ace-step/ACE-Step-1.5

ACE‑Step 1.5 – オープンソース音楽生成モデル

何であるか – ACE‑Step 1.5 は、コンシューマー向けハードウェアでフル長の音楽（短いループから10分までのトラックまで）を生成するためのファウンデーションモデルです。このモデルは、楽曲の構成（歌詞、構造、メタデータ）を計画する言語モデルと、実際に音声を合成するDiffusion‑Transformer（DiT）を組み合わせています。リポジトリにはモデル重み、推論コード、Gradio Web UI、REST API、および軽量なLoRA微調整ツールが含まれます。

主な機能

• 高速性 – A100では1曲あたり<2秒、RTX 3090では<10秒。ベースモデルは<4 GB VRAMで動作可能。
• 高品質 – 商用サービスと同等の性能（Suno v4.5とSuno v5の間）をベンチマークで確認。XL（4 B）バージョンはさらに高精細な音質を実現。
• 制御性 – 50以上の言語に対応するプロンプト駆動型生成、BPM/キー/スケール、長さ、楽器のトーンを制御可能。オプションの参照音声により、スタイルを模倣、カバー曲作成、セクションの再描画、ボーカルをアコースティックに変換などが可能。
• パーソナライズ – 8曲程度（RTX 3090で約1時間）でワンクリックLoRA学習を実行し、ユーザーのスタイルを捉える。
• マルチトラック＆編集 – ステム生成、レイヤー追加、トラック分離、およびLyricタイムスタンプ（LRC）出力が可能。

使い方

1. 軽量な uv パッケージマネージャーをインストールし、uv sync を実行して環境をセットアップ。
2. uv run acestep（Gradio UI）または uv run acestep‑api（REST API）で起動。
3. DiTモデル（base、sft、turbo、XL）とオプションのLM（0.6 B–4 B）を選択。UIがGPUに最適な構成を自動選択。
4. テキスト記述（または参照音声ファイル）を入力し、Generate をクリック。wavファイルとオプションのメタデータ（BPM、キー、歌詞、ステムなど）が出力される。
5. スタイル特化の微調整を行うには、Gradioの LoRA Training タブを開き、小さなデータセットをアップロードして学習を開始。

モデルズー – リポジトリには以下のDiTチェックポイントが提供されています：

• acestep‑v15‑base（中程度の品質、高速）
• acestep‑v15‑sft（高品質、教師あり微調整済み）
• acestep‑v15‑turbo（非常に高速、CFGステップ数低め）
• XLバージョン（‑xl‑base、‑xl‑sft、‑xl‑turbo）は4 BのDiTデコーダーを搭載し、最高の音質を実現。

対応する言語モデルチェックポイント（acestep‑5Hz‑lm‑0.6B/1.7B/4B）は、計画、歌詞生成、音声理解機能を提供します。

異なるハードウェアでの実行 – Windows、Linux、macOS（Apple SiliconはMLX経由）用の起動スクリプトを提供。CUDA、ROCm、Intel XPU、CPUオンリー対応。低VRAMGPU向けに自動INT8量子化とオフロードをサポート。

コミュニティと拡張機能 – Discordサーバー、"Awesome ACE‑Step"リスト、VST3プラグインを提供し、DAWへの統合を可能にしています。プロジェクトはMITライセンスで、生成音楽の責任ある利用について明確な免責事項を含んでいます。

---

TL;DR – ACE‑Step 1.5 は、コンシューマーGPUで動作する高速かつ高品質なオープンソース音楽生成システム。プロンプトベースの広範な制御と、ワンクリックLoRA微調整によるスタイルカスタマイズを備えています。