ACE-Step 1.5

Musikmodell mit MIT-Lizenz: komplette Songs in Sekunden, ab etwa 4 GB VRAM, mit Covers, Inpainting und über 50 Sprachen.

Kurz gesagt. ACE-Step 1.5 erzeugt aus einer Textbeschreibung und Songtexten in wenigen Sekunden komplette Songs mit Gesang und läuft auf einer gewöhnlichen Gaming-GPU. Code und Gewichte sind MIT-lizenziert, kommerzielle Nutzung ist also unkompliziert.

Zusammenfassung

ACE Studio und StepFun haben ACE-Step 1.5 am 23. Januar 2026 veröffentlicht, am 2. April folgte eine größere 4B-XL-Version. Ein Sprachmodell (0.6B, 1.7B oder 4B, auf Qwen3 aufbauend) arbeitet als Planer: Es macht aus einer kurzen Anfrage einen detaillierten Song-Bauplan mit Metadaten, Songtext und Caption, und ein Diffusion-Transformer rendert danach das Audio. Die Entwickler sagen, die Trainingsdaten seien lizenzierte Musik, lizenzfreie und gemeinfreie Aufnahmen sowie aus MIDI erzeugte synthetische Audiodaten. Songs laufen von 10 Sekunden bis 10 Minuten, Texte funktionieren in über 50 Sprachen, und das Modell kann zudem Covers, Inpainting einzelner Songabschnitte, Stem-Separation, Umwandlung von Gesang in Begleitung und LoRA-Training mit ein paar Songs.

Geschwindigkeit und Größe sind die Verkaufsargumente. Die Entwickler sagen, ein kompletter Song dauere unter 2 Sekunden auf einer A100 und unter 10 Sekunden auf einer RTX 3090, und das Modell laufe mit unter 4 GB VRAM. Ihr Guide ordnet den 2B-turbo-DiT ohne Sprachmodell GPUs bis 6 GB zu, empfiehlt für die XL-Modelle 20 GB oder mehr ohne Offloading, und der XL-DiT braucht mindestens 12 GB mit INT8-Quantisierung und CPU-Offload. Das Projekt stuft seine eigene Qualität zwischen Suno v4.5 und Suno v5 ein. Im WildSongBench des YuE2-Teams erreicht ACE-Step 1.5 im SongBench-Durchschnitt 6,01, hinter YuE2 (6,73) und MiniMax Music 3 (6,28), allerdings liegt seine Phonem-Fehlerrate von 7,46 % unter den niedrigsten der offenen Modelle dort.

Code und Gewichte sind MIT-lizenziert, und die Entwickler sagen, die generierte Musik dürfe kommerziell genutzt werden. Die Behauptung, die Trainingsdaten seien lizenziert, lizenzfrei und synthetisch gewesen, stammt von ihnen und ist von uns nicht geprüft. Der technische Bericht ist auf arXiv zu finden (2602.00744). In den 30 Tagen bis zum 11. November 2026 zählte Hugging Face rund 97.000 Downloads des Haupt-Repositorys, 9.100 des XL-turbo-Modells und 816.000 der von ComfyUI neu gepackten Kopie. Downloadzahlen können automatische Abrufe enthalten.

Geeignet für

  • Schnelle Song-Entwürfe auf einer Gaming-GPU oder einem Laptop mit 4 bis 8 GB VRAM
  • Covers, Inpainting einzelner Abschnitte, Stem-Separation und Umwandlung von Gesang in Begleitung
  • Stil-Anpassung mit einem LoRA, trainiert auf ein paar Songs
  • Kommerzielle Projekte, die MIT-lizenzierten Code und Gewichte wollen

Darauf achten

  • Der Suno-Vergleich stammt von den Entwicklern selbst, und das YuE2-Team-Benchmark setzt ACE-Step 1.5 bei der Gesamtqualität hinter YuE2 und MiniMax Music 3
  • Die 4-GB-Angabe gilt für den 2B-DiT ohne Sprachmodell; die XL-Modelle brauchen 12 GB mit Offloading und etwa 20 GB für komfortable Nutzung
  • Stem-Extraktion und Ähnliches brauchen das Base-Modell, denn die schnelleren turbo- und SFT-Versionen unterstützen das nicht
  • Die Behauptung, die Daten seien lizenziert und lizenzfrei, stammt von den Entwicklern – prüfen Sie die Urheberrechte für Ihren eigenen Einsatz

Leistungsangaben stammen vom Entwickler und wurden nicht unabhängig überprüft.

Wie viel Speicher braucht es?

Speicherwerte für jede Variante von ACE-Step 1.5. Bild-, Video-, Sprach- und Musik-Pipelines laden zusätzlich einen Text-Encoder und einen Decoder, daher kann der benötigte Speicher größer sein als das Haupt-Checkpoint.

Varianten Parameter Downloadgröße Benötigter Speicher Passt auf
1.5 Turbo (2B DiT, with 1.7B LM) BF16 2B 10 GB 4 GB Laptop oder Smartphone
1.5 XL Turbo (4B DiT) FP32 4B 20 GB 12 GB Laptop oder Smartphone

Die Downloadgröße umfasst jede Komponente, die zum Ausführen des Modells nötig ist, etwa Generator, Text-Encoder und Decoder. Der benötigte Speicher ist ein angegebener oder veröffentlichter gemessener Mindestwert, falls vorhanden; andernfalls die Downloadgröße plus rund 15 %. Größere Bilder, längere Clips und höhere Auflösungen brauchen mehr. Der Entwickler gibt mindestens 4 GB GPU-Speicher an.

Die Lizenz, einfach erklärt

Die kürzeste und einfachste permissive Lizenz. Sie können mit dem Modell fast alles machen, solange Sie den Urheberrechts- und Lizenzhinweis beibehalten.

Mehr über MIT

Siehe auch

Häufige Fragen

Was ist ACE-Step 1.5?
ACE-Step 1.5 erzeugt aus einer Textbeschreibung und Songtexten in wenigen Sekunden komplette Songs mit Gesang und läuft auf einer gewöhnlichen Gaming-GPU. Code und Gewichte sind MIT-lizenziert, kommerzielle Nutzung ist also unkompliziert.
Darf ich ACE-Step 1.5 kommerziell nutzen?
Ja. ACE-Step 1.5 erscheint unter MIT, einer permissiven Lizenz. Sie dürfen es kommerziell nutzen, wenn Sie die üblichen Bedingungen einhalten, etwa den Lizenzhinweis beibehalten.
Ist ACE-Step 1.5 Open Source?
ACE-Step 1.5 erscheint unter MIT, einer von der Open Source Initiative anerkannten Lizenz. Trainingsdaten und Trainingscode sind möglicherweise nicht öffentlich, daher lässt es sich am besten als offene Gewichte unter einer Open-Source-Lizenz beschreiben.
Kann ich ACE-Step 1.5 auf meinem eigenen Computer ausführen?
Ja. Die kleinste Variante, 1.5 Turbo (2B DiT, with 1.7B LM), benötigt mit 4-Bit-Präzision etwa 4 GB Speicher, was auf einen modernen Laptop oder eine Mittelklasse-Grafikkarte passt.
Wann wurde ACE-Step 1.5 veröffentlicht?
ACE-Step 1.5 wurde von ACE-Step am 23. Januar 2026 veröffentlicht.

Offizielle Links

Quellen

Die Spezifikationen stammen aus diesen Primärquellen. Benchmark-Angaben werden, wo erwähnt, vom Entwickler gemeldet.

Erscheinungsdatum und Fakten zuletzt geprüft: 11. November 2026.

Verwandte Modelle

Modell Erscheinungsdatum Parameter Kontext Lizenz Bedarf der kleinsten Variante
YuE2 EN M-A-P 3.63B – CC BY-NC (Nicht-kommerziell) 24 GB Gaming-GPU
MiniMax Music 3 EN MiniMax 11.1B – MiniMax Music3 Community (Bedingt) 24 GB Gaming-GPU
HeartMuLa EN HeartMuLa 3.94B – Apache 2.0 (Permissiv) 26 GB Gaming-GPU
Stable Audio 3 EN Stability AI 460M – 1.4B – Stability Community (Bedingt) 4.02 GB Laptop oder Smartphone