ACE-Step 1.5

MITライセンスの音楽基盤モデル:数秒で完全な曲を生成、約4 GB の VRAM で動作し、カバー、部分書き直し、50以上の言語に対応。

ひとことで. ACE-Step 1.5 は、テキストの説明と歌詞から数秒でボーカル入りの完全な曲を作り出し、普通のゲーム用 GPU で動きます。コードも重みも MIT ライセンスなので、商用利用も簡単です。

概要

ACE Studio と StepFun は2026年1月23日に ACE-Step 1.5 をリリースし、4月2日にはより大きな 4B XL 版が続きました。言語モデル(0.6B、1.7B または 4B、Qwen3 ベース)がプランナーとして働きます。短いリクエストをメタデータ、歌詞、キャプションを含む詳細な曲の設計図に変え、その後拡散 Transformer が音声をレンダリングします。開発者によれば、学習データはライセンス済みの音楽、ロイヤリティフリーおよびパブリックドメインの録音、MIDI から作られた合成音声です。曲の長さは10秒から10分、歌詞は50以上の言語で使え、モデルはカバー、曲の一部の書き直し(リペイント)、ステム分離、ボーカルから伴奏への変換、数曲での LoRA 学習にも対応します。

速度とサイズが売りです。開発者によれば、完全な1曲は A100 では2秒未満、RTX 3090 では10秒未満で、モデルは4 GB 未満の VRAM で動きます。彼らのガイドは、言語モデルなしの 2B turbo DiT を最大6 GB の GPU に対応させ、オフロードなしでは XL モデルに20 GB 以上を推奨し、XL の DiT は INT8 量子化と CPU オフロードで少なくとも12 GB が必要としています。プロジェクトは自らの品質を Suno v4.5 と Suno v5 の間と評価しています。YuE2 チームの WildSongBench では、ACE-Step 1.5 の SongBench 平均は6.01で、YuE2(6.73)と MiniMax Music 3(6.28)に及ばないものの、7.46% の音素エラー率はそこのオープンモデルの中で最も低い水準です。

コードと重みは MIT ライセンスで、開発者は生成した音楽を商用利用できるとしています。学習データがライセンス済みでロイヤリティフリーかつ合成データだったという主張は開発者によるもので、私たちは検証していません。技術レポートは arXiv(2602.00744)にあります。2026年11月11日までの30日間で、Hugging Face はメインリポジトリを約9万7000回、XL turbo モデルを約9100回、ComfyUI チームの再パッケージ版を約81.6万回ダウンロードと計上しました。ダウンロード数には自動取得が含まれる場合があります。

おすすめの用途

  • ゲーム用 GPU や VRAM 4〜8 GB のノート PC での素早い曲のドラフト作成
  • カバー、曲の一部の書き直し、ステム分離、ボーカルから伴奏への変換
  • 数曲で学習した LoRA によるスタイルのカスタマイズ
  • MIT ライセンスのコードと重みを求める商用プロジェクト

注意点

  • Suno との比較は開発者自身のもので、YuE2 チームのベンチマークは総合品質で ACE-Step 1.5 を YuE2 と MiniMax Music 3 の下に置いている
  • 4 GB という数字は言語モデルなしの 2B DiT のもので、XL モデルはオフロード付きで12 GB、快適に使うには約20 GB が必要
  • ステム抽出などのタスクには base モデルが必要。より速い turbo と SFT 版は対応していない
  • 「ライセンス済みでロイヤリティフリーのデータ」という主張は開発者によるものなので、自分の用途について著作権を確認してください

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。

必要なメモリはどのくらい?

ACE-Step 1.5 の各バリエーションのメモリ数値です。画像・動画・音声・音楽の生成パイプラインはテキストエンコーダやデコーダも読み込むため、必要メモリはメインのチェックポイントより大きくなることがあります。

バリエーション パラメータ数 ダウンロードサイズ 必要メモリ 動かせるマシン
1.5 Turbo (2B DiT, with 1.7B LM) BF16 2B 10 GB 4 GB ノートPCまたはスマートフォン
1.5 XL Turbo (4B DiT) FP32 4B 20 GB 12 GB ノートPCまたはスマートフォン

ダウンロードサイズには、モデルの実行に必要なすべてのコンポーネント(ジェネレータ、テキストエンコーダ、デコーダなど)が含まれます。必要メモリは、開発元が公表している実測の最小値があればそれを採用し、なければダウンロードサイズに約15%を加えた推定値です。より大きな画像、より長いクリップ、より高い解像度ではさらに多くのメモリが必要です。 開発元の公表では、GPUメモリの最低要件は 4 GB です。

このライセンスをやさしく解説

最も短くシンプルな宽松型ライセンスです。著作権表示とライセンス表示を残す限り、モデルに対してほぼ何でもできます。

MIT の詳細

あわせて読みたい

よくある質問

ACE-Step 1.5 とは何ですか?
ACE-Step 1.5 は、テキストの説明と歌詞から数秒でボーカル入りの完全な曲を作り出し、普通のゲーム用 GPU で動きます。コードも重みも MIT ライセンスなので、商用利用も簡単です。
ACE-Step 1.5 は商用利用できますか?
はい。ACE-Step 1.5 はパーミッシブライセンスの MIT で公開されています。ライセンス表示の保持といった標準的な条件を守れば、商用利用できます。
ACE-Step 1.5 はオープンソースですか?
ACE-Step 1.5 は、Open Source Initiative(OSI)が承認したライセンス MIT で公開されています。訓練データや訓練コードは公開されていない場合もあるため、「オープンソースライセンス下のオープンウェイトモデル」と表現するのが正確です。
ACE-Step 1.5 を自分のPCで動かせますか?
はい。最小のバリエーション 1.5 Turbo (2B DiT, with 1.7B LM) は、4ビット精度で約 4 GB のメモリが必要です。最新のノートPCやミドルクラスのグラフィックボードで動きます。
ACE-Step 1.5 はいつリリースされましたか?
ACE-Step 1.5 は ACE-Step が 2026年1月23日 にリリースしました。

公式リンク

出典

仕様は以下の一次資料に基づきます。ベンチマークの主張がある場合は開発元の公表値です。

リリース日と掲載内容は 2026年11月11日 時点で確認済みです。

関連モデル

モデル リリース日 パラメータ数 コンテキスト ライセンス 最小バリエーションの必要メモリ
YuE2 EN M-A-P 3.63B – CC BY-NC (非商用) 24 GB ゲーミングGPU
MiniMax Music 3 EN MiniMax 11.1B – MiniMax Music3 Community (条件付き) 24 GB ゲーミングGPU
HeartMuLa EN HeartMuLa 3.94B – Apache 2.0 (パーミッシブ) 26 GB ゲーミングGPU
Stable Audio 3 EN Stability AI 460M – 1.4B – Stability Community (条件付き) 4.02 GB ノートPCまたはスマートフォン