ACE-Step 1.5 XL：把 4B DiT 搬上本地，不到 1 分钟生成带人声整首歌

ACE-Step 1.5 XL 是一个能在本地跑起来的开源音乐生成模型。只要给它一段风格描述和歌词，它就能在你的电脑上生成一首带有人声的完整歌曲。

作为 2 月推出的 ACE-Step 1.5 的强化版本，新版把 DiT（扩散变换器）解码器扩展到了 4B 参数。带来的直接变化是音频质感更好、更听指挥，乐感也有所提升，甚至支持生成日语人声。

怎么做到的与硬件门槛

模型在架构上保持了与前代的兼容，API 和 LoRA 训练代码都没有改变。老用户可以直接套用原有的工作流。

速度方面，官方通过 Turbo 蒸馏技术把推理压缩到了 8 步。在消费级显卡上，生成整首歌曲不到一分钟。

不过，4B 的体量对硬件提出了明确要求。运行该模型最低需要 12GB 显存，推荐配置则在 20GB 显存以上。

三个版本与实际表现

开发团队在 Hugging Face 上放出了三个不同取向的权重。

基础版 acestep-v15-xl-base 的音乐多样性最高；微调版 acestep-v15-xl-sft 提升了整体品质，但风格发散度略低；蒸馏版 acestep-v15-xl-turbo 则主打极速高质量出曲，适合日常快速出片，只是微调和多样性表现相对受限。

官方宣称其基准测试击败了 Udio 和 Suno 等闭源商业产品。不过有首批测试的创作者表示，它的综合质感大致摸到了 Suno v4 的水平，虽然距离最新的 v5 仍有距离，但在开源领域已极为接近顶级闭源体验。

模型权重现已开放下载，GitHub 上也提供了完整的配置教程与演示。

为什么重要

长期以来，高质量 AI 编曲和人声生成基本被商业 SaaS 垄断，创作者不仅要按月付费，还会受限于内容审查与风格模板。ACE-Step 1.5 XL 证明了 4B 级别的扩散模型完全可以在单张消费级显卡上跑出商业级水准。

我们认为，如果你拥有 16GB 或 24GB 显存的显卡，且平时有独立音乐制作、游戏配乐或二创需求，它绝对值得你立即部署上手。虽然它的多样性在蒸馏后有所妥协，但免订阅费、支持本地 LoRA 定制与完全掌控的版权归属，已经为开源音乐制作扳回了关键一局。