ACE-Step 1.5 開源：不到 4GB 視訊記憶體，10 秒本地生成完整歌曲

ACE-Step 1.5 是由 ACE Studio 與階躍星辰聯合開源的音樂基礎模型，能把簡單的文本提示詞直接變成結構完整的完整歌曲。

它最搶眼的地方是執行門檻極低：整套系統對視訊記憶體的需求不到 4GB，在消費級顯示卡 RTX 3090 上不到 10 秒就能跑出一首歌，如果換到 A100 上，耗時甚至不到 2 秒。

它能做什麼

除了常規的文本生成音樂，ACE-Step 1.5 還內建了多項音訊編輯能力，包括翻唱製作、區域性重繪以及提取人聲後生成背景伴奏。生成的跨度很廣，無論是幾秒鐘的環境迴圈，還是長達 10 分鐘的長篇編曲都能應對。

模型原生支援 50 多種語言的文本輸入，中文表現同樣紮實。業內一些先行測試反饋，其生成的聽感表現已經接近商用閉源工具 Suno v4 的水平。

商用合規是它的另一大賣點。該模型採用 MIT 開源協議，訓練資料由合法授權的專業曲庫、公有領域音樂、無版權音訊以及高質量合成 MIDI 資料構成，創作者生成的音樂可以放心地投入商業用途。

架構設計與怎麼跑起來

技術上它採用了語言模型加擴散變換器的混合架構。前端由一個基於 Qwen3 演化而來的輕量語言模型充當指揮，通過思維鏈將使用者的簡短提示擴寫為包含後設資料、歌詞與曲式結構的藍圖。

後端則由負責聲音合成的 DiT 接手。官方推出了經過蒸餾的 Turbo 版本，只需 8 步取樣即可成曲，並通過內部機制進行強化學習對齊，不再依賴容易產生偏見的外部獎勵模型。

普通使用者上手並不難。模型權重與程式碼已經在 Hugging Face 和 ModelScope 同步上架，直接通過 Transformers 庫的 pipeline 幾行程式碼就能呼叫。官方還提供了 Google Colab 與線上演示空間，就算本地沒有獨立顯示卡也可以在網頁端直接體驗。

為什麼重要

對獨立遊戲開發者、短影片創作者和播客主播來說，ACE-Step 1.5 相當於在本地裝了一支隨叫隨到的配樂團隊。你不再需要按月給雲端音樂平臺掏訂閱費，也不必擔心素材版權暴雷或提示詞隱私外洩。

我們認為，階躍星辰和 ACE Studio 這一步走得非常務實。以前的開源音訊模型要麼體積過大跑不動，要麼訓練版權模糊不敢用。ACE-Step 1.5 把門檻壓進 4GB 視訊記憶體，直接將音樂生成從雲端服務拉到了創作者的個人桌面上，這對閉源商業音樂平臺來說是個不小的衝擊。