2月4日，开源音乐生成模型ACE-Step 1.5正式发布。该模型以“MIT协议可商用、消费级硬件可跑、商用级音质”为核心优势，彻底打破音乐AI“高显存、闭源收费”的壁垒——仅需4GB显存即可本地运行，A100上2秒生成完整歌曲，RTX 3090 10秒内完成，让普通创作者也能轻松用AI制作专业音乐，相关训练代码、权重、LoRA微调方案已全开源。
一、核心定位与硬指标：低门槛+高性价比
ACE-Step 1.5是国际AI社区联合开发的开源音乐生成基础模型，目标是“让任何人都能低成本用AI创作专业音乐”，其硬指标直接对标闭源头部工具（如Suno），且门槛大幅降低： 指标具体表现
显存需求仅需4GB VRAM，普通消费级显卡（如RTX 3060）即可本地运行，无需高端GPU
生成速度NVIDIA A100：2秒/首完整歌曲；RTX 3090：≤10秒/首
商用授权MIT协议，可放心用于创作、发布、变现，训练数据均合法合规（授权+免版权+合成数据）
音质水平官方宣称超越Suno，社区实测给出7.8-8分（10分制），认可其“商用级输出”
二、核心特性：从“能生成”到“易控制”
相比前代及传统音乐模型，ACE-Step 1.5在“风格控制、功能灵活性”上实现突破，覆盖创作全流程需求：
1.多语言+全风格覆盖
语言支持：兼容50+语言的歌词与提示词，虽中文歌词咬字能力仍有欠缺（社区实测反馈），但已能满足多场景创作；
风格控制：精准适配流行、电子、摇滚、说唱等主流曲风，可通过标签（如“120BPM、电吉他、浑厚男声”）定义细节，生成音乐结构连贯（避免传统模型“段落断裂”问题）。
2.高级创作功能：不止“文本生音乐”
支持从“初稿到定稿”的全流程操作，无需额外工具：
基础功能：文本生成音乐（Text2Music）、歌词编辑（修改歌词自动适配旋律）；
进阶功能：片段重绘（指定时间段重新生成）、风格转换（如把流行歌改成摇滚）、音频扩写（基于现有片段加伴奏/延长时长）。
3.LoRA轻量化微调：打造专属风格
这是模型最受关注的特性之一——无需大量数据，仅需几首歌即可训练LoRA模型，捕捉特定风格（如某歌手音色、小众曲风）：
优势：全程本地训练，数据不泄露，创作者完全拥有LoRA所有权；
潜力：社区已有人预测，随着开发者针对“合成波、国风”等细分流派微调，效果或超越Suno等闭源模型。
三、技术亮点：混合架构破解“速度与连贯”难题
ACE-Step 1.5采用**“语言模型+扩散生成器”混合架构**，打破传统模型“要么快但不连贯，要么连贯但慢”的困境：
第一步：语言模型当“音乐规划师”：先根据用户输入的歌词、风格标签，生成完整的“创作蓝图”（包括段落结构、旋律走向、配器安排），确保长音乐的逻辑连贯；
第二步：扩散生成器合成音频：基于“蓝图”快速合成音频，兼顾生成速度与细节保真度（如乐器音色还原、歌词与旋律对齐）。
这种架构相比“纯LLM模型”（慢、有结构断层）和“纯扩散模型”（快但不连贯），实现了“速度、连贯、细节”的三者平衡。
四、避坑与社区展望
1.当前不足（实测反馈）
中文歌词咬字不够自然，部分发音生硬；
对电子音乐等复杂曲风的细节理解不足，配器层次感稍弱；
提示词遵循能力待提升，过于模糊的描述易生成偏离预期的内容。
2.未来潜力
官方已启动2.0版本研发，参考1.0到1.5的进步幅度（速度提升3倍、显存需求降50%），年底或实现“中文咬字优化、更多曲风覆盖”；
开源生态优势显著：社区已用其生成合成波专辑，未来更多细分流派LoRA微调模型将进一步提升实用性。
ACE-Step 1.5的发布，核心意义是将音乐生成从“依赖闭源API、高端硬件”推向“本地可控、全民可用”——4GB显存门槛让普通用户告别“望而却步”，LoRA微调让创作者拥有“专属风格工具”，而开源属性则为后续优化提供无限可能。无论你是专业音乐人（用其获取灵感、快速编曲），还是AI爱好者（尝试音乐创作），这款模型都标志着“AI音乐创作”真正走进大众视野。
AI 速览
