ACE-Step 1.5 は、ACE Studio と StepFun が共同で立ち上げたオープンソースの音楽ベーシックモデルです。ローカル展開、高速生成、多言語歌詞歌唱に重点を置いています。テキスト生成の曲、カバー、再描画、オーディオ トラックの分離、その他の編集機能をサポートしており、4 GB のビデオ メモリで実行できます。

ACE-Step 1.5 の完全なレビュー

コアパラメータと統計

プロジェクト	仕様
製品のポジショニング	オープンソース音楽基本モデル
開発者	ACE Studio + StepFun
アーキテクチャ	LM (ソングプランニング) + DiT (アコースティックレンダリング) ミックス
生成速度	A100 ≈ 2 秒/曲、RTX 3090 ≈ 10 秒/シングル
最小ビデオ メモリ	4GB (一部の構成)
サポートされているプラ​​ットフォーム	CUDA、Apple Silicon、ROCm、インテル XPU
オープンソース ライセンス	マサチューセッツ工科大学
歌詞の言語	50 以上の言語

ACE-Step 1.5 は、現在入手可能なオープンソース音楽生成モデルの中でおそらく最もハードウェアに優しいものです。ビデオ メモリの 4 GB という閾値は、過去 5 年以内の民生用グラフィック カードが動作できることを意味します。これは、A100 を必要とすることが多い音楽生成トラックに新風を吹き込むことになります。

ユーザーと市場の認識

ACE-Step 1.5 は、オープンソース音楽生成コミュニティで急速に注目を集めています。 Suno などのクローズドソース製品と比較すると、次のような違いがあります。 ① MIT ライセンス、商用利用および二次開発は無料。 ② ローカル展開をサポートし、データはデバイスから流出しません。 ③単に「曲を生成する」だけではない、完全な編集パイプライン（生成→カバー→再描画→トラックの分割）を提供します。 SongGeneration と比較して、ACE-Step の顕著な利点は、推論速度が低く、メモリ要件が低いことです。

宣伝検証: 「抽出された推論の 4 ～ 8 ステップ、A100 は約 2 秒で曲全体を生成します。」 - この速度は短いクリップ (10 ～ 30 秒) で達成可能ですが、3 ～ 5 分の完全な曲を生成する場合、推論時間は大幅に増加します。蒸留推論には、音質を維持しながら明らかな加速効果がありますが、ステップ数が非常に低い場合、音質にディテールが失われる可能性があります。

コストメリット

寸法	説明
コード	MIT ライセンスの下で無料
モデルの重み	パブリックダウンロード
オンライン デモ	無料トライアル
自己展開	RTX 3090/4090 はスムーズに動作します

無料の真実: MIT ライセンス、コード、モデルの重みを無料でダウンロードできます。自己展開型ハードウェアの最低コストは既存のグラフィックス カードに反映されます。RTX 3090 以降のモデルが手元にある場合、追加コストはほぼゼロになります。新しいハードウェアを購入する必要がある場合は、約 2,000 ～ 3,000 元の RTX 4060 (4GB ビデオ メモリ) が最小要件を満たすことができます。ただ試してみたいユーザーにとって、オンライン デモは最も低コストのオプションです。

主な機能

• テキスト生成曲: 歌詞とスタイルの説明を入力すると、AI が完全な曲を生成します。 10 秒から 10 分の任意の期間がサポートされます。
• 50 以上の言語の歌詞と歌: 中国語、英語、日本語、韓国語などの主流言語と複数のマイナー言語をサポートします。これは、多言語の音楽コンテンツ (さまざまな言語で歌われたバージョンを必要とするゲーム サウンドトラックなど) を必要とするクリエイターにとって、主要な差別化機能です。
• カバーと再描画: 音声を入力すると、AI がそれを別のスタイルまたは音声で再解釈します。既存の曲をアレンジするのに適しています。
• トラックの分離と完成: 曲をボーカル トラックとバッキング トラックに分離するか、セグメントを完成させます。 「曲の生成」から「曲の編集」まで、音楽制作のより多くの側面をカバーします。
• LoRA パーソナライズド トレーニング: 少数の曲で個人的なスタイルの LoRA をトレーニングします。スタイルが決まっているクリエイターにとって、微調整後の一貫性は一般的なモデルよりもはるかに優れています。

モデルとバージョンの進化

ステージ	時間	主な変更点	現在の重要性
ACE ステップ 1.0	～2026年3月	メインのテキストと曲のリンクを確立して、基本的な音響生成機能を形成します。オープンソースの音楽モデルが完全な曲を生成できることを証明する
ACE ステップ 1.5	～2026-06	50 以上の言語の歌詞、カバー、再描画、トラック分割、LoRA トレーニングに拡張	「生成可能」から「編集およびカスタマイズ可能」にアップグレード

ACE-Step のバージョン管理パスは非常に明確です。最初にテキストから曲を生成するプロセスを完了し、次にクリエイターが実際に使用する編集ステップを完了します。 1.0 はオープンソースのベースラインに近いものですが、1.5 は完全な音楽ワークフロー、特にカバー、再描画、トラック分割機能に近づき始めており、モデルを 1 回限りのジェネレーターから繰り返し変更できる制作ツールに進化させています。

現在のバージョンの位置付けは、完成品の最強の音質をめぐってクローズドソース プラットフォームと競合することではなく、より低いハードウェアのしきい値とより緩やかなライセンスを使用して、「ローカルで実行可能な音楽基本モデル」をエンジニアリングにおいて実装可能な選択肢にすることです。研究者や開発者にとって、1.5 はすでに純粋なデモよりも完全なマイルストーンです。

技術的な利点

技術的なポイント	作用機序	実際の効果
LM + DiT ハイブリッド アーキテクチャ	最初に曲の構造を計画し、次に音響の詳細をレンダリングします。メロディー、リズム、音色をより安定してコントロールできる感覚
抽出された推論	より少ないステップでサンプリングを完了	ローカルに展開すると待ち時間が大幅に短縮
多言語歌詞モデリング	バインド歌詞理解と歌唱世代	多言語の曲やローカライズされたコンテンツをよりスムーズに作成
LoRA の個別トレーニング	少数のサンプルを使用してスタイル設定を挿入する	固定スタイルのクリエイターによる再利用により適しています

ACE-Step 1.5 の利点は、「オープンソース」であるだけでなく、速度、メモリしきい値、編集機能を兼ね備えていることです。多くの同様のオープンソース モデルでサウンドを生成できますが、生成速度、ポストエディット、商用ライセンスを同時に考慮するのは困難です。 ACE-Step 1.5 の差別化は、これらの詳細を比較的完全なクリエイティブ ベースにパッケージ化していることです。

宣伝検証：公式は、4GBのビデオメモリを実行でき、4〜8段階の蒸留加速が基本的に確立されていると強調しています。このセールスポイントは基本的に「走り」に当てはまりますが、さらに「高品質な楽曲全体を安定して出力する」という条件があります。短期的なスニペット、下書きの生成、部分的な編集はコンフォートゾーンに近いものです。長期的に忠実度の高い完成品を追求する場合、ハードウェア、推論時間、後処理コストは依然として増加します。

使い方

入口	最小要件	始め方
オンライン デモ	ブラウザでアクセス可能	歌詞とスタイルの説明を直接入力し、最初に音色とリズムの方向を確認します。
ローカル推論	4GB 以上のビデオ メモリ、CUDA または Apple Silicon を推奨	重みをダウンロードした後、公式ウェアハウスに従ってコンテキストを構成し、基本的な推論スクリプトを実行します。
パーソナライズされたトレーニング	追加のビデオ メモリと少数のトレーニング サンプル	LoRA の微調整を通じて個人のスタイルやブランド トーンを確立

最も簡単に始める方法は、まずオンライン デモを使用してプロンプトの単語構造を確認し、それからローカルに展開するかどうかを決定することです。ほとんどのチームにとって、最初からグラフィックス カードをいじるよりも、「歌詞スタイルの記述を安定させて使用可能なドラフトを作成できるかどうか」を最初にテストする方がコスト効率が高くなります。

ローカルで使用する場合、最小構成アドレスは「実行可能」ですが、「高スループット」ではありません。長い曲の生成、カバー、追跡を同時に行いたい場合は、3090/4090 デバイスの方が明らかに便利です。企業やスタジオの場合は、完全な運用リンクを直接置き換えるのではなく、「ドラフト生成 + 手動調整」プロセスに組み込むことをお勧めします。

製品の価格設定

価格モデルは公式リアルタイム ページに準拠します。通常はフリーミアムやサブスクリプション制が採用されており、基本的な機能は無料で利用できます。 高度な機能や使用頻度が高い場合は有料のサブスクリプションが必要となるため、実際の使用状況に基づいて最適なソリューションを評価することをお勧めします。

アプリケーションのシナリオ

• 素早いサウンドトラック生成: ビデオ、ポッドキャスト、ゲーム用にカスタマイズされたバックグラウンド ミュージックを生成します。 「中華風、メロディアスな2分」と入力すると、30秒以内に使用可能なサウンドトラックのドラフトが得られます。
• カバーと翻案: さまざまなスタイルで曲をカバーします。ポップソングをジャズバージョンに変更したり、英語の曲を中国語バージョンに翻訳したりできます。コンテンツ制作者が二次創作を行うのに適しています。
• 音楽教育と実験: AI を使用して、教育例としてさまざまなスタイルの音楽パッセージを生成したり、音響実験を実施したりできます。

シナリオを中止: 出版レベルのプロのミキシング品質が必要な場合、AI によって生成された曲は、音質のレイヤーやミキシングの詳細の点でプロのレコーディング スタジオよりもまだ劣ります。 ACE-Step は、最終リリースではなく、ドラフトおよびデモ段階に適しています。

該当する人

• インディーズミュージシャン: 創作プロセス中にメロディーとアレンジの方向性を素早く確認できます。MIT ライセンスにより商用利用が許可されています。著作権紛争やプラットフォーム共有の問題を心配する必要はありません。
• コンテンツ クリエーター: ビデオやポッドキャストのサウンドトラックやバックグラウンド ミュージックをすばやく生成して、著作権のリスクを軽減します。音楽プラットフォームで商用ライセンスを購入する場合と比較して、自己生成のコストははるかに低くなります。
• オーディオ AI 開発者: MIT ライセンスに基づく制限が少ない、ACE-Step に基づいた音楽生成アプリケーションを構築します。モデル出力の音質がユーザーの期待に応えられるかどうか、スケールアップ後の推論コストが経済的かどうかに注意する必要があります。
• ゲーム オーディオ チーム: ゲーム用にカスタマイズされた BGM とテーマ ソングを生成します。 MIT ライセンスは商用製品に組み込むことができますが、音質と効果音の一貫性を確保するには追加の処理が必要です。

現在の制限事項: ACE-Step 1.5 では、歌詞の発音の正確さの点で、一部のマイナー言語のサポートが制限されています。非ラテン文字言語（中国語や日本語など）の歌詞には発音のずれがある場合があり、手動での修正や事後録音が必要になります。

概要と展望

同社は、その分野で競争力のあるソリューションを提供しており、その核となる価値は、この分野での AI 利用の敷居を下げることにあります。

現在の制限事項: 一部の高度な機能には有料のサブスクリプションが必要であり、無料版には機能または使用制限があります。具体的な技術的詳細と性能ベンチマークはまだ完全には開示されていません。

関連ツール: elevenlabs、udio

バージョン情報

• ACE-ステップ 1.5 ：50 以上の言語での歌詞のテキスト生成、カバーの再描画、オーディオ トラックの分離、LoRA のパーソナライズされたトレーニングをサポートします。 （~2026-06）
• ACE-ステップ 1.0 ：基本的な音楽生成モデル。テキストから曲への変換をサポートします。 （~2026-03）