ACE-Schritt 1.5 Kostenlos

ACE-Step 1.5 ist ein Open-Source-Musik-Basismodell, das gemeinsam von ACE Studio und StepFun herausgebracht wurde. Der Schwerpunkt liegt auf der lokalen Bereitstellung, der Hochgeschwindigkeitsgenerierung und dem Singen mehrsprachiger Liedtexte. Es unterstützt textgenerierte Songs, Cover, Neuzeichnungen, Trennung von Audiospuren und andere Bearbeitungsfunktionen und kann mit 4 GB Videospeicher ausgeführt werden.

Vollständige Rezension von #ACE-Step 1.5

Kernparameter und Statistiken

Projekt	Spezifikationen
Produktpositionierung	Basismodell für Open-Source-Musik
Entwickler	ACE Studio + StepFun
Architektur	LM (Song Planning) + DiT (Acoustic Rendering) Mix
Generationsgeschwindigkeit	A100 ≈ 2 Sekunden/Song, RTX 3090 ≈ 10 Sekunden/Single
Mindestvideospeicher	4 GB (einige Konfigurationen)
Unterstützte Plattformen	CUDA, Apple Silicon, ROCm, Intel XPU
Open-Source-Lizenz	MIT
Lyrische Sprache	Über 50 Sprachen

ACE-Step 1.5 ist wahrscheinlich das hardwarefreundlichste Open-Source-Musikgenerierungsmodell, das derzeit verfügbar ist. Der Schwellenwert von 4 GB Videospeicher bedeutet, dass Consumer-Grafikkarten der letzten fünf Jahre ausgeführt werden können, was frischen Wind in die Musikbranche bringt, die oft A100 erfordert.

Benutzer- und Markterkennung

ACE-Step 1.5 gewinnt in der Community der Open-Source-Musikgenerierung schnell an Bedeutung. Im Vergleich zu Closed-Source-Produkten wie Suno gibt es folgende Unterschiede: ① MIT-Lizenz, kostenlos für kommerzielle Nutzung und Sekundärentwicklung; ② Unterstützt die lokale Bereitstellung, Daten verlassen das Gerät nicht; ③ Stellen Sie eine vollständige Bearbeitungspipeline bereit (Generieren → Cover → Neu zeichnen → Titel teilen), was nicht nur so einfach ist wie „einen Song generieren“. Der herausragende Vorteil von ACE-Step gegenüber SongGeneration ist die geringere Inferenzgeschwindigkeit und der geringere Speicherbedarf.

Werbeüberprüfung: „4–8 Schritte destillierter Schlussfolgerung, A100 generiert den gesamten Song in etwa 2 Sekunden“ – Diese Geschwindigkeit ist mit kurzen Clips (10–30 Sekunden) erreichbar, aber die Schlussfolgerungszeit erhöht sich erheblich, wenn ein vollständiger Song von 3–5 Minuten generiert wird. Die Destillationsinferenz hat offensichtliche Beschleunigungseffekte bei gleichzeitiger Beibehaltung der Klangqualität, die Klangqualität kann jedoch bei sehr geringen Schrittzahlen unter Detailverlust leiden.

Kostenvorteil

Abmessungen	Beschreibung
Code	Kostenlos unter MIT-Lizenz
Modellgewichte	Öffentlicher Download
Online-Demo	Kostenlose Testversion
Selbstbereitstellung	RTX 3090/4090 läuft flüssig

KOSTENLOSE WAHRHEIT: MIT-Lizenz, Code und Modellgewichte können kostenlos heruntergeladen werden. Die niedrigsten Kosten für selbst bereitgestellte Hardware spiegeln sich in der vorhandenen Grafikkarte wider – wenn Sie ein RTX 3090-Modell oder ein höheres Modell zur Hand haben, sind die zusätzlichen Kosten nahezu Null; Wenn Sie neue Hardware kaufen müssen, kann eine RTX 4060 (4 GB Videospeicher) für etwa 2.000 bis 3.000 Yuan die Mindestanforderungen erfüllen. Für Nutzer, die es einfach mal ausprobieren möchten, ist die Online-Demo die kostengünstigste Variante.

Hauptfunktionen

• Textgenerierter Song: Geben Sie den Text und die Stilbeschreibung ein, und die KI generiert einen vollständigen Song. Es wird jede Dauer von 10 Sekunden bis 10 Minuten unterstützt.
• Texte und Gesang in über 50 Sprachen: Unterstützt gängige Sprachen wie Chinesisch, Englisch, Japanisch und Koreanisch sowie mehrere Nebensprachen. Dies ist ein zentrales Unterscheidungsmerkmal für YouTuber, die mehrsprachige Musikinhalte benötigen (z. B. Spielsoundtracks, die gesungene Versionen in verschiedenen Sprachen erfordern).
• Cover und Neuzeichnen: Geben Sie ein Audiostück ein und die KI interpretiert es mit einem anderen Stil oder einer anderen Stimme neu. Geeignet zur Adaption vorhandener Songs.
• Track-Trennung und -Vervollständigung: Teilen Sie Songs in Gesangs- und Backing-Tracks oder komplette Segmente auf. Von „Erstellen eines Liedes“ bis „Bearbeiten eines Liedes“ deckt es weitere Aspekte der Musikproduktion ab.
• Personalisiertes LoRA-Training: Trainieren Sie den persönlichen LoRA-Stil mit einer kleinen Anzahl von Songs. Für Ersteller mit einem festen Stil ist die Konsistenz nach der Feinabstimmung viel besser als bei einem allgemeinen Modell.

Modell- und Versionsentwicklung

Bühne	Zeit	Wichtige Änderungen	Aktuelle Bedeutung
ACE-Step 1.0	~2026-03	Stellen Sie eine Haupttext-zu-Song-Verbindung her, um grundlegende Möglichkeiten zur akustischen Erzeugung zu schaffen	Beweisen Sie, dass das Open-Source-Musikmodell vollständige Songs generieren kann
ACE-Schritt 1.5	~2026-06	Erweitert auf mehr als 50 Sprachtexte, Cover, Neuzeichnungen, Titelaufteilungen und LoRA-Training	Von „kann generieren“ auf „kann bearbeiten und anpassen“ aktualisiert werden

Der Versionierungspfad von ACE-Step ist sehr klar: Schließen Sie zuerst den Prozess der Songgenerierung aus Text ab und schließen Sie dann die Bearbeitungsschritte ab, die die Ersteller tatsächlich verwenden werden. 1.0 ähnelt eher einer Open-Source-Basislinie, während 1.5 sich einem vollständigen Musik-Workflow annähert, insbesondere durch die Funktionen zum Covern, Neuzeichnen und Aufteilen von Titeln, wodurch das Modell von einem einmaligen Generator zu einem Produktionstool weiterentwickelt wird, das wiederholt geändert werden kann.

Die Positionierung der aktuellen Version besteht nicht darin, mit Closed-Source-Plattformen um die stärkste Klangqualität des Endprodukts zu konkurrieren, sondern niedrigere Hardware-Schwellenwerte und lockere Lizenzen zu verwenden, um das „lokal lauffähige Musik-Basismodell“ zu einer umsetzbaren Wahl in der Technik zu machen. Für Forscher und Entwickler ist 1.5 bereits ein umfassenderer Meilenstein als eine reine Demo.

Technische Vorteile

Technische Punkte	Wirkmechanismus	Tatsächliche Auswirkungen
LM + DiT-Hybridarchitektur	Planen Sie zuerst die Songstruktur und rendern Sie dann die akustischen Details	Ein stabileres Gefühl der Kontrolle über Melodie, Rhythmus und Klangfarbe
Destillierte Schlussfolgerung	Komplette Probenahme in weniger Schritten	Reduzieren Sie die Wartezeit bei lokaler Bereitstellung erheblich
Modellierung mehrsprachiger Liedtexte	Binden Sie Liedtextverständnis und Gesangsgenerierung	Mehrsprachige Songs und lokalisierte Inhalte reibungsloser gestalten
LoRA personalisiertes Training	Verwenden Sie eine kleine Anzahl von Beispielen, um Stilpräferenzen einzufügen	Geeigneter für die Wiederverwendung durch Ersteller mit festen Stilen

Der Vorteil von ACE-Step 1.5 besteht nicht nur darin, dass es „Open Source“ ist, sondern auch darin, dass es Geschwindigkeit, Speicherschwelle und Bearbeitungsmöglichkeiten kombiniert. Viele ähnliche Open-Source-Modelle können Sounds erzeugen, es ist jedoch schwierig, die Geschwindigkeit der Generierung, die Nachbearbeitung und die kommerzielle Lizenzierung gleichzeitig zu berücksichtigen; Der Unterschied von ACE-Step 1.5 besteht darin, diese Details in eine relativ vollständige kreative Basis zu packen.

Verifizierung durch Werbung: Der Beamte betont, dass 4 GB Videospeicher ausgeführt werden können und grundsätzlich 4-8 Schritte der Destillationsbeschleunigung eingerichtet sind. Dieses Verkaufsargument gilt grundsätzlich für „Laufen“, es gibt jedoch eine zusätzliche Bedingung für „stabile Ausgabe qualitativ hochwertiger kompletter Songs“. Kurzfristige Snippets, Entwurfserstellung und teilweise Bearbeitung liegen eher in der Komfortzone; Wenn Sie langfristig High-Fidelity-Endprodukte anstreben, steigen die Hardware-, Inferenzzeit- und Nachbearbeitungskosten immer noch.

Wie man es benutzt

Eingang	Mindestanforderungen	Erste Schritte
Online-Demo	Über den Browser zugänglich	Geben Sie den Text und die Stilbeschreibung direkt ein und überprüfen Sie zunächst die Klangfarbe und die Rhythmusrichtung
Lokale Schlussfolgerung	4GB+ Videospeicher, CUDA oder Apple Silicon wird empfohlen	Konfigurieren Sie nach dem Herunterladen der Gewichte den Kontext gemäß dem offiziellen Lager und führen Sie das grundlegende Inferenzskript	aus
Personalisierte Schulung	Zusätzlicher Videospeicher und eine kleine Anzahl von Trainingsbeispielen	Festigen Sie Ihren persönlichen Stil oder Markenton durch LoRA-Feinabstimmung

Der schnellste Einstieg besteht darin, zunächst die Online-Demo zu verwenden, um die Wortstruktur der Aufforderung zu bestätigen, und dann zu entscheiden, ob sie lokal bereitgestellt werden soll. Für die meisten Teams ist es kostengünstiger, zunächst zu testen, „ob die Textstilbeschreibung stabilisiert werden kann, um einen brauchbaren Entwurf zu erstellen“, als von Anfang an mit der Grafikkarte herumzuspielen.

Bei lokaler Verwendung lautet die Mindestkonfiguration „ausführbar“, nicht „hoher Durchsatz“. Wenn Sie gleichzeitig lange Songs generieren, covern und verfolgen möchten, ist das 3090/4090-Gerät offensichtlich komfortabler. Für Unternehmen oder Studios wird empfohlen, den Prozess „Entwurfserstellung + manuelle Verfeinerung“ durchzuführen, anstatt die gesamte Produktionsverbindung direkt zu ersetzen.

Produktpreise

Das Preismodell unterliegt der offiziellen Echtzeitseite. In der Regel wird ein Freemium- oder Abonnementsystem verwendet und Grundfunktionen können kostenlos genutzt werden. Für erweiterte Funktionen oder eine hochfrequente Nutzung sind kostenpflichtige Abonnements erforderlich. Benutzern wird empfohlen, die optimale Lösung anhand der tatsächlichen Nutzung zu bewerten.

Anwendungsszenarien

• Schnelle Soundtrack-Generierung: Erstellen Sie individuelle Hintergrundmusik für Videos, Podcasts und Spiele. Geben Sie „Chinesischer Stil, melodisch 2 Minuten“ ein und erhalten Sie innerhalb von 30 Sekunden einen brauchbaren Soundtrack-Entwurf.
• Cover und Adaption: Covern Sie einen Song in verschiedenen Stilen – ändern Sie einen Popsong in eine Jazzversion oder übersetzen Sie einen englischen Song in eine chinesische Version. Geeignet für Inhaltsersteller zur sekundären Erstellung.
• Musiklehre und -experimente: Verwenden Sie KI, um verschiedene Stile von Musikpassagen als Unterrichtsbeispiele zu generieren oder akustische Experimente durchzuführen.

Ablehnungsszenario: Wenn Sie professionelle Mischqualität auf Publishing-Niveau benötigen, sind die von KI generierten Songs professionellen Aufnahmestudios in Bezug auf die Tonqualitätsschichtung und Mischdetails immer noch unterlegen. ACE-Step eignet sich für Entwurfs- und Demophasen, nicht für die endgültige Veröffentlichung.

Anwendbare Personen

• Indie-Musiker: Melodien und Arrangement-Richtung während des kreativen Prozesses schnell überprüfen, MIT-Lizenz erlaubt kommerzielle Nutzung. Sie müssen sich keine Sorgen über Urheberrechtsstreitigkeiten oder Probleme bei der Plattformfreigabe machen.
• Content Creator: Erstellen Sie schnell Soundtracks und Hintergrundmusik für Videos und Podcasts, um Urheberrechtsrisiken zu reduzieren. Im Vergleich zum Kauf kommerzieller Lizenzen auf Musikplattformen sind die Kosten für die Eigenerzeugung deutlich geringer.
• Audio AI Developer: Erstellen Sie Anwendungen zur Musikgenerierung auf Basis von ACE-Step, mit weniger Einschränkungen unter der MIT-Lizenz. Es muss darauf geachtet werden, ob die Klangqualität der Modellausgabe den Benutzererwartungen entsprechen kann und ob die Inferenzkosten nach der Skalierung wirtschaftlich sind.
• Game Audio Team: Erstellen Sie individuelle Hintergrundmusik und Titelsongs für das Spiel. Die MIT-Lizenz kann in kommerzielle Produkte eingebettet werden, die Klangqualität und die Konsistenz der Soundeffekte erfordern jedoch eine zusätzliche Verarbeitung.

Aktuelle Einschränkungen: ACE-Step 1.5 bietet hinsichtlich der Aussprachegenauigkeit der Liedtexte eine eingeschränkte Unterstützung für einige Nebensprachen. Liedtexte in nicht-lateinischen Alphabetsprachen (wie Chinesisch und Japanisch) weisen manchmal Abweichungen in der Aussprache auf, die eine manuelle Korrektur oder Nachaufnahme erfordern.

Zusammenfassung und Ausblick

Es bietet wettbewerbsfähige Lösungen in seinem Bereich und sein Kernwert liegt darin, die Schwelle für den Einsatz von KI in diesem Bereich zu senken.

Aktuelle Einschränkungen: Für einige erweiterte Funktionen ist ein kostenpflichtiges Abonnement erforderlich, und die kostenlose Version unterliegt Funktions- oder Nutzungsbeschränkungen. Spezifische technische Details und Leistungsbenchmarks wurden noch nicht vollständig bekannt gegeben.

Verwandte Tools: elevenlabs, udio

Versionsinfo

• ACE-Schritt 1.5 ：Unterstützt die Textgenerierung von Songtexten in über 50 Sprachen, das Neulackieren von Covern, die Trennung von Audiospuren und personalisiertes LoRA-Training. （~2026-06）
• ACE-Step 1.0 ：Grundlegendes Musikgenerierungsmodell, das die Text-in-Song-Konvertierung unterstützt. （~2026-03）