2026/07/31

ローカルで高速音楽生成：ACE‑Step 1.5とXL


ACE‑Step 1.5 の概要と基本機能

ACE‑Step 1.5 は Stepping Stone Labs が開発したオープンソースの音楽生成 AI です。インターネット接続が不要で、ローカル PC のみで動作します。MIT ライセンスの下で無料提供され、商用利用も可能です。

入力と生成プロセス

入力は「Music Caption（ジャンルや楽器などのタグ）」と「Lyrics（構造タグ付き歌詞）」の 2 つだけです。5Hz 言語モデル（LM）は BPM、キー、拍子などのメタデータを推論し、セマンティックコードを生成します。Diffusion Transformer（DiT）は LM が作成したコードと条件情報を受け取り、拡散プロセスでオーディオを生成します。

  • LM のサイズは 0.6B、1.7B、4B の 3 種類があり、VRAM 容量に応じて選択できます。
  • デフォルト設定は Turbo モデル＋1.7B LM で、ほとんどのシナリオに適しています。
  • Turbo モデルは 8 ステップで高品質オーディオを生成し、シフトパラメータで輪郭と詳細のバランスを調整できます。
  • SFT モデルは 50 ステップで生成し、CFG によってプロンプト遵守度を細かく調整できます。
  • Base モデルは extract、lego、complete タスクをサポートし、カスタム微調整に最適です。

対応ジャンルと生成の得手不得手

ACE‑Step 1.5 は「metal」や「Japanese Folk」など多様なジャンル指示に対応します。また、イタリア語でのカンツォーネ風楽曲やスペイン語でのボサノバ風楽曲も生成できます。一方で、変拍子や転調を伴う楽曲の生成はできません。管弦楽を指示した場合、ストリングスが弱く、音源数が多い楽曲の生成が苦手です。

利用環境とセットアップ手順

推奨環境は Windows 10/11、Linux、macOS 上の NVIDIA GPU（VRAM 4 GB 以上推奨）と Python 3.10 以上です。インストールは公式リポジトリから 7z 形式の圧縮ファイルをダウンロードし展開（約 8 GB、最終的に約 18 GB の空き容量が必要）した後、同梱の start_gradio_ui.bat（または start_gradio_ui.sh）を実行してモデルをダウンロードし Web UI を起動することで完了します。アップデートは check_update.bat を実行し指示に従って y を入力するだけです。

  • VRAM 約 4 GB の GPU（例：GTX 1650）でも動作する軽量設計です。
  • CUDA 12.8 対応の GPU が必要です。
  • 初回実行時はモデルダウンロードやセットアップに時間がかかり、実行が長くなることがあります。

拡張機能とカスタマイズ

ACE‑Step 1.5 は LoRA（Low‑Rank Adaptation）に対応しており、少量データでジャンルや声質をカスタマイズできます。さらに、音質改善用 VAE が公開されており、オリジナル VAE よりもダイナミックレンジが 29.3 dB 広く、音割れがなくなる効果があります。

AceStep 1.5 XL の特徴

AceStep 1.5 XL は AceStep 1.5 の高品質化版として公開されました。音源数は増えていませんが、ストリングスの品質が向上し、音色が繊細で良くなっています。フォルテシモ部分での音割れが減少し、日本語の誤発声を含む生成ミスも減少しています。

使用モデルは acestep_v1.5_xl_turbo_bf16.safetensors です。生成は ComfyUI（バージョン 0.19.0 以降必須）で行い、Workflow は 1.5 のものを流用しています。現時点で ACE‑STEP UI は XL に対応していません。

XL は 4 B パラメータの拡散モデルを採用し、MIT 商用ライセンスで提供されます。1,000 種類以上の楽器と 50 言語以上に対応し、音質は Suno v4.5〜v5 レベルと評価されています。

XL のモデル構成とハードウェア要件

xl‑base、xl‑sft、xl‑turbo の 3 つのモデルがあります。xl‑base は創造性重視、xl‑sft は音質最優先、xl‑turbo は 8 ステップで高速生成（約 6 倍速）を実現します。

  • xl‑turbo＋0.6B LM は 8 GB VRAM で動作し、xl‑turbo＋1.7B LM は 12 GB VRAM が推奨されます。
  • xl‑sft／xl‑base＋1.7B LM は 12 GB 以上の VRAM が推奨され、RTX 3060（12 GB）以上で動作します。
  • RTX 3090 では 10 秒以内、A100 では 2 秒以下、RTX 4090（24 GB）では xl‑turbo が約 6 秒、xl‑sft／xl‑base が約 19 秒で生成できます。
  • VRAM 不足時は RunPod でクラウド実行が可能で、RTX 4090 環境では xl‑turbo が 1 曲 6 秒で生成でき、料金は約 $0.69/時間です。

利用シーンと他ツールとの比較

ACE‑Step 1.5 は配信者や YouTuber がオリジナル BGM やジングルを作成し、著作権リスクを低減しながらチャンネル差別化を図るのに適しています。Suno AI や Udio と比較すると、ローカル実行が可能、無料、軽量・高速、LoRA 対応という点で優位です。

商用利用は MIT ライセンスに基づき可能ですが、類似性の確認とライセンス条件の確認が推奨されます。

まとめ

ACE‑Step 1.5 はローカルで高速に楽曲を生成できるオープンソースの音楽生成 AI です。入力はシンプルなキャプションと歌詞だけで、LM と DiT のハイブリッドアーキテクチャが高速サイクルと高品質を実現します。VAE や LoRA によるカスタマイズ、そして高品質版の AceStep 1.5 XL によって、音質や表現力がさらに向上しています。無料で商用利用が可能な点と、GPU があれば一般的なゲーミングPC 上でも数秒から数分で楽曲を生成できる点が、同等機能のクラウドサービスと比べた大きな利点です。

時刻:
ラベル: , , , ,