ACE-Step 1.5

Modelo musical MIT: músicas completas em segundos, a partir de 4 GB de VRAM, com covers, edição parcial e mais de 50 idiomas.

Em resumo. O ACE-Step 1.5 cria músicas completas com vocais a partir de uma descrição em texto e de uma letra em poucos segundos, e roda em uma GPU comum. Tanto o código quanto os pesos têm licença MIT, então o uso comercial é simples.

Resumo

A ACE Studio e a StepFun lançaram o ACE-Step 1.5 em 23 de janeiro de 2026, e em 2 de abril veio uma versão XL maior de 4B. Um modelo de linguagem (0.6B, 1.7B ou 4B, construído sobre o Qwen3) atua como planejador: transforma um pedido curto em um blueprint detalhado da música com metadados, letra e um caption, e um transformer de difusão renderiza o áudio. Os desenvolvedores dizem que os dados de treinamento são músicas licenciadas, gravações livres de royalties e de domínio público, e áudio sintético feito a partir de MIDI. As músicas vão de 10 segundos a 10 minutos, as letras funcionam em mais de 50 idiomas, e o modelo também faz covers, repinta parte de uma faixa, separa stems, converte vocal em acompanhamento e treina LoRAs com algumas músicas.

Velocidade e tamanho são os pontos de venda. Os desenvolvedores dizem que uma música completa leva menos de 2 segundos em uma A100 e menos de 10 em uma RTX 3090, e que o modelo roda com menos de 4 GB de VRAM. O guia deles emparelha o DiT turbo de 2B sem o modelo de linguagem com GPUs de até 6 GB, recomenda os modelos XL com 20 GB ou mais sem offloading, e o DiT XL precisa de pelo menos 12 GB com quantização INT8 e offload de CPU. O projeto avalia a própria qualidade como entre o Suno v4.5 e o Suno v5. No WildSongBench da equipe do YuE2, o ACE-Step 1.5 marca 6.01 na média do SongBench, atrás do YuE2 (6.73) e do MiniMax Music 3 (6.28), embora sua taxa de erro fonêmico de 7,46% esteja entre as mais baixas dos modelos abertos ali.

O código e os pesos têm licença MIT, e os desenvolvedores dizem que a música que você gerar pode ser usada comercialmente. A afirmação de que os dados de treinamento eram licenciados, livres de royalties e sintéticos é deles, e nós não a verificamos. O relatório técnico está no arXiv (2602.00744). Nos 30 dias até 11 de novembro de 2026, o Hugging Face contou cerca de 97.000 downloads do repositório principal, 9.100 do modelo XL turbo e 816.000 da cópia reempacotada da equipe do ComfyUI. Os números de downloads podem incluir puxadas automatizadas.

Bom para

  • Rascunhos rápidos de músicas em uma GPU comum ou notebook com 4 a 8 GB de VRAM
  • Covers, repintar partes de uma faixa, separação de stems e conversão de vocal em acompanhamento
  • Personalizar o estilo com um LoRA treinado com algumas músicas
  • Projetos comerciais que queiram código e pesos com licença MIT

Pontos de atenção

  • A comparação com o Suno é dos próprios desenvolvedores, e o benchmark da equipe do YuE2 coloca o ACE-Step 1.5 abaixo do YuE2 e do MiniMax Music 3 em qualidade geral
  • A cifra de 4 GB vale para o DiT de 2B sem o modelo de linguagem, enquanto os modelos XL precisam de 12 GB com offloading e cerca de 20 GB para uso confortável
  • Extração de stems e tarefas parecidas precisam do modelo base, porque as versões turbo e SFT, mais rápidas, não os suportam
  • A afirmação de "dados licenciados e livres de royalties" vem dos desenvolvedores, então confira os direitos autorais para o seu próprio uso

As afirmações de desempenho vêm do desenvolvedor e não foram verificadas de forma independente.

De quanta memória ele precisa?

Números de memória para cada variante de ACE-Step 1.5. Pipelines de imagem, vídeo, voz e música também carregam um codificador de texto e um decodificador, então a memória necessária pode ser maior que a do checkpoint principal.

Variantes Parâmetros Tamanho do download Memória necessária Cabe em
1.5 Turbo (2B DiT, with 1.7B LM) BF16 2B 10 GB 4 GB Notebook ou celular
1.5 XL Turbo (4B DiT) FP32 4B 20 GB 12 GB Notebook ou celular

O tamanho do download cobre todos os componentes necessários para executar o modelo, como o gerador, o codificador de texto e o decodificador. A memória necessária é um mínimo declarado ou medido e publicado, quando existe; caso contrário, é o tamanho do download mais cerca de 15%. Imagens maiores, clipes mais longos e resoluções mais altas precisam de mais memória. O desenvolvedor informa um mínimo de 4 GB de memória de GPU.

A licença em palavras simples

A licença permissiva mais curta e simples. Você pode fazer quase qualquer coisa com o modelo, desde que mantenha o aviso de copyright e a licença.

Mais sobre MIT

Veja também

Perguntas frequentes

O que é ACE-Step 1.5?
O ACE-Step 1.5 cria músicas completas com vocais a partir de uma descrição em texto e de uma letra em poucos segundos, e roda em uma GPU comum. Tanto o código quanto os pesos têm licença MIT, então o uso comercial é simples.
Posso usar ACE-Step 1.5 comercialmente?
Sim. ACE-Step 1.5 é lançado sob MIT, uma licença permissiva. Você pode usá-lo comercialmente se seguir as condições padrão, como manter o aviso de licença.
ACE-Step 1.5 é de código aberto?
ACE-Step 1.5 é lançado sob MIT, uma licença aprovada pela Open Source Initiative. Os dados e o código de treinamento podem não ser públicos, então o melhor é descrevê-lo como pesos abertos sob uma licença de código aberto.
Consigo rodar ACE-Step 1.5 no meu próprio computador?
Sim. A menor variante, 1.5 Turbo (2B DiT, with 1.7B LM), precisa de cerca de 4 GB de memória em precisão de 4 bits, o que cabe em um notebook moderno ou em uma placa de vídeo intermediária.
Quando ACE-Step 1.5 foi lançado?
ACE-Step 1.5 foi lançado por ACE-Step em 23 de janeiro de 2026.

Links oficiais

Fontes

As especificações vêm destas fontes primárias. As afirmações de benchmark, quando mencionadas, são informadas pelo desenvolvedor.

Data de lançamento e fatos verificados pela última vez em 11 de novembro de 2026.

Modelos relacionados

Modelo Lançamento Parâmetros Contexto Licença Memória da menor variante
YuE2 EN M-A-P 3.63B – CC BY-NC (Não comercial) 24 GB GPU gamer
MiniMax Music 3 EN MiniMax 11.1B – MiniMax Music3 Community (Condicional) 24 GB GPU gamer
HeartMuLa EN HeartMuLa 3.94B – Apache 2.0 (Permissiva) 26 GB GPU gamer
Stable Audio 3 EN Stability AI 460M – 1.4B – Stability Community (Condicional) 4.02 GB Notebook ou celular