ace-step/ACE-Step-1.5

ACE‑Step 1.5 – 開源音樂生成模型

是什麼 – ACE‑Step 1.5 是一個可在消費級硬體上生成完整音樂（從短迴圈到 10 分鐘曲目）的基礎模型。它結合了負責規劃歌曲（歌詞、結構、元資料）的語言模型與實際合成音訊的擴散Transformer（DiT）。該倉儲提供模型權重、推論程式碼、Gradio Web UI、REST API 以及輕量級 LoRA 微調工具。

核心功能

• 速度 – A100 上每首歌 <2 秒，RTX 3090 上 <10 秒；基礎模型可運行在 <4 GB VRAM 環境下。
• 品質 – 經基準測試，性能與商用服務相當（介於 Suno v4.5 與 Suno v5 之間）；XL（4 B）版本進一步提升保真度。
• 控制 – 支援 50+ 種語言的提示驅動生成，可調節 BPM/音高/調式、時長、樂器音色。可選參考音訊用於模仿風格、製作翻唱、重繪段落或轉換人聲為伴奏。
• 個人化 – 僅需 8 首歌曲（RTX 3090 上約 1 小時）即可一鍵完成 LoRA 訓練，捕捉使用者風格。
• 多軌與編輯 – 支援生成音軌、添加層次、分離軌道，並輸出歌詞時間戳（LRC）。

如何使用

1. 安裝輕量級 uv 套件管理器並執行 uv sync 以設定環境。
2. 使用 uv run acestep 啟動 Gradio UI（或使用 uv run acestep‑api 啟動 REST API）。
3. 選擇 DiT 模型（base、sft、turbo 或 XL）和可選語言模型（0.6 B–4 B）——UI 會根據你的 GPU 自動選擇最佳配置。
4. 輸入文字描述（或上傳參考音訊檔案），點擊 Generate；系統將輸出 wav 檔案及可選元資料（BPM、音高、歌詞、音軌等）。
5. 如需風格化微調，打開 Gradio 中的 LoRA Training 標籤頁，上傳小資料集並開始訓練。

模型庫 – 倉儲包含多個 DiT 檢查點：

• acestep‑v15‑base（中等品質，快速）
• acestep‑v15‑sft（更高品質，監督微調）
• acestep‑v15‑turbo（極高速，CFG 步驟較少）
• XL 版本（‑xl‑base、‑xl‑sft、‑xl‑turbo）採用 4 B DiT 解碼器，實現最佳音訊保真度。

對應的語言模型檢查點（acestep‑5Hz‑lm‑0.6B/1.7B/4B）提供規劃、歌詞生成和音訊理解能力。

在不同硬體上執行 – 倉儲提供 Windows、Linux 和 macOS（Apple Silicon 透過 MLX）的啟動腳本。支援 CUDA、ROCm、Intel XPU 和純 CPU 模式，具備自動 INT8 量化與低 VRAM GPU 的卸載功能。

社群與擴充 – 提供 Discord 伺服器、"Awesome ACE‑Step" 清單以及 VST3 插件，便於整合至 DAW 中。專案採用 MIT 許可證，並包含關於生成音樂責任使用之明確免責聲明。

---

TL;DR – ACE‑Step 1.5 是一個在消費級 GPU 上運行的快速、高品質、開源音樂生成系統，支援廣泛提示控制，並提供一鍵 LoRA 微調以實現個人風格適配。