एसीई-स्टेप 1.5 एक ओपन सोर्स म्यूजिक बेसिक मॉडल है जिसे एसीई स्टूडियो और स्टेपफन द्वारा संयुक्त रूप से लॉन्च किया गया है। यह स्थानीय तैनाती, उच्च गति पीढ़ी और बहुभाषी गीत गायन पर केंद्रित है। यह टेक्स्ट-जनरेटेड गाने, कवर, रिड्रॉ, ऑडियो ट्रैक सेपरेशन और अन्य संपादन क्षमताओं का समर्थन करता है, और इसे 4 जीबी वीडियो मेमोरी के साथ चलाया जा सकता है।

एसीई-चरण 1.5 की पूर्ण समीक्षा

मुख्य पैरामीटर और आँकड़े

प्रोजेक्ट	विशेष विवरण
उत्पाद स्थिति	ओपन सोर्स म्यूजिक बेसिक मॉडल
डेवलपर	एसीई स्टूडियो + स्टेपफन
वास्तुकला	एलएम (गीत योजना) + डीआईटी (ध्वनिक प्रतिपादन) मिक्स
पीढ़ी की गति	ए100 ≈ 2 सेकंड/गाना, आरटीएक्स 3090 ≈ 10 सेकंड/एकल
न्यूनतम वीडियो मेमोरी	4GB (कुछ कॉन्फ़िगरेशन)
समर्थित प्लेटफार्म	सीयूडीए, एप्पल सिलिकॉन, आरओसीएम, इंटेल एक्सपीयू
ओपन सोर्स लाइसेंस	एमआईटी
गीत भाषा	50+ भाषाएँ

एसीई-स्टेप 1.5 संभवतः वर्तमान में उपलब्ध सबसे हार्डवेयर-अनुकूल ओपन सोर्स म्यूजिक जेनरेशन मॉडल है। 4GB वीडियो मेमोरी की सीमा का मतलब है कि पिछले पांच वर्षों के उपभोक्ता-ग्रेड ग्राफिक्स कार्ड चल सकते हैं, जो संगीत पीढ़ी ट्रैक में ताजी हवा का झोंका है जिसके लिए अक्सर A100 की आवश्यकता होती है।

उपयोगकर्ता और बाज़ार की पहचान

एसीई-स्टेप 1.5 ओपन सोर्स म्यूजिक जेनरेशन समुदाय में तेजी से लोकप्रियता हासिल कर रहा है। सुनो जैसे बंद स्रोत उत्पादों की तुलना में, इसके अंतर हैं: ① एमआईटी लाइसेंस, व्यावसायिक उपयोग और माध्यमिक विकास के लिए मुफ़्त; ② स्थानीय परिनियोजन का समर्थन करें, डेटा डिवाइस नहीं छोड़ता है; ③ एक पूर्ण संपादन पाइपलाइन प्रदान करें (जेनरेट → कवर → रीड्रा → स्प्लिट ट्रैक), जो कि "गाना तैयार करना" जितना सरल नहीं है। सॉन्गजेनरेशन की तुलना में, एसीई-स्टेप का उत्कृष्ट लाभ कम अनुमान गति और कम मेमोरी आवश्यकताएं हैं।

प्रचार सत्यापन: "आसुत अनुमान के 4-8 चरण, A100 लगभग 2 सेकंड में पूरा गाना तैयार करता है" - यह गति छोटी क्लिप (10-30 सेकंड) के साथ प्राप्त की जा सकती है, लेकिन 3-5 मिनट का पूरा गाना तैयार करते समय अनुमान का समय काफी बढ़ जाता है। ध्वनि की गुणवत्ता को बनाए रखते हुए आसवन अनुमान में स्पष्ट त्वरण प्रभाव होता है, लेकिन बहुत कम चरण गणना पर ध्वनि की गुणवत्ता में विस्तार से हानि हो सकती है।

लागत लाभ

आयाम	विवरण
कोड	एमआईटी लाइसेंस के तहत निःशुल्क
मॉडल वज़न	सार्वजनिक डाउनलोड
ऑनलाइन डेमो	नि:शुल्क परीक्षण
स्व-तैनाती	RTX 3090/4090 सुचारू रूप से चल सकता है

निःशुल्क सत्य: एमआईटी लाइसेंस, कोड और मॉडल वेट डाउनलोड करने के लिए निःशुल्क। स्व-तैनात हार्डवेयर की सबसे कम लागत मौजूदा ग्राफिक्स कार्ड में परिलक्षित होती है - यदि आपके पास आरटीएक्स 3090 या उच्चतर मॉडल है, तो वृद्धिशील लागत लगभग शून्य है; यदि आपको नया हार्डवेयर खरीदने की आवश्यकता है, तो लगभग 2,000-3,000 युआन की RTX 4060 (4GB वीडियो मेमोरी) न्यूनतम आवश्यकताओं को पूरा कर सकती है। जो उपयोगकर्ता इसे आज़माना चाहते हैं, उनके लिए ऑनलाइन डेमो सबसे कम लागत वाला विकल्प है।

मुख्य कार्य

• पाठ-जनित गीत: गीत और शैली विवरण दर्ज करें, और एआई एक संपूर्ण गीत तैयार करेगा। 10 सेकंड से 10 मिनट तक की कोई भी अवधि समर्थित है।
• 50+ भाषा के बोल और गायन: चीनी, अंग्रेजी, जापानी और कोरियाई जैसी मुख्यधारा की भाषाओं और कई छोटी भाषाओं का समर्थन करता है। यह उन रचनाकारों के लिए एक मुख्य विभेदक विशेषता है, जिन्हें बहुभाषी संगीत सामग्री की आवश्यकता होती है (जैसे गेम साउंडट्रैक जिन्हें विभिन्न भाषाओं में गाए गए संस्करणों की आवश्यकता होती है)।
• कवर और रेड्रा: ऑडियो का एक टुकड़ा इनपुट करें, और एआई इसे एक अलग शैली या आवाज के साथ फिर से व्याख्या करेगा। मौजूदा गानों को अपनाने के लिए उपयुक्त.
• ट्रैक पृथक्करण और समापन: गानों को वोकल और बैकिंग ट्रैक, या पूर्ण खंडों में अलग करें। "एक गीत तैयार करने" से लेकर "एक गीत संपादित करने" तक, इसमें संगीत उत्पादन के अधिक पहलुओं को शामिल किया गया है।
• लोरा वैयक्तिकृत प्रशिक्षण: कम संख्या में गानों के साथ व्यक्तिगत शैली लोरा को प्रशिक्षित करें। एक निश्चित शैली वाले रचनाकारों के लिए, फाइन-ट्यूनिंग के बाद स्थिरता सामान्य मॉडल की तुलना में काफी बेहतर होगी।

मॉडल और संस्करण विकास

स्टेज	समय	मुख्य परिवर्तन	वर्तमान महत्व
एसीई-चरण 1.0	~2026-03	बुनियादी ध्वनिक उत्पादन क्षमताओं को बनाने के लिए एक मुख्य पाठ-से-गीत लिंक स्थापित करें	सिद्ध करें कि ओपन सोर्स संगीत मॉडल संपूर्ण गाने उत्पन्न कर सकता है
एसीई-चरण 1.5	~2026-06	50+ भाषा के बोल, कवर, रिड्रॉ, ट्रैक स्प्लिट्स और लोरा प्रशिक्षण तक विस्तारित	"उत्पन्न कर सकते हैं" से "संपादित और अनुकूलित कर सकते हैं" में अपग्रेड किया गया

एसीई-स्टेप का वर्जनिंग पथ बहुत स्पष्ट है: पहले टेक्स्ट से गाने बनाने की प्रक्रिया को पूरा करें, और फिर संपादन चरणों को पूरा करें जो निर्माता वास्तव में उपयोग करेंगे। 1.0 एक ओपन सोर्स बेसलाइन की तरह है, जबकि 1.5 एक संपूर्ण संगीत वर्कफ़्लो के करीब पहुंचना शुरू कर रहा है, विशेष रूप से कवर, रीड्रा और ट्रैक विभाजन क्षमताओं, मॉडल को एक बार के जनरेटर से एक उत्पादन उपकरण में आगे बढ़ाना जिसे बार-बार संशोधित किया जा सकता है।

वर्तमान संस्करण की स्थिति सबसे मजबूत तैयार उत्पाद ध्वनि गुणवत्ता के लिए बंद-स्रोत प्लेटफार्मों के साथ प्रतिस्पर्धा करने की नहीं है, बल्कि "स्थानीय रूप से चलने योग्य संगीत बुनियादी मॉडल" को इंजीनियरिंग में एक कार्यान्वयन योग्य विकल्प बनाने के लिए कम हार्डवेयर थ्रेशोल्ड और ढीले लाइसेंस का उपयोग करने की है। शोधकर्ताओं और डेवलपर्स के लिए, 1.5 पहले से ही शुद्ध डेमो की तुलना में अधिक संपूर्ण मील का पत्थर है।

तकनीकी लाभ

तकनीकी बिंदु	क्रिया का तंत्र	वास्तविक प्रभाव
एलएम + डीआईटी हाइब्रिड आर्किटेक्चर	पहले गीत संरचना की योजना बनाएं, फिर ध्वनिक विवरण प्रस्तुत करें	माधुर्य, लय और समय पर नियंत्रण की अधिक स्थिर भावना
आसुत अनुमान	कम चरणों में पूरा नमूनाकरण	स्थानीय रूप से तैनात होने पर प्रतीक्षा समय को नाटकीय रूप से कम करें
बहुभाषी गीत मॉडलिंग	बाइंड लिरिक्स समझ और गायन पीढ़ी	अंतर-भाषा गीतों और स्थानीयकृत सामग्री को अधिक सुचारु रूप से बनाएं
लोरा वैयक्तिकृत प्रशिक्षण	शैली प्राथमिकताओं को सम्मिलित करने के लिए नमूनों की एक छोटी संख्या का उपयोग करें	निश्चित शैलियों वाले रचनाकारों द्वारा पुन: उपयोग के लिए अधिक उपयुक्त

एसीई-स्टेप 1.5 का लाभ न केवल यह है कि यह "ओपन सोर्स" है, बल्कि यह गति, मेमोरी थ्रेशोल्ड और संपादन क्षमताओं को जोड़ती है। कई समान ओपन सोर्स मॉडल ध्वनि उत्पन्न कर सकते हैं, लेकिन एक ही समय में उत्पादन की गति, पोस्ट-संपादन और वाणिज्यिक लाइसेंसिंग को ध्यान में रखना मुश्किल है; एसीई-स्टेप 1.5 का विभेदन इन विवरणों को अपेक्षाकृत पूर्ण रचनात्मक आधार में पैकेज करना है।

प्रचार सत्यापन: अधिकारी इस बात पर जोर देते हैं कि 4GB की वीडियो मेमोरी चलाई जा सकती है और आसवन त्वरण के 4-8 चरण मूल रूप से स्थापित किए गए हैं। यह विक्रय बिंदु मूल रूप से "चलने" के लिए सत्य है, लेकिन "उच्च गुणवत्ता वाले संपूर्ण गीतों के स्थिर आउटपुट" के लिए एक अतिरिक्त शर्त है। अल्पकालिक स्निपेट, ड्राफ्ट जनरेशन और आंशिक संपादन इसके सुविधाजनक क्षेत्र के करीब हैं; यदि आप दीर्घकालिक उच्च-निष्ठा वाले तैयार उत्पादों का अनुसरण करते हैं, तो हार्डवेयर, अनुमान समय और प्रसंस्करण के बाद की लागत अभी भी बढ़ेगी।

कैसे उपयोग करें

प्रवेश	न्यूनतम आवश्यकताएँ	शुरुआत कैसे करें
ऑनलाइन डेमो	ब्राउज़र पहुंच योग्य	सीधे गीत और शैली विवरण दर्ज करें, पहले समय और लय दिशा सत्यापित करें
स्थानीय अनुमान	4GB+ वीडियो मेमोरी, CUDA या Apple सिलिकॉन की अनुशंसा की जाती है	वेट डाउनलोड करने के बाद, आधिकारिक वेयरहाउस के अनुसार संदर्भ को कॉन्फ़िगर करें और मूल अनुमान स्क्रिप्ट निष्पादित करें
व्यक्तिगत प्रशिक्षण	अतिरिक्त वीडियो मेमोरी और प्रशिक्षण नमूनों की एक छोटी संख्या	लोरा फाइन-ट्यूनिंग के माध्यम से अपनी व्यक्तिगत शैली या ब्रांड टोन को मजबूत करें

आरंभ करने का सबसे तेज़ तरीका यह है कि पहले शीघ्र शब्द संरचना की पुष्टि करने के लिए ऑनलाइन डेमो का उपयोग करें, और फिर निर्णय लें कि इसे स्थानीय रूप से तैनात किया जाए या नहीं। अधिकांश टीमों के लिए, शुरुआत से ही ग्राफ़िक्स कार्ड के साथ खिलवाड़ करने की तुलना में पहले यह परीक्षण करना अधिक लागत प्रभावी है कि "गीत शैली विवरण को प्रयोग करने योग्य ड्राफ्ट तैयार करने के लिए स्थिर किया जा सकता है या नहीं"।

जब स्थानीय रूप से उपयोग किया जाता है, तो न्यूनतम कॉन्फ़िगरेशन पते "चल सकते हैं", न कि "उच्च थ्रूपुट"। यदि आप एक ही समय में लंबे गाने तैयार करना, कवर करना और ट्रैक करना चाहते हैं, तो 3090/4090 डिवाइस स्पष्ट रूप से अधिक सुविधाजनक होगा। उद्यमों या स्टूडियो के लिए, संपूर्ण उत्पादन लिंक को सीधे बदलने के बजाय इसे "ड्राफ्ट जेनरेशन + मैन्युअल शोधन" प्रक्रिया में डालने की अनुशंसा की जाती है।

उत्पाद का मूल्य निर्धारण

मूल्य निर्धारण मॉडल आधिकारिक वास्तविक समय पृष्ठ के अधीन है। आमतौर पर फ्रीमियम या सदस्यता प्रणाली का उपयोग किया जाता है, और बुनियादी कार्यों का उपयोग मुफ्त में किया जा सकता है। उन्नत कार्यों या उच्च-आवृत्ति उपयोग के लिए सशुल्क सदस्यता की आवश्यकता होती है, और उपयोगकर्ताओं को वास्तविक उपयोग के आधार पर इष्टतम समाधान का मूल्यांकन करने की सलाह दी जाती है।

अनुप्रयोग परिदृश्य

• त्वरित साउंडट्रैक पीढ़ी: वीडियो, पॉडकास्ट और गेम के लिए अनुकूलित पृष्ठभूमि संगीत उत्पन्न करें। "चीनी शैली, मधुर 2 मिनट" दर्ज करें और 30 सेकंड के भीतर एक उपयोगी साउंडट्रैक ड्राफ्ट प्राप्त करें।
• कवर और अनुकूलन: एक गीत को विभिन्न शैलियों में कवर करें - एक पॉप गीत को जैज़ संस्करण में बदलें, या एक अंग्रेजी गीत का चीनी संस्करण में अनुवाद करें। सामग्री रचनाकारों के लिए द्वितीयक निर्माण हेतु उपयुक्त।
• संगीत शिक्षण और प्रयोग: शिक्षण उदाहरण के रूप में संगीत मार्ग की विभिन्न शैलियों को उत्पन्न करने, या ध्वनिक प्रयोगों का संचालन करने के लिए एआई का उपयोग करें।

निराश परिदृश्य: यदि आपको प्रकाशन-स्तरीय पेशेवर मिश्रण गुणवत्ता की आवश्यकता है, तो एआई द्वारा उत्पन्न गाने अभी भी ध्वनि गुणवत्ता लेयरिंग और मिश्रण विवरण के मामले में पेशेवर रिकॉर्डिंग स्टूडियो से कमतर हैं। एसीई-स्टेप ड्राफ्ट और डेमो चरणों के लिए उपयुक्त है, अंतिम रिलीज के लिए नहीं।

लागू लोग

• इंडी संगीतकार: रचनात्मक प्रक्रिया के दौरान धुनों और व्यवस्था की दिशा को तुरंत सत्यापित करें, एमआईटी लाइसेंस व्यावसायिक उपयोग की अनुमति देता है। कॉपीराइट विवादों या प्लेटफ़ॉर्म साझाकरण मुद्दों के बारे में चिंता करने की कोई आवश्यकता नहीं है।
• सामग्री निर्माता: कॉपीराइट जोखिमों को कम करने के लिए वीडियो और पॉडकास्ट के लिए त्वरित रूप से साउंडट्रैक और पृष्ठभूमि संगीत उत्पन्न करें। संगीत प्लेटफार्मों पर वाणिज्यिक लाइसेंस खरीदने की तुलना में, स्वयं-उत्पादन की लागत बहुत कम है।
• ऑडियो एआई डेवलपर: एमआईटी लाइसेंस के तहत कम प्रतिबंधों के साथ एसीई-स्टेप पर आधारित संगीत निर्माण एप्लिकेशन बनाएं। इस बात पर ध्यान देना आवश्यक है कि क्या मॉडल आउटपुट की ध्वनि गुणवत्ता उपयोगकर्ता की अपेक्षाओं को पूरा कर सकती है, और क्या स्केल-अप के बाद अनुमान लागत किफायती है।
• गेम ऑडियो टीम: गेम के लिए अनुकूलित पृष्ठभूमि संगीत और थीम गीत तैयार करें। एमआईटी लाइसेंस को वाणिज्यिक उत्पादों में एम्बेड किया जा सकता है, लेकिन ध्वनि की गुणवत्ता और ध्वनि प्रभाव स्थिरता के लिए अतिरिक्त प्रसंस्करण की आवश्यकता होती है।

वर्तमान सीमाएँ: एसीई-स्टेप 1.5 में गीतों की उच्चारण सटीकता के मामले में कुछ छोटी भाषाओं के लिए सीमित समर्थन है। गैर-लैटिन वर्णमाला भाषाओं (जैसे चीनी और जापानी) में गीतों में कभी-कभी उच्चारण विचलन होता है, जिसके लिए मैन्युअल सुधार या पोस्ट-रिकॉर्डिंग की आवश्यकता होती है।

सारांश और आउटलुक

यह अपने क्षेत्र में प्रतिस्पर्धी समाधान प्रदान करता है, और इसका मुख्य मूल्य इस क्षेत्र में एआई के उपयोग की सीमा को कम करने में निहित है।

वर्तमान सीमाएँ: कुछ उन्नत सुविधाओं के लिए सशुल्क सदस्यता की आवश्यकता होती है, और मुफ़्त संस्करण में फ़ंक्शन या उपयोग प्रतिबंध हैं; विशिष्ट तकनीकी विवरण और प्रदर्शन बेंचमार्क अभी तक पूरी तरह से प्रकट नहीं किए गए हैं।

संबंधित उपकरण: ,

संस्करण जानकारी

• एसीई-चरण 1.5 ：50+ भाषाओं में गाने के बोलों की टेक्स्ट पीढ़ी, कवर रीपेंटिंग, ऑडियो ट्रैक पृथक्करण और लोरा वैयक्तिकृत प्रशिक्षण का समर्थन करता है। （~2026-06）
• एसीई-चरण 1.0 ：मूल संगीत निर्माण मॉडल, पाठ-से-गीत रूपांतरण का समर्थन करता है। （~2026-03）