ace-step/ACE-Step-1.5

ACE‑Step 1.5 – 开源音乐生成模型

是什么 – ACE‑Step 1.5 是一个可在消费级硬件上生成完整音乐（从短循环到10分钟曲目）的基础模型。它结合了负责规划歌曲（歌词、结构、元数据）的语言模型与实际合成音频的扩散Transformer（DiT）。该仓库提供了模型权重、推理代码、Gradio Web UI、REST API 以及轻量级 LoRA 微调工具。

核心功能

• 速度 – A100 上每首歌 <2 秒，RTX 3090 上 <10 秒；基础模型可运行在 <4 GB VRAM 环境下。
• 质量 – 经基准测试，性能与商用服务相当（介于 Suno v4.5 与 Suno v5 之间）；XL（4 B）版本进一步提升保真度。
• 控制 – 支持 50+ 种语言的提示驱动生成，可调节 BPM/键/调式、时长、乐器音色。可选参考音频用于模仿风格、制作翻唱、重绘段落或转换人声为伴奏。
• 个性化 – 仅需 8 首歌曲（RTX 3090 上约 1 小时）即可一键完成 LoRA 训练，捕捉用户风格。
• 多轨与编辑 – 支持生成音轨、添加层次、分离轨道，并输出歌词时间戳（LRC）。

如何使用

1. 安装轻量级 uv 包管理器并运行 uv sync 以设置环境。
2. 使用 uv run acestep 启动 Gradio UI（或使用 uv run acestep‑api 启动 REST API）。
3. 选择 DiT 模型（base、sft、turbo 或 XL）和可选语言模型（0.6 B–4 B）——UI 会根据你的 GPU 自动选择最佳配置。
4. 输入文本描述（或上传参考音频文件），点击 Generate；系统将输出 wav 文件及可选元数据（BPM、键、歌词、音轨等）。
5. 如需风格化微调，打开 Gradio 中的 LoRA Training 标签页，上传小数据集并开始训练。

模型库 – 仓库包含多个 DiT 检查点：

• acestep‑v15‑base（中等质量，快速）
• acestep‑v15‑sft（更高质量，监督微调）
• acestep‑v15‑turbo（极高速，CFG 步骤较少）
• XL 版本（‑xl‑base、‑xl‑sft、‑xl‑turbo）采用 4 B DiT 解码器，实现最佳音频保真度。

对应的语言模型检查点（acestep‑5Hz‑lm‑0.6B/1.7B/4B）提供规划、歌词生成和音频理解能力。

在不同硬件上运行 – 仓库提供 Windows、Linux 和 macOS（Apple Silicon 通过 MLX）的启动脚本。支持 CUDA、ROCm、Intel XPU 和纯 CPU 模式，具备自动 INT8 量化与低 VRAM GPU 的卸载功能。

社区与扩展 – 提供 Discord 服务器、"Awesome ACE‑Step" 列表以及 VST3 插件，便于集成到 DAW 中。项目采用 MIT 许可证，并包含关于生成音乐负责任使用的明确免责声明。

---

TL;DR – ACE‑Step 1.5 是一个在消费级 GPU 上运行的快速、高质量、开源音乐生成系统，支持广泛提示控制，并提供一键 LoRA 微调以实现个人风格适配。