[ETC] SUNO V6의 경쟁자? 오픈소스 음악 생성 모델 ‘YuE2’｜Suno와 무엇이 다를까?
본문
안녕하세요. 사운드캣입니다!
AI 음악 생성 기술이 빠르게 발전하면서 이제는 단순히 “노래를 만들어주는 AI”를 넘어,
음악의 구성과 수정 과정까지 직접 다루는 단계로 발전하고 있습니다.
대표적인 서비스가 Suno라면,
최근에는 음악 생성 모델 자체를 공개하는 YuE2가 주목받고 있습니다.
YuE2는 흔히 ‘Suno의 대항마’로 소개되지만,
정확하게는 Suno V6에 대응하기 위해 만들어진 모델이라기보다 기존 YuE 계열을 이어가는 오픈 음악 생성 모델입니다.
그렇다면 YuE2는 Suno V6와 무엇이 다를까요?
01. YuE2-3B가 주목받는 이유?
기존의 음악 생성 AI는 대부분 텍스트 프롬프트를 입력하면 바로 오디오를 생성하는 방식으로 작동합니다.
문제는 곡 전체는 마음에 들지만,
특정 구간의 멜로디나 코드가 마음에 들지 않을 때입니다.
원하는 부분만 세밀하게 수정하기 어렵기 때문에 프롬프트를 다시 작성하고, 곡 전체를 다시 생성해야 하는 경우가 많습니다.
그런데 YuE2-3B는 다릅니다.
YuE2-3B는 오디오를 생성하기 전에 멜로디와 코드를 오디오 파일을 Symbolic 형태(악보의 형태, 예 > MIDI 파일)로 먼저 계획합니다.
그리고 이 계획을 악보 형태의 Symbolic Score로 구성한 뒤, 이를 바탕으로 오디오를 생성합니다.
가사·스타일 입력 → 음악 구조 계획 → Symbolic Score → 오디오 생성
즉, 오디오가 만들어지기 전에 음악의 구조를 확인하고 수정할 수 있는 단계가 하나 더 존재하는 것입니다.
예를 들어 코드 진행이나 멜로디를 수정하거나, 특정 구간의 솔로를 조정한 뒤 변경된 악보를 바탕으로 오디오를 다시 생성할 수 있습니다.
이렇게 악보를 수정하고 다시 생성하는 과정을 여러 번 반복하면서 원하는 음악에 가까워지도록 다듬을 수 있다는 것이 YuE2-3B의 중요한 특징입니다.
결국 YuE2-3B의 차별점은 단순히 음악을 생성하는 데 그치지 않고, AI가 만들어낸 음악의 구조를 확인하고 직접 수정할 수 있다는 점에 있습니다.
이러한 방식을 활용하면 AI에게 결과물을 한 번에 맡기는 것이 아니라, 악보를 중간 매개로 활용해 창작자의 의도를 반영하면서 음악을 만들어가는 작업이 가능해집니다.
02. YuE2는 어떻게 음악을 만들까?
YuE2의 기본적인 생성 과정은 다음과 같습니다.
가사 + 스타일 프롬프트
↓
Symbolic Planning
↓
멜로디·코드 계획
↓
ABC notation 기반 Symbolic Score (악보)
↓
오디오 생성
즉, 가사와 스타일을 입력한 뒤 바로 오디오를 생성하는 것이 아니라 멜로디와 코드의 음악적 구조를 먼저 계획합니다.
이 과정에서 생성되는 것이 Symbolic Score입니다.
YuE2 공식 데모에서는 이 스코어를 확인하고 재생하거나 ABC notation 형태로 확인할 수 있습니다.
이것이 YuE2의 가장 중요한 특징입니다.
음악을 단순한 오디오 결과물로만 다루는 것이 아니라, 멜로디와 코드라는 구조적 정보를 중간 단계에서 다룬다는 것입니다.
03. Suno V6와 근본적으로 다른 부분
Suno V6 역시 단순히 음악을 한 번 생성하고 끝나는 서비스가 아닙니다.
Suno는 기존 음악의 특정 부분을 수정하거나, 가사를 변경하고,
여러 소스를 결합하는 등 생성 이후의 편집 기능을 계속 확장하고 있습니다.
따라서 차이를
Suno = 생성
YuE2 = 편집
으로 나누는 것은 정확하지 않습니다.
차이는 음악을 제어하는 방식입니다.
Suno V6
사용자가 자연어로 원하는 작업을 지시하고, 생성된 음악을 수정하면서 완성해가는 서비스 중심의 제작 환경입니다.
예를 들어,
“이 부분을 더 웅장하게 바꿔줘.” “후렴의 이 가사만 수정해 줘.”
처럼 결과물을 중심으로 음악을 다듬을 수 있습니다.
YuE2
음악 생성 과정에서 멜로디와 코드 계획을 Symbolic Score로 표현합니다.
즉,
“이 멜로디와 코드 구조를 바탕으로 다른 버전을 만들어보자.”
라는 식으로 음악의 구조를 활용할 수 있습니다.
결국 Suno V6와 YuE2의 가장 큰 차이는 ‘편집 가능 여부’가 아니라 ‘음악을 어떤 형태로 표현하고 제어하는가’에 있습니다.
04. AI 음악에서 중요한 또 하나의 문제, ‘무엇을 학습했는가?’
YuE2와 Suno V6를 비교할 때 기능과 성능만큼 중요한 것이 하나 있습니다.
바로 학습 데이터(Training Data)입니다.
AI 음악 생성 모델은 어떤 데이터를 학습했는지에 따라 모델이 만들어내는 음악의 특성과 방향에도 영향을 받을 수 있기 때문입니다.
실제로 가장 중요합니다. 예를 들어 내가 시험을 작문 시험을 보는데
어떤 책을 얼마만큼 많이 읽었는지에 따라서 결과가 달라지는 것처럼요.
특히 최근 AI 음악 시장에서는 단순히
“어떤 AI가 더 좋은 음악을 만드는가?”
를 넘어,
“이 AI는 어떤 데이터를 학습했으며, 그 데이터의 출처와 권리관계를 얼마나 확인할 수 있는가?”
라는 문제도 중요해지고 있습니다.
Suno V6, 왜 기존 V5.5보다 질이 떨어졌다고 느낄까?
Suno는 V6를 기존 모델의 단순한 업데이트가 아니라 새로운 세대의 음악 생성 모델로 소개하고 있습니다.
Suno에 따르면 V6는 Warner Music Group, BMG, Believe 등 음악 업계 파트너와 함께 개발된 새로운 모델 군이며,
이전 세대와는 다른 방식으로 개발됐습니다. Suno는 V6가 이전 모델에 사용된 데이터를 그대로 사용하지 않았다고 설명하고 있으며,
외부 보도에서는 라이선스 된 음악과 Suno 사용자 데이터, 이전 모델에서 얻은 기술적·선호도 관련 학습을 활용했다고 전했습니다.
이러한 변화의 배경에는 Suno를 둘러싼 저작권 소송과 음악 업계와의 관계 변화가 있습니다.
Suno는 주요 음악 업계 관계자들과 저작권 문제를 둘러싼 법적 분쟁을 겪었고,
이후 Warner Music Group과 BMG, Believe 등과 라이선스를 체결하였습니다.
V6는 이전처럼 인터넷에서 불법적으로 수집한 대규모 음악 데이터를 기반으로 한 모델에서 벗어나,
음악 업계와의 라이선스 및 협력 관계를 맡은 데이터만을 사용한 모델이라고 볼 수 있습니다.
그렇다면 여기서 한 가지 의문이 생깁니다.
“기존 모델과 다른 학습 데이터를 사용했다면, 결과물의 성향도 달라질 수 있지 않을까?”
실제로 V6 공개 이후 일부 사용자들은 이전 버전과 비교해 음질이나 창의성, 표현력 등이 떨어졌다는 반응을 보이고 있습니다.
일부 사용자들은 이러한 변화의 원인으로 이전보다 제한적이고 다양성이 낮은 학습 데이터를 추측하고 있습니다.
특히 이전 모델보다 학습 데이터의 범위와 구성이 달라졌고,
라이선스 된 음악과 사용자 데이터를 중심으로 새로운 모델을 구축하면서 결과물의 성향에도 변화가 생긴 것 아니냐는 해석이 나오는 것입니다.
다만 여기에는 중요한 한계가 있습니다.
“라이선스 되지 않은 데이터를 제외했기 때문에 V6의 성능이 떨어졌다"라고 공식적으로 확인된 것은 아닙니다.
다만 그렇게 추정할 뿐이죠.
그런데 V6가 나왔다고 저작권 논쟁이 끝난 것은 아닙니다
여기서 현재 시점에서 꼭 짚어야 할 부분이 하나 더 있습니다.
Suno는 V6를 라이선스 된 데이터와 음악 업계 파트너십을 바탕으로 개발한 새로운 모델이라고 설명하고 있지만,
2026년 9월 18일에는 Sony Music Entertainment와 Universal Music Group이 V6를 포함한
새로운 모델에 대해 또다시 저작권 소송을 제기했습니다.
이번 소송에서 Sony와 UMG 측은 V6가 합법적이라고 주장하지만
이전 모델의 정보 등을 활용했다는 점을 문제 삼고 있는데
즉, V5.5까지 불법적으로 수집한 데이터를 사용하는데 V6가 그 정보를 참고하니
V6도 불법이라는 이야기입니다.
반면 Suno는 이러한 주장이 사실관계와 법적으로 잘못됐다고 반박하고 있으며, V6는 라이선스 된 파트너 콘텐츠와 사용자와의 상호작용,
자사의 기술적 학습을 바탕으로 만들어졌다고 설명하고 있습니다.
즉, 현재 상황을 단순히
기존 Suno = 저작권 논란
V6 = 라이선스 데이터로 완전히 해결
이라고 정리하기는 어렵습니다.
V6가 라이선스 된 음악을 활용하는 새로운 방향으로 개발된 것은 확인되지만,
그 데이터가 이전 모델과 어떤 관계를 갖는지에 대해서는 현재 법적 논쟁이 진행 중이기 때문입니다.
그렇다면 YuE2는 어떤 데이터를 학습했을까?
YuE2 개발진은 공식적으로 모델을 저작권이 없거나 만료된 음악과 합성 데이터(Synthetic Data)를 중심으로 학습했다고 설명하고 있습니다.
공식 자료에 따르면 YuE2의 학습 데이터 규모는 약 346K 시간이며, 합성 학습 데이터의 대부분은 Tokenwave.AI가 라이선스를 통해 제공했다고 밝히고 있습니다.
즉 개발진의 공식 설명만 놓고 보면 YuE2는 상업 음원을 무단으로 대규모 학습에 사용했다고 밝힌 모델이 아니라,
저작권이 없는 음악과 라이선스 된 합성 데이터를 중심으로 학습한 모델이라는 이야기죠.
하지만 여기서도 중요한 차이가 있습니다.
“개발진이 저작권이 없는 음악과 합성 데이터를 중심으로 사용했다고 설명했다"라는 것이지
전체가 그렇다는 이야기는 아닙니다.
현재 공개된 YuE2 자료에서는 346K 시간이라는 전체 규모와 주요 데이터 구성은 공개되어 있지만,
학습 데이터 전체를 개별 음원 단위로 확인할 수 있는 상세한 데이터 셋 목록이 공개된 것은 아닙니다.
따라서 외부에서는 346K 시간에 해당하는 모든 데이터의 출처와 권리관계를 하나하나 대조하기 어렵습니다.
Suno V6와 YuE2를 함께 보면
Suno V6와 YuE2는 학습 데이터에 접근하는 방향부터 차이가 있습니다.
Suno는 저작권 분쟁 이후 Warner Music Group, BMG, Believe 등과 라이선스 및 협력 관계를 확대하고,
새로운 라이선스 데이터를 포함한 V6 모델 군을 선보였습니다.
반면 YuE2는 개발진의 설명에 따르면 저작권이 없는 음악과 합성 데이터를 중심으로 학습했으며,
합성 데이터의 대부분은 Tokenwave.AI로부터 라이선스를 받아 제공받았습니다.
하지만 두 모델 모두 학습 데이터와 관련해 단순하게 결론을 내리기는 어렵습니다.
Suno V6는 이전 모델과 다른 데이터로 새롭게 개발됐다는 점은 확인되지만,
그 변화가 V6의 성능 저하로 직접 이어졌다는 것은 공식적으로 확인되지 않았습니다.
결국 AI 음악을 바라볼 때는 단순히
“어떤 모델이 더 좋은 음악을 만드는가?” 만 볼 것이 아니라,
① 어떤 데이터를 학습했는가
② 그 데이터의 권리관계는 어떻게 되는가
③ 학습 데이터가 얼마나 투명하게 공개되어 있는가
④ 생성된 음악을 사용할 때 어떤 이용 조건이 적용되는가
까지 함께 살펴볼 필요가 있습니다.
AI 음악의 경쟁은 이제 음질이나 생성 성능만의 경쟁이 아니라,
어떤 데이터를 기반으로 만들어졌고 그 과정을 얼마나 투명하게 설명할 수 있는가의 문제로도 이어지고 있습니다.
05. 수정 가능한 악보가 YuE2의 핵심 가치
다시 YuE2 이야기로 돌아오겠습니다. 위에서도 말씀드렸듯 YuE2의 가장 큰 특징은 부분은 편집 가능한 악보입니다.
완성된 오디오 파형의 일부를 직접 수정하고 나머지는 그대로 유지하는 편집 기능이 아닙니다.
악보를 수정한 뒤,
수정된 음악적 구조 → 새로운 오디오 생성
과정을 거치는 방식입니다.
예를 들어 기존 멜로디를 유지하면서 스타일을 변경하거나, 음악적 구조를 활용해 새로운 버전을 만드는 작업을 생각할 수 있습니다.
YuE2 공식 데모에서도 기존 멜로디를 유지하면서 재즈 스타일로 변경하는 사례, 스타일 변경, 화성 변경 등의 예시를 보여주고 있습니다.
이 방식의 장점은 AI에게 매번 처음부터
“새로운 곡을 만들어줘.”
라고 요청하는 것이 아니라,
기존 음악의 구조를 기준으로 변형을 시도할 수 있다는 점입니다.
다만 스코어를 수정한 뒤에는 새로운 오디오를 다시 생성해야 하므로, 기존 파형을 그대로 보존하면서 부분 수정하는 DAW 편집과는 다른 개념입니다.
06. 실제 성능은 어떨까?
YuE2 팀은 2026년 9월 12일 WildSongBench라는 자체 벤치마크를 공개했습니다.
WildSongBench(와일드송벤치)는 인공지능 음악 생성 모델들의 성능을 객관적으로 비교하고 평가하기 위해 만들어진 자동화 벤치마크 평가로 곡의 종합적인 완성도, 오디오 해상도, 프롬프트 일치도, 가사 발음 정확도 등 기계적인 측정값을 기반으로 합니다.
음악적 감동이나 체감 퀄리티를 온전히 대변하지 못하기 때문에 순위를 그대로 맹신하기는 어려우니 참고로만.
|
모델 |
SongBench 평균 |
PER |
|
YuE2 (best-of-8) |
6.9632 |
9.79% |
|
Mureka 9 |
6.9377 |
11.69% |
|
Suno V5 |
6.8721 |
8.10% |
|
YuE2 |
6.7316 |
8.44% |
|
Suno V6 |
6.5562 |
7.58% |
주요 결과는 다음과 같습니다.
여기서 YuE2와 best-of-8을 구분해야 합니다.
일반 YuE2의 SongBench 평균은 6.7316, 여러 후보 중 가장 좋은 결과를 선택하는 best-of-8은 6.9632입니다.
오픈소스이기 때문에 여러 가지 엔진 버전이 있을 수 있습니다.
또한 이 결과는 YuE2 팀이 직접 구성한 WildSongBench에서 측정된 결과입니다.
WildSongBench와 비교한 벤치마크 결과
YuE2는 컴퓨터에 직접 설치해 사용하기 때문에 웹 기반 서비스인 Suno와 사용 방식에서도 차이가 있습니다.
때문에 실행을 위해 충분한 고성능 GPU와 시스템 메모리가 필요합니다.
위와 같은 구조로 최대 5분 길이의 곡을 생성할 수 있으며,
가사뿐만 아니라 멜로디와 코드 구조를 먼저 짜고 그에 따라 곡을 생성해 주는 AI 모델입니다.
이 벤치마크 수치만으로
“YuE2가 Suno V6보다 우수하다.”
라고 단정하기는 어렵습니다.
실제로 지표별 결과도 다릅니다.
PER은 낮을수록 좋은 지표인데,
YuE2 8.44%
Suno V6 7.58%
로 Suno V6가 더 낮습니다.
AllMusicCaps 역시
Suno V6 0.4305
YuE2 0.4054
로 보고됐습니다.
즉, 모델의 성능은 하나의 점수로 판단하기보다 어떤 평가 지표와 조건에서 어떤 결과를 보였는지를 함께 봐야 합니다.
07. 한국어 지원은?
현재 공개된 YuE2 자료에서 주요하게 확인되는 언어는 중국어와 영어이며, 일본어 보컬 사례도 확인됩니다.
다만, 현재 단계에서
“YuE2가 한국어 음악도 안정적으로 지원한다.”
고 단정하기는 어렵습니다.
특히 한국어 음악은 가사를 입력할 수 있는 것과 자연스러운 보컬을 생성하는 것이 별개의 문제입니다.
음절 구조와 받침, 발음, 억양 등이 자연스럽게 표현되는지는 실제 한국어 테스트가 필요합니다.
한국어 음악 제작을 목적으로 한다면 이 부분은 직접 결과물을 확인할 필요가 있습니다.
08. 오픈소스라는 점도 중요한 차이
YuE2는 모델과 관련 자료를 공개하고 있다는 점에서도 Suno와 차이가 있습니다.
다만 오픈소스라고 해서 상업적으로 자유롭게 사용할 수 있다는 의미는 아닙니다.
YuE2의 공개 라이선스에는 CC BY-NC 4.0 조건이 적용되어, 비상업적 사용 조건이 명시되어 있습니다.
Suno보다 더 좋은 성능을 보여주는지는 사용 목적과 환경에 따라 달라질 수 있습니다.
다만 현재 공개된 오픈소스 음악 생성 모델 가운데 Suno와 충분히 비교할 수 있는 수준의 성능을 보여주는 모델이라는 점은 주목할 만합니다.
특히 DAW로 음악을 만드는 프로듀서(작곡가)의 입장이라면 훨씬 더 좋은 솔루션이 될 수도 있습니다.
???? 09. YuE2 vs Suno V6 한눈에 보기
|
구분 |
Suno V6 |
YuE2 |
|
기본 형태 |
상용 AI 음악 생성 서비스 |
공개형 음악 생성 모델 |
|
핵심 방향 |
생성 + 편집 |
생성 + Symbolic Planning |
|
음악 생성 |
⭕ |
⭕ |
|
자연어 편집 |
⭕ |
접근 방식이 다름 |
|
멜로디·코드 계획 |
생성 과정에서 처리 |
Symbolic Score로 확인 가능 |
|
ABC Score |
중심 기능 아님 |
지원 |
|
음악 구조 활용 |
서비스 중심 |
구조적 표현 가능 |
|
모델 공개 |
❌ |
⭕ |
|
라이선스 |
Suno 약관 적용 |
CC BY-NC 4.0 등 확인 필요 |
마무리
YuE2를 단순히 “Suno V6의 대항마”라고 부르는 것만으로는 핵심을 설명하기 어렵습니다.
두 모델의 가장 큰 차이는 음악을 만드는 과정에서 어떤 표현을 사용하는가에 있습니다.
Suno V6는 자연어를 이용해 음악을 생성하고, 특정 부분을 수정하면서 완성도를 높이는 사용자 중심의 음악 제작 환경을 발전시키고 있습니다.
반면 YuE2는
가사 + 스타일 프롬프트
→ Symbolic Planning
→ 멜로디·코드 기반 Symbolic Score
→ 오디오 생성
이라는 구조를 통해 음악의 구조를 보다 직접적으로 다루는 방식을 보여줍니다.
특히 악보를 수정 편집한다는 점에서 음악적 구조를 수정한 뒤 새로운 오디오를 생성하는 방식이라는 점에서
음악을 만드는 작곡가(프로듀서)에게는 좀 더 적합합니다.
Suno V6가 사용하기 쉬운 음악 제작 환경을 확장하고 있다면,
YuE2는 음악의 구조를 직접 다룰 수 있는 오픈 모델이라는 방향을 보여주고 있습니다.
앞으로 AI 음악이 단순한 자동 생성 도구를 넘어 작곡·편곡 과정에 직접 개입하는 도구로 발전할 수 있을지, 계속 지켜볼 만합니다.
사운드캣도 앞으로 새로운 AI 음악 기술과 오디오 기술을 정확하게 정리해 소개해 드리겠습니다. ????
감사합니다.
전문 리뷰 기사 보기 (한국어)
댓글목록0