ACE-Step 1.5

Музыкальная модель MIT: полные песни за секунды, от 4 ГБ VRAM, с каверами, частичной перерисовкой и более чем на 50 языках.

Коротко. ACE-Step 1.5 за несколько секунд создаёт полные песни с вокалом из текстового описания и текста песни, и работает на обычной игровой видеокарте. И код, и веса под лицензией MIT, поэтому коммерческое использование несложно.

Краткое описание

ACE Studio и StepFun выпустили ACE-Step 1.5 23 января 2026 года, а 2 апреля вышла более крупная 4B XL-версия. Языковая модель (0.6B, 1.7B или 4B, на базе Qwen3) работает как планировщик: она превращает короткий запрос в детальный план песни с метаданными, текстом и описанием, а диффузионный Transformer затем рендерит аудио. Разработчики говорят, что обучающие данные — это лицензированная музыка, записи без роялти и из общественного достояния, а также синтетическое аудио, созданное из MIDI. Песни длятся от 10 секунд до 10 минут, тексты работают более чем на 50 языках, а модель также делает каверы, частичную перерисовку трека, разделение стемов, перевод вокала в аккомпанемент и обучение LoRA на нескольких песнях.

Скорость и размер — главные козыри. Разработчики говорят, что полная песня занимает менее 2 секунд на A100 и менее 10 секунд на RTX 3090, а модель работает менее чем на 4 ГБ VRAM. Их руководство сопоставляет 2B turbo DiT без языковой модели с GPU до 6 GB и рекомендует XL-моделям 20 GB и больше без выгрузки, а XL DiT требует минимум 12 GB с квантизацией INT8 и выгрузкой на CPU. Проект оценивает собственное качество как между Suno v4.5 и Suno v5. В WildSongBench команды YuE2 ACE-Step 1.5 набирает в среднем по SongBench 6,01, уступая YuE2 (6,73) и MiniMax Music 3 (6,28), хотя его доля фонемных ошибок 7,46% — одна из самых низких среди открытых моделей там.

Код и веса под лицензией MIT, и разработчики говорят, что сгенерированной музыкой можно пользоваться коммерчески. Утверждение, что обучающие данные были лицензированными, без роялти и синтетическими, принадлежит им, и мы его не проверяли. Технический отчёт есть на arXiv (2602.00744). За 30 дней до 11 ноября 2026 года Hugging Face насчитал около 97 000 загрузок основного репозитория, 9 100 у XL turbo модели и 816 000 у перепакованной командой ComfyUI копии. Числа загрузок могут включать автоматические запросы.

Подходит для

  • Быстрые черновики песен на игровой видеокарте или ноутбуке с 4–8 ГБ VRAM
  • Каверы, частичная перерисовка фрагментов трека, разделение стемов и перевод вокала в аккомпанемент
  • Настройка стиля с LoRA, обученным на нескольких песнях
  • Коммерческие проекты, которым нужны код и веса под MIT

На что обратить внимание

  • Сравнение с Suno принадлежит самим разработчикам, а бенчмарк команды YuE2 ставит ACE-Step 1.5 по общему качеству ниже YuE2 и MiniMax Music 3
  • Цифра 4 ГБ относится к 2B DiT без языковой модели, а XL-моделям нужно 12 ГБ с выгрузкой и около 20 ГБ для комфортной работы
  • Извлечение стемов и подобные задачи требуют базовой модели, потому что более быстрые turbo и SFT версии их не поддерживают
  • Заявление о «лицензированных данных без роялти» исходит от разработчиков — проверьте авторские права для своего применения

Заявления о производительности поступают от разработчика и не проверялись независимо.

Сколько памяти ему нужно?

Данные по памяти для каждого варианта ACE-Step 1.5. Конвейеры для изображений, видео, речи и музыки дополнительно загружают текстовый энкодер и декодер, поэтому памяти может понадобиться больше, чем весит основной чекпойнт.

Варианты Параметры Объём загрузки Требуемая память Поместится на
1.5 Turbo (2B DiT, with 1.7B LM) BF16 2B 10 GB 4 GB Ноутбук или телефон
1.5 XL Turbo (4B DiT) FP32 4B 20 GB 12 GB Ноутбук или телефон

Объём загрузки включает все компоненты, нужные для работы модели: генератор, текстовый энкодер, декодер и другие. Требуемая память — это заявленный или опубликованный измеренный минимум, если он есть; иначе это объём загрузки плюс около 15%. Более крупные изображения, более длинные клипы и большее разрешение требуют больше памяти. Разработчик заявляет минимум 4 GB видеопамяти.

Лицензия простыми словами

Самая короткая и простая разрешительная лицензия. Вы можете делать с моделью почти что угодно, если сохраняете уведомление об авторских правах и лицензии.

Подробнее о MIT

Смотрите также

Частые вопросы

Что такое ACE-Step 1.5?
ACE-Step 1.5 за несколько секунд создаёт полные песни с вокалом из текстового описания и текста песни, и работает на обычной игровой видеокарте. И код, и веса под лицензией MIT, поэтому коммерческое использование несложно.
Можно ли использовать ACE-Step 1.5 в коммерческих целях?
Да. ACE-Step 1.5 выпущена под MIT — это пермиссивная лицензия. Использовать её в коммерческих целях можно при соблюдении стандартных условий, например с сохранением уведомления о лицензии.
Является ли ACE-Step 1.5 моделью с открытым исходным кодом?
ACE-Step 1.5 выпущена под MIT — лицензией, одобренной Open Source Initiative. Обучающие данные и код обучения могут быть закрыты, поэтому точнее всего говорить об открытых весах под открытой лицензией.
Можно ли запустить ACE-Step 1.5 на своём компьютере?
Да. Минимальному варианту, 1.5 Turbo (2B DiT, with 1.7B LM), нужно около 4 GB памяти в 4-битной точности — это по силам современному ноутбуку или видеокарте среднего уровня.
Когда вышла ACE-Step 1.5?
ACE-Step 1.5 выпущена разработчиком ACE-Step 23 января 2026 г..

Официальные ссылки

Источники

Характеристики взяты из этих первоисточников. Упомянутые результаты бенчмарков приведены по данным разработчика.

Дата выпуска и факты в последний раз проверены 11 ноября 2026 г..

Связанные модели

Модель Дата выпуска Параметры Контекст Лицензия Память минимального варианта
YuE2 EN M-A-P 3.63B – CC BY-NC (Некоммерческая) 24 GB Игровая видеокарта
MiniMax Music 3 EN MiniMax 11.1B – MiniMax Music3 Community (С условиями) 24 GB Игровая видеокарта
HeartMuLa EN HeartMuLa 3.94B – Apache 2.0 (Пермиссивная) 26 GB Игровая видеокарта
Stable Audio 3 EN Stability AI 460M – 1.4B – Stability Community (С условиями) 4.02 GB Ноутбук или телефон