ACE-Step 1.5公開：VRAM 4GB未満で動作するオープンソース音楽生成AI

ACE-Step 1.5は、ACE StudioとStepFunが共同でオープンソース化した音楽生成基盤モデルであり、テキスト指示から本格的な楽曲をローカル環境で直接生成できるツールだ。

最大の特徴は軽快な動作要件にある。VRAM消費量は4GB未満に抑えられており、一般向けGPUのRTX 3090なら10秒未満、A100であれば2秒未満でフルレングスの楽曲を書き出せる。

何ができるのか

テキストからの音楽生成にとどまらず、カバー曲の作成、楽曲のインペインティング修復、ボーカル音源からの伴奏生成など多彩な編集機能を備えている。数秒の短いループ音源から最長10分の長尺構成まで対応し、50以上の言語のプロンプトを正確に理解する。

公開されたデモ音源については、先行レビューでもSuno v4に迫る品質だと評価されている。また、MITライセンスが適用されており、正規ライセンス曲やパブリックドメイン、高品質な合成MIDI音源のみで学習されているため、生成物を商業プロジェクトで安心して使える点も心強い。

仕組みと動作環境

構造面では言語モデルと拡散Transformerを組み合わせたハイブリッド設計を採用している。Qwen3をベースにした軽量言語モデルがプランナーとして機能し、ユーザーの指示を思考連鎖によって歌詞や構成データを含む設計図へ展開する。

その設計図をもとにDiTが音響を生成する。8ステップで高速生成できるTurbo版も用意されており、外部の報酬モデルに頼らない独自強化学習によって高精度な出力制御を実現している。

導入も容易だ。重みと推論コードはHugging FaceとModelScopeに公開されており、Transformersライブラリから数行のコードで呼び出せる。ローカルGPUを持たないユーザー向けに、Google Colab環境やWeb上のデモスペースも用意されている。

なぜ重要か

ゲーム制作者や動画クリエイターにとって、毎月高額なクラウドサービスのサブスクリプションを払うことなく、著作権のクリアな楽曲を無制限に自前環境で作れる実用的な選択肢が登場した意味は大きい。

大規模化一辺倒ではなく、4GBという日常的なハードウェア制約の中で商用レベルの音質と速度を成立させた点は極めて合理的だ。音楽生成AIの主戦場がクラウドの有料APIからローカルデスクトップへと広がるきっかけになるだろう。