做了 15 秒。純器樂的霍帕克也只做了一半。如果你要的是固定長度的鋪底，這會很麻煩。
深夜便利店（現代華語流行對照）
BGM：Stable Audio 3 第一，ACE-Step 第二
這章比的是「剪片時要一段 60 秒純器樂鋪底，誰最好用」。我的排序是 Stable Audio 3 > ACE-Step > MiniMax > HeartMuLa。
Stable Audio 3 是 Stability AI 今年五月開源的音訊模型家族，本來就是做 BGM 與音效的，可變長度，指定幾秒就是幾秒。它的速度和其他模型不在同一個量級，任何長度都是幾秒鐘出檔，剪片時想多做幾版挑完全不心疼。ACE-Step 做純器樂也可以，長度精準，但氣氛不如 Stable Audio 3。MiniMax 勉強可用，主要卡在前面說的提前收尾。HeartMuLa 的 BGM 我覺得不太行。
古箏氛圍鋪底（茶席／手作影片）
紀錄片懸疑鋪底
音效：Medium 版兩邊都最好
音效只有 Stable Audio 3 能做，所以這章比的是它自己的三個版本：Small-SFX（官方標榜音效專用）、Small-Music、Medium。結果出乎意料：Medium > Small-Music > Small-SFX，標榜音效專用的 Small-SFX 反而最差，聲音的正確性和品質都輸。
木門、玻璃摔破、剪紙這幾題是最考驗的，因為有明確的物理事件，錯了一聽就知道。Medium 在這幾題最像真的。所以如果硬碟夠，只抓 Medium 一個檔，BGM 和音效都用它，Small 兩版可以不用下載。
木門吱呀開然後甩上
玻璃摔破
剪紙與摺紙手作聲
情境推薦
| 你要做的事 | 建議 | 理由 |
|---|---|---|
| 有人聲的歌，中文或英文 | ACE-Step 1.5 Turbo 整合檔 | 曲風最對、最好聽、最快、單一檔案裝完就能用 |
| 同上，顯存充足且在意人聲清晰度 | ACE-Step 1.5 XL Turbo | 音質細節略好，但一般人分不出 |
| 剪片用 BGM、固定長度鋪底 | Stable Audio 3 Medium | 長度精準、幾秒出檔、氣氛比歌曲模型好 |
| 音效、環境音、轉場 | Stable Audio 3 Medium | 唯一能做音效的，且比它自己的 SFX 版更準 |
| 歌詞要逐句貼緊、要乾淨混音、不在意等待 | MiniMax Music 3 | 歌詞跟得最緊，但要接受提前收尾與速度 |
| 傳統民俗舞曲，要能配舞 | 目前沒有推薦 | 三個模型都做成進行曲味道，建議找真實錄音 |
| 最終主打歌 | 留給 Suno 的額度 | 目前開源模型還沒有一個比 Suno 好聽 |
完整對照：17 首歌
每一題三到四個模型並排，同一份歌詞、同一個 seed，各生成一次。播放器不會預先下載，點了才載入。
長安夜雨
鏡花戲
江湖令
採茶謠
Csárdás at Harvest Moon（匈牙利查爾達什）
Kalinka Winter Road（俄羅斯民俗舞曲）
Kolo by the Plum Orchard（巴爾幹 7/8 圓舞）
Hora at the Kibbutz（以色列霍拉）
Hopak of the Steppe（烏克蘭霍帕克，純器樂）
絲路駝鈴（中西融合）
深夜便利店（現代華語流行對照）
HeartMuLa 古典標籤對照
左邊是原本的標籤，右邊加了「傳統古典、宮廷、莊重、不要爵士」之後重跑。
長安夜雨
鏡花戲
江湖令
採茶謠
完整對照：6 段 BGM
Lo-fi 讀書 BGM
輕快 Vlog 開場（烏克麗麗）
紀錄片懸疑鋪底
旅遊 Vlog 溫暖木吉他
古箏氛圍鋪底（茶席／手作影片）
民俗舞曲練習用循環（匈牙利小提琴）
完整對照：12 個音效
雨打窗＋遠雷（氛圍）
Prompt：Steady rain hitting a window pane, occasional distant thunder rumble, indoor perspective, no music.
碎石路腳步走近停下
Prompt：Footsteps walking on a gravel path, approaching, then stopping. Single person, outdoor, no music.
木門吱呀開然後甩上
Prompt：Old wooden door creaks open slowly, then slams shut with a heavy thud. Indoor, no music.
轉場 whoosh
Prompt：Fast cinematic whoosh transition sound effect, airy swoosh with a short tail, no music.
UI 點擊與通知 pop
Prompt：Short clean UI click followed by a soft notification pop, modern app interface sound, no music.
咖啡館人聲杯盤氛圍
Prompt：Busy cafe ambience, indistinct chatter, cups and plates clinking, an espresso machine hissing, no music.
貓叫然後呼嚕
Prompt：A cat meows twice then starts purring softly, close-up, quiet room, no music.
煙火升空爆裂
Prompt：Firework rocket whistles up and bursts with crackling sparkles, distant crowd cheering, outdoor night, no music.
機械鍵盤打字
Prompt：Fast typing on a clicky mechanical keyboard, close-up, quiet office, no music.
海浪打卵石灘
Prompt：Gentle ocean waves rolling onto a pebble beach, water draining back through the pebbles, seagulls far away, no music.
剪紙與摺紙手作聲
Prompt：Scissors cutting through thick paper, then paper being folded and creased on a wooden table, close-up, no music.
玻璃摔破
Prompt：A drinking glass falls onto a tile floor and shatters, shards scattering, indoor, no music.
模型下載
全部從 Hugging Face 下載，都是 ComfyUI 可以直接讀的版本。
ACE-Step 1.5：https://huggingface.co/Comfy-Org/ace_step_1.5_ComfyUI_files
| 檔案 | 大小 | 放置位置 |
|---|---|---|
checkpoints/ace_step_1.5_turbo_aio.safetensors（一個檔搞定） | 10.0 GB | models/checkpoints/ |
split_files/diffusion_models/acestep_v1.5_xl_turbo_bf16.safetensors（XL 版才要） | 9.97 GB | models/diffusion_models/ |
split_files/text_encoders/qwen_0.6b_ace15.safetensors 與 qwen_4b_ace15.safetensors（XL 版才要） | 1.19 GB、8.38 GB | models/text_encoders/ |
split_files/vae/ace_1.5_vae.safetensors（XL 版才要） | 0.34 GB | models/vae/ |
Stable Audio 3：https://huggingface.co/Comfy-Org/stable-audio-3
| 檔案 | 大小 | 放置位置 |
|---|---|---|
checkpoints/stable_audio_3_medium.safetensors | 9.22 GB | models/checkpoints/ |
text_encoders/t5gemma_b_b_ul2.safetensors | 1.19 GB | models/text_encoders/ |
Small-SFX 與 Small-Music 各 2.27 GB，同一個 repo，想省硬碟可以只抓其中一個試試，但我的結果是 Medium 更好。
MiniMax Music 3：https://huggingface.co/Comfy-Org/MiniMax-Music-3
| 檔案 | 大小 | 放置位置 |
|---|---|---|
diffusion_models/minimax_music3_dit_fp16.safetensors | 4.91 GB | models/diffusion_models/ |
text_encoders/minimax_music3_text_encoder_pruned_bf16.safetensors（顯存有限可改抓 int8 版） | 16.7 GB | models/text_encoders/ |
vae/minimax_music3_dav.safetensors | 0.22 GB | models/vae/ |
HeartMuLa 3B：需要社群節點 ComfyUI_FL-HeartMuLa，模型會自動下載到 models/heartmula/。它的依賴清單會把幾個常用套件升版，我最後是手動只裝需要的幾個，一般使用者請先備份環境再裝。
相關文章
- 開源歌曲模型評比題目全公開：17 首歌詞、曲風規格與 12 個音效 Prompt — 本文所有題目的歌詞與 prompt 正本
- Suno AI Prompt 產生器 — 我平常寫 Suno 風格描述用的小工具，這次測試的曲風描述也是從這套詞彙出發
- Behind the Song: Waltz of the Shadows — 用 Suno 做的哥德華爾滋，這次評比最早的 smoke test 就是拿它的歌詞去跑
