ACE-Step 1.5 と MiniMax Music 3 の比較:どちらのオープン楽曲モデルを選ぶ?
ACE-Step 1.5 は MIT ライセンスの楽曲モデルで、約 4 GB の VRAM から動作します。MiniMax Music 3 は 111 億パラメータのモデルで、最大 5 分の楽曲を生成でき、24 GB の GPU が必要です。
結論. ハードウェアとライセンスで選びましょう。ACE-Step 1.5 はコードと重みが MIT ライセンスで、2B turbo モデルは約 4 GB の VRAM から動作し、10 秒から 10 分の楽曲を 50 以上の言語の歌詞で生成できます。開発者によると、RTX 3090 上では 1 曲を 10 秒未満で生成でき、さらにカバー生成、部分再描画、ステム分離、LoRA 学習にも対応しています。MiniMax Music 3 は 111 億パラメータで、32 kHz・最大 5 分の楽曲を書き、ジャンル、テンポ、キー、ボーカル、アレンジを詳細に記述して渡せます。モデルカードのルートでは BF16 で約 24 GB の CUDA GPU が必要で、MiniMax 自身のサービングガイドは GPU 2 枚を求めています。コミュニティライセンスでは、商用製品に MiniMax-Music3 の名称を表示することが求められ、年間 2000 万米ドルを超える場合は書面による許諾が必要です。YuE2 チーム自身のベンチマークでは Music 3 が 6.28、ACE-Step 1.5 が 6.01 を取りますが、これは一チームの表にすぎず独立したランキングではないため、両方試聴してみてください。ACE-Step の開発者は許諾済み・ロイヤリティフリー・合成データで学習したとしていますが、これは当サイトでは未検証です。一方、MiniMax のモデルカードには学習データの記述がありません。
仕様
| 仕様 | ACE-Step 1.5 | MiniMax Music 3 |
|---|---|---|
| 開発元 | ACE-Step | MiniMax |
| リリース日 | 2026年1月23日 | 2026年8月13日 |
| 総パラメータ数 | 4B (1.5 XL Turbo (4B DiT)) | 11.1B (Music 3 (diffusers or SGLang-Omni)) |
| アクティブパラメータ数 | すべて | すべて |
| アーキテクチャ | ハイブリッド | ハイブリッド |
| コンテキストウィンドウ | – | – |
| 入力 | テキスト, 音声 | テキスト |
| ライセンス | MIT (パーミッシブ) | MiniMax Music3 Community (条件付き) |
| 最小バリエーションの必要メモリ(4ビット) | 4 GB (1.5 Turbo (2B DiT, with 1.7B LM)) | 24 GB (Music 3 (diffusers or SGLang-Omni)) |
性能に関する主張は開発元によるもので、独自検証は行っていません。
ACE-Step 1.5 を選ぶべきケース
- コードと重みにシンプルな MIT 条項を望み、売上ラインやクレジット表記の要件がないものを求める場合。
- ゲーム用 GPU や 4〜8 GB VRAM のノート PC を持ち、数秒でドラフトを得たい場合。
- カバー生成、部分再描画、ステム分離、または数曲で学習した LoRA が必要な場合。
- 多言語の歌詞を書く場合。開発者は 50 以上の言語を挙げています。
MiniMax Music 3 を選ぶべきケース
- 最大 5 分の曲をセクションタグ付きで生成し、テンポ、キー、ボーカル、アレンジを詳細に指定したい場合。
- 約 24 GB の CUDA GPU を持っている場合、または MiniMax の SGLang-Omni ガイド用に GPU 2 枚を使える場合。
- 製品に MiniMax-Music3 の名称を表示でき、会社の年間売上が 2000 万米ドル未満か、MiniMax の許諾を得られる場合。
- YuE2 チームのベンチマークで高いスコア(6.28 対 6.01)のために大きなモデルを受け入れ、かつサンプルを自分で確認済みの場合。