ACE-Step 1.5：ACE Studio与StepFun联合开源的AI音乐生成模型，4GB显存即可生成专业级音频

一、ACE-Step 1.5是什么

ACE-Step 1.5是一款面向全球开发者和音乐创作者的开源音乐生成基础模型，由ACE Studio与StepFun联合开发，是ACE-Step系列模型的重磅升级版本，核心定位是让任何人都能在消费级硬件上轻松创作商用级别的专业音乐作品。该模型彻底打破了传统AI音乐生成对高端硬件的依赖，仅需不到4GB的显存即可实现本地运行，同时在生成速度、音频质量、创作可控性上实现了全方位突破，成为开源音乐生成领域的标杆性产品。

与传统音乐生成方案相比，ACE-Step 1.5并非单一的“文本生音频”工具，而是一套覆盖音乐生成、编辑、定制、部署的完整创作工具链，它支持从简单文字描述生成完整歌曲，也能实现音频片段重绘、风格转换、伴奏生成、多轨编辑等高级操作，且所有生成内容均基于合法可商用的训练数据，使用者可放心将作品用于创作、发布、商业变现等场景。此外，该模型深度适配ComfyUI等主流AI工作流平台，提供可视化操作界面，无论是专业的音乐制作人、AI开发者，还是零基础的音乐爱好者，都能快速上手使用，真正实现了AI音乐创作的平民化。

在性能表现上，ACE-Step 1.5更是远超同类型开源模型，甚至媲美Suno v4.5至v5之间的商用模型水平：在NVIDIA A100 GPU上生成一首完整歌曲耗时不足2秒，即使是普通消费级显卡RTX 3090，生成时间也能控制在10秒以内，且音乐连贯性在标准评估指标中达到4.72的高分，彻底解决了传统AI音乐生成“速度慢、质量差、结构乱”的痛点。

二、功能特色

ACE-Step 1.5的功能围绕“高性能、高质量、高可控、低门槛”四大核心打造，覆盖从基础音乐生成到高级个性化定制的全创作流程，同时兼顾硬件适配性和场景实用性，其核心功能特色可分为六大类，全方位满足不同用户的创作需求：

1. 极致轻量化，消费级硬件即可畅玩

这是ACE-Step 1.5最核心的特色之一，模型对硬件要求极低，仅需不到4GB显存即可实现本地运行，无需高端专业显卡，普通的消费级NVIDIA显卡（如RTX 30系列、40系列）甚至入门级独显都能支持，大幅降低了使用门槛。同时模型支持CPU、MPS（苹果芯片）运行，即使没有独立显卡，也能体验AI音乐生成功能，只是生成速度会略有下降，真正实现了“人人都能玩的AI音乐模型”。此外，模型提供Windows便携包，内置预安装依赖的python_embeded环境，无需手动配置复杂的开发环境，解压即可使用。

2. 极速生成，效率远超同类模型

模型在生成速度上实现了颠覆性突破，依托创新的分布匹配蒸馏技术，将音频合成效率提升至行业顶尖水平：在RTX 5090显卡上，生成一首4分钟的完整歌曲仅需约1秒；在NVIDIA A100 GPU上，单首歌曲生成耗时＜2秒；即使是主流消费级显卡RTX 3090，生成时间也能控制在10秒以内，且生成速度可根据推理模式和扩散步数灵活调整，范围在0.5~10秒之间。同时模型支持批量生成，最多可同时生成8首歌曲，用户可从中挑选最优结果，大幅提升创作效率，彻底告别传统AI音乐生成“动辄数分钟等待”的体验。

3. 商用级音质，风格与内容丰富度拉满

ACE-Step 1.5的音频输出质量达到商用级别，在音乐连贯性、音色还原、结构合理性上远超多数开源模型，介于Suno v4.5和Suno v5之间。模型支持1000+乐器和音乐风格，无论是流行、摇滚、说唱、电子、古典，还是国风、City Pop、K-Pop、合成器浪潮等小众风格，都能精准还原，且可通过精细化的提示词描述控制音色、编曲、情绪等细节。同时模型支持50+种语言的歌词提示，其中英语、中文、日语、韩语、西班牙语等主流语言的支持效果尤为出色，能实现歌词与旋律的自然对齐，避免出现“咬字不清、旋律脱节”的问题。此外，模型生成的音乐时长可灵活调整，支持从10秒的短音频循环到10分钟（600秒）的长篇音乐创作，满足不同场景的时长需求。

4. 全流程可控，精准把握创作细节

与传统AI音乐生成“黑箱操作”不同，ACE-Step 1.5实现了从输入到输出的全流程精准控制，用户可通过提示词、元数据、标签等方式，把控音乐创作的每一个细节，真正实现“所想即所得”。具体可控维度包括：可精准控制音乐的时长、BPM（节拍）、调式/音阶、拍号等基础元数据；可通过(verse)、(chorus)、(bridge)等标签规划歌曲的结构，引导模型进行编曲编排；可通过参考音频引导生成风格，实现“仿曲创作”；可对生成的音频进行局部区域编辑、重新生成（片段重绘），无需整体重新创作。同时模型还具备音频理解能力，能从现有音频中自动提取BPM、调式、拍号及描述文本，为二次创作提供精准参考。

5. 多场景创作，覆盖生成与编辑全流程

ACE-Step 1.5并非单一的生成工具，而是一套完整的音频创作工具箱，除了基础的文本生音乐功能外，还支持多种高级创作操作，覆盖音乐创作、编辑、优化的全流程：支持翻唱生成，输入任意歌曲搭配新的提示词和歌词，模型就能以全新风格重新演绎曲目；支持音轨分离，将现有音频拆分为人声、伴奏、乐器等独立音轨，方便二次编辑；支持多轨生成，类似Suno Studio的“添加音轨”功能，可分层生成音乐，实现精细化编曲；支持人声转背景音乐，为现有人声轨自动生成适配的伴奏，解决“有歌词无编曲”的痛点；支持歌词时间轴生成，为生成的音乐自动生成LRC格式的歌词时间戳，可直接用于视频配乐、歌曲发布。此外，模型还具备质量评分功能，能自动评估生成音频的质量，为用户挑选作品提供参考。

6. 轻量化微调，一键打造专属风格

ACE-Step 1.5支持LoRA轻量化微调，这是其面向专业创作者的核心特色之一，用户无需大量的训练数据和高端硬件，就能快速训练出符合自身风格的专属模型。在Gradio可视化界面中即可实现一键标注与训练，仅需8首歌曲、1小时左右，就能在RTX 3090（12GB显存）上完成定制训练，模型会学习用户提供的音乐特点，精准捕捉独特的音色和风格。更重要的是，LoRA微调全程在本地运行，用户完全拥有训练后的模型所有权，无需担心数据泄露问题，特别适合音乐制作人、品牌方打造专属的AI音乐风格。

三、技术细节

ACE-Step 1.5能实现高性能、高质量、低门槛的核心优势，源于其创新的技术架构和多项前沿技术的融合应用，模型摒弃了传统单一的扩散模型或语言模型架构，采用混合式技术架构，并融入分布匹配蒸馏、内在强化学习、自学习分词器等多项创新技术，从根本上改变了AI音乐生成的底层逻辑。以下是其核心技术细节的详细解析：

1. 核心架构：LM+DiT混合架构，规划与合成分离

ACE-Step 1.5的核心技术架构是语言模型（LM）+扩散变换器（DiT） 的混合架构，实现了“音乐规划”与“音频合成”的分离，这是其能实现长篇音乐连贯生成、精准控制的关键。其中，语言模型（LM）充当“全能音乐规划师”的角色，负责将简单的用户查询（如文字描述、歌词、风格标签）转化为完整的歌曲蓝图，通过思维链（Chain-of-Thought）推理，自动生成音乐的元数据（时长、BPM、调式）、歌词、编曲描述、段落结构等信息，为后续的音频合成提供清晰、详细的指导；而扩散变换器（DiT）则专门负责音频合成，根据语言模型输出的歌曲蓝图，精准生成对应的音频内容，实现“规划与合成的高度协同”。

这种架构彻底解决了传统单一扩散模型生成长篇音乐时“结构混乱、连贯性差”的问题，因为语言模型能提前规划好歌曲的整体结构和细节，扩散变换器只需按照蓝图执行合成，即使是10分钟的长篇音乐，也能保持良好的连贯性和逻辑性。同时，这种分离式架构也让模型的可控性大幅提升，用户可通过控制语言模型的输入，精准把控音乐的每一个细节。

2. 核心技术：四大创新技术，支撑高性能与高质量

ACE-Step 1.5在混合架构的基础上，融入了四项核心创新技术，从生成速度、音频质量、模型对齐、分词精度四个维度实现突破，打造出商用级的性能表现：

（1）分布匹配蒸馏技术（DMD2）

依托Z-Image的DMD2技术，实现了高速生成与优质音质的双重突破。该技术通过蒸馏优化模型的推理过程，在保证音频质量不下降的前提下，大幅提升生成速度，让模型能在消费级硬件上实现极速生成，这也是ACE-Step 1.5能在RTX 3090上10秒内生成完整歌曲的核心原因。

（2）内在强化学习

通过模型内部的固有机制实现无偏对齐，无需依赖外部奖励模型或人类偏好标注，彻底消除了外部偏见对生成结果的影响。传统AI音乐模型的对齐需要大量的人类标注数据，容易引入标注者的主观偏好，而ACE-Step 1.5的内在强化学习让模型能自我优化，生成的音乐更符合大众的审美，且无需额外的标注成本。

（3）自学习音频分词器

音频分词器在DiT训练过程中同步开展学习，而非采用固定的预训练分词器，有效缩小了生成环节与分词环节之间的差距。分词器是AI音乐生成的关键组件，负责将音频转化为模型可识别的token，自学习分词器能让模型更好地理解音频的特征，提升音色还原度和编曲合理性，让生成的音乐更自然、更专业。

（4）多语言精准对齐机制

模型针对50+种语言进行了专门的优化，严格遵循不同语言的语法、发音特点，实现歌词与旋律的精准对齐。对于英语、中文、日语等主流语言，模型还做了深度优化，有效解决了传统AI音乐生成中“多语言咬字不清、旋律与歌词脱节”的问题，让多语言音乐生成的质量达到商用级别。

3. 训练与适配：合法可商用，深度兼容主流平台

ACE-Step 1.5的训练数据全部来自合法、可商用的音乐素材，无版权问题，因此用户生成的所有音乐作品都支持商业使用，可放心用于创作、发布、变现等场景，这也是其区别于部分开源模型的重要优势。同时，模型深度适配主流的AI工作流平台和开发环境，提供多种部署和使用方式：原生支持ComfyUI，提供现成的工作流模板，用户可通过可视化界面完成全流程操作；支持Gradio网页界面，提供一键启动脚本，零基础用户也能快速上手；支持REST API服务器部署，开发者可将其集成到自己的应用、系统中，实现二次开发。

此外，模型还支持Python 3.11开发环境，提供完整的代码和文档，开发者可根据自身需求进行定制化开发，打造专属的音乐生成工具。

四、应用场景

ACE-Step 1.5凭借低门槛、高性能、全可控、可商用的核心优势，以及丰富的功能特性，其应用场景覆盖了专业音乐创作、商业内容生产、个人兴趣创作、技术开发等多个领域，无论是专业从业者还是普通爱好者，都能在对应的场景中发挥其价值。同时，模型支持本地运行和二次开发，能满足不同场景的个性化需求，以下是其核心应用场景的详细介绍，部分场景搭配实际应用案例，更直观体现其价值：

1. 专业音乐创作：辅助音乐制作人高效创作

对于专业的音乐制作人、编曲师而言，ACE-Step 1.5是一款高效的创作辅助工具，能大幅提升创作效率，打破思维瓶颈。模型可快速根据制作人的创意生成初稿，如根据歌词生成适配的旋律、根据风格要求生成编曲框架，制作人无需从无到有进行创作，只需在初稿的基础上进行优化、修改，大幅节省创作时间。同时，模型的LoRA微调功能可让制作人训练专属的风格模型，精准捕捉自己的创作特点，打造个性化的音乐风格；音轨分离、片段重绘等功能则方便制作人进行二次编辑，实现精细化的编曲优化。例如，一位独立音乐制作人想创作一首国风电子乐，可通过ACE-Step 1.5快速生成基础旋律和编曲框架，再通过音轨分离功能拆分出乐器音轨，进行个性化调整，原本需要数小时的创作工作，借助模型可缩短至几十分钟。

2. 商业内容生产：低成本实现高频音频定制

在电商促销、品牌宣传、短视频制作、门店运营等商业场景中，对音频素材的需求具有高频、个性化、本地化的特点，传统的音频制作方式（外包、专业制作）耗时久、成本高，而ACE-Step 1.5能实现低成本、高效率的音频定制，完美匹配这类场景的需求。

• 电商与零售：可快速生成新品发布会背景音乐、门店促销广播音频、直播间专属BGM等，且支持多语言、多风格生成，适配不同地区、不同品类的需求。例如某连锁美妆品牌推出新品，需在全国200+门店上线促销音频，利用ACE-Step 1.5，市场人员1小时内即可生成甜美、酷飒、复古3种风格的音频，还能自动导出普通话和粤语双版本，通过企业微信批量推送至各门店，整体时间缩短至8小时，成本近乎为零，而传统外包制作需耗时5天、成本超万元。

• 跨境商业：依托50+种语言支持能力，可快速为不同国家和地区的站点定制本地化广告音乐，匹配当地的音乐风格偏好。例如某跨境电商备战黑五促销，输入统一的英文提示词，即可生成英语、德语、法语、日语四个版本的人声歌曲，且每个版本都融入当地主流风格（如日本版本加入City Pop元素），所有音频可直接嵌入商品详情页视频模板，实现全球化一致的营销体验。

3. 短视频与影视创作：快速生成适配的原创配乐

短视频博主、影视剪辑师、MV制作人员是音频素材的高频需求者，而ACE-Step 1.5能快速生成原创、无版权、适配视频情绪的配乐，解决了短视频创作中“配乐版权问题、找不到适配音乐”的痛点。模型可根据视频的风格、情绪、时长，生成对应的原创BGM，且支持批量生成，用户可挑选最优结果；同时，模型还能与LTX-2等图生视频模型结合，实现“音乐+视频”的一站式创作，一键制作MV音乐视频：先通过ACE-Step 1.5生成AI音乐，再将音频传入LTX-2工作流，搭配首帧图和剧情描述，即可生成配套的视频画面，还能自由调整时长、分段生成并拼接完整MV。例如一位抖音短视频博主创作宠物日常视频，可输入“轻松欢快、轻音乐、钢琴+小提琴、30秒”的提示词，模型10秒内即可生成原创配乐，无版权问题，可直接用于视频发布。

4. 游戏与虚拟偶像开发：快速生成定制化音频素材

在游戏开发和虚拟偶像运营领域，ACE-Step 1.5能实现快速、批量的音频素材生成，满足游戏BGM、虚拟偶像演出音频的定制化需求。

• 游戏开发：可根据游戏的世界观、关卡特点，快速生成不同风格的主题音乐、场景BGM，且支持动态变奏，还能批量生成音效素材，大幅降低游戏音频制作的成本和时间。例如一款国风仙侠游戏，可通过模型快速生成古风、悠扬的关卡BGM，以及战斗、解谜等场景的适配音乐。

• 虚拟偶像：可结合动作捕捉与实时推流技术，为虚拟偶像生成自动化的演出音频，支持根据虚拟偶像的人设定制专属的音乐风格，还能实现翻唱、新歌生成等功能，丰富虚拟偶像的演出内容。

5. 个人兴趣创作：零基础实现音乐创作梦想

对于零基础的音乐爱好者而言，ACE-Step 1.5彻底打破了“不懂乐器、不懂编曲就不能创作音乐”的壁垒，实现了音乐创作的平民化。模型提供简易模式，仅需通过简单的文字描述（如风格、情绪、时长），就能生成完整的歌曲，无需任何专业的音乐知识；同时，模型的可视化界面（Gradio、ComfyUI）操作简单，一键启动、一键生成，让普通爱好者能轻松体验AI音乐创作的乐趣，甚至能将自己的歌词转化为完整的歌曲，实现音乐创作梦想。

6. 技术开发与二次创新：为开发者提供开源底座

ACE-Step 1.5作为开源的音乐生成基础模型，为AI开发者、算法工程师提供了优质的开源技术底座，模型提供完整的代码、文档和API接口，支持二次开发和定制化优化。开发者可基于该模型进行算法改进、功能拓展，如结合ControlNet-style条件注入，实现更精细的音乐段落控制；也可将模型集成到自己的AI应用、创作平台中，打造专属的音乐生成工具；还能基于模型的LoRA微调功能，训练特定风格的子模型，发布到社区供其他用户使用，推动AI音乐生成领域的技术创新。

五、使用方法

ACE-Step 1.5提供多种使用方式，适配不同用户的需求：零基础用户可选择可视化界面（Gradio、ComfyUI），一键启动、简单操作；开发者可选择API部署或本地开发环境，进行二次开发；Windows用户还能使用便携包，无需配置环境，解压即可用。以下是三种主流使用方式的详细步骤，通俗易懂，零基础也能快速上手，同时附上官方的使用技巧和优化建议，提升创作效果：

1. 方式一：Windows便携包（推荐零基础用户）

这是最简便的使用方式，官方提供Windows便携包，内置预安装依赖的python_embeded环境，无需手动配置Python、CUDA等环境，支持CUDA 12.8，解压后即可使用，步骤如下：

1. 从ACE-Step 1.5的GitHub官方仓库下载Windows便携包，解压到电脑任意目录；

2. 进入解压后的文件夹，找到对应的启动脚本，双击即可启动：

• 启动Gradio网页可视化界面：双击start_gradio_ui.bat，脚本会自动启动服务，待提示“Running on http://localhost:7860”后，打开浏览器访问该地址，即可进入可视化操作界面；

• 启动REST API服务器：双击start_api_server.bat，启动后可通过API接口调用模型功能，适用于简单的二次开发；

3. 在可视化界面中，根据需求输入提示词（风格、歌词、时长等），点击“生成”按钮，等待数秒即可获得生成的音频，可在线播放、下载。

2. 方式二：ComfyUI可视化工作流（推荐创作爱好者）

ACE-Step 1.5已实现ComfyUI首日支持，提供现成的音频生成工作流模板，可视化拖拽操作，支持更精细的创作控制，适合有一定创作需求的爱好者，步骤如下：

1. 准备环境：将ComfyUI更新至最新版本（0.12.0及以上），确保电脑安装了NVIDIA显卡驱动并支持CUDA；

2. 加载工作流：打开ComfyUI，进入「模板库→音频」分类，找到并加载“ACE-Step 1.5”官方工作流模板；

3. 下载模型：工作流会自动提示下载模型权重，也可手动从Hugging Face的ACE-Step官方仓库下载，将模型文件放入ComfyUI的models/checkpoints目录；

4. 配置参数：在工作流中拖拽节点，配置生成参数，包括输入提示词（风格、歌词、乐器等）、设置音乐时长、BPM、批量生成数量等；

5. 运行生成：点击ComfyUI界面右下角的“Queue Prompt”按钮，模型开始生成，生成完成后，在界面右侧的“Image/Video/Audio”面板中可播放、下载音频文件。

3. 方式三：本地开发环境（推荐开发者/专业用户）

适合有Python开发基础的开发者、专业用户，可手动配置环境，进行定制化开发、LoRA微调等操作，步骤如下：

1. 环境准备：安装Python 3.11，安装CUDA 12.8（推荐），配置好Python环境变量；

2. 克隆仓库：从GitHub官方仓库克隆代码，执行命令git clone https://github.com/ace-step/ACE-Step-1.5.git；

3. 安装依赖：进入仓库目录，执行命令pip install -r requirements.txt，安装所需的依赖库；

4. 启动使用：

• 启动Gradio界面：执行命令python app.py，访问本地地址即可使用；

• LoRA微调：在Gradio界面中找到“LoRA训练”模块，上传自己的音乐素材，设置训练参数，点击“开始训练”，即可实现一键微调；

• 二次开发：基于仓库提供的代码和API，进行定制化开发，如集成到自己的应用、修改模型参数等。

4. 官方使用技巧与优化建议

为了提升音乐生成效果，官方提供了一系列实用的使用技巧，用户遵循这些建议，能让生成的音乐更符合预期，以下是核心技巧：

1. 提示词编写：风格标签描述越详细越好，需包含曲风、乐器、情绪、速度、vocal风格等信息，示例：“摇滚、硬摇滚、清晰男声、浑厚嗓音、充满活力、电吉他、贝斯、架子鼓、主题曲、120BPM”；

2. 歌词结构：使用(verse)、(chorus)、(bridge)等标签规划歌曲结构，引导模型进行编曲编排，让歌曲结构更合理；

3. 时长设置：初始使用建议尝试90-120秒时长，生成效果更稳定；若需180秒以上的长曲，建议分多批生成，再进行拼接；

4. 批量生成：将批量大小（batch_size）设为8或16，从中挑选最佳结果，因为模型生成效果可能存在小幅波动，多生成几份能提高优质率；

5. 显存优化：在资源受限的环境下，可使用FP16精度推理，启用梯度检查点（Gradient Checkpointing），降低显存占用；

6. 音质优化：在后处理阶段加入Loudness Normalization（响度归一化）与De-essing（去齿音）滤波，提升音频的听感质量。

六、常见问题解答

Q1：没有独立显卡，能使用ACE-Step 1.5吗？

A1：可以使用。ACE-Step 1.5原生支持CPU、MPS（苹果芯片）运行，即使没有独立显卡，也能体验音乐生成功能，只是相比独显，生成速度会略有下降，适合短音频生成。如果需要频繁生成、批量生成，建议搭配支持CUDA的NVIDIA独立显卡，体验更佳。

Q2：ACE-Step 1.5支持哪些操作系统？

A2：目前主要支持Windows系统，官方提供了Windows便携包，无需配置环境，解压即可用；同时支持Linux、macOS（苹果芯片）系统，可通过手动配置Python环境的方式使用，具体步骤可参考官方仓库的文档。

Q3：生成的音乐有版权吗？可以用于商业用途吗？

A3：生成的音乐无版权问题，可放心用于商业用途。ACE-Step 1.5的训练数据全部来自合法、可商用的音乐素材，模型官方明确支持商业作品使用，用户可将生成的音乐用于创作、发布、变现、品牌宣传等所有商业场景，无需额外获取版权授权。

Q4：中文歌词生成的咬字不够清晰，有优化方法吗？

A4：可通过优化提示词的方式提升中文咬字质量。首先，在提示词中明确标注“中文清晰咬字”；其次，歌词部分尽量简洁，避免过长、过于复杂的语句；最后，可适当降低生成速度，调整扩散步数，提升模型对中文歌词的处理精度。同时，官方会持续对中文语言进行优化，后续版本会进一步提升咬字清晰度。

Q5：LoRA微调需要多少训练数据和硬件资源？

A5：ACE-Step 1.5的LoRA微调实现了轻量化，硬件要求低，训练数据量少。在RTX 3090（12GB显存）上，仅需8首歌曲、1小时左右即可完成定制训练；如果是入门级独显（如RTX 3060 8GB），可适当减少训练数据量（5-6首），或降低训练批次，也能完成微调。训练数据建议选择风格统一、音质清晰的音乐素材，能提升微调效果。

Q6：为什么生成的音乐时长与设置的不一致？

A6：主要是因为模型在生成过程中会对音乐的结构进行优化，确保段落的完整性，可能会出现小幅的时长偏差（±5秒），这是正常现象。如果需要精准的时长，可先生成稍长的音频，再通过音频编辑工具（如Audacity）进行裁剪，或在提示词中明确标注“精准时长XX秒”。

Q7：ComfyUI中加载ACE-Step 1.5工作流时，提示模型文件缺失怎么办？

A7：可通过两种方式解决：一是在ComfyUI中加载工作流后，点击模型节点的“下载”按钮，工作流会自动下载缺失的模型权重；二是手动从Hugging Face的ACE-Step官方仓库（ACE-Step/Ace-Step1.5）下载模型文件，将其放入ComfyUI的models/checkpoints目录，重启ComfyUI即可。

Q8：生成的音乐出现“结构混乱、旋律脱节”的问题，如何优化？

A8：可通过以下三种方式优化：一是在提示词中使用(verse)、(chorus)、(bridge)等标签，明确规划歌曲的结构，引导模型进行编曲；二是适当缩短生成时长，初始使用建议90-120秒，长曲建议分批次生成后拼接；三是提升提示词的详细度，明确标注音乐的风格、节奏、段落衔接要求，让模型有更清晰的创作指引。

Q9：ACE-Step 1.5支持哪些音频格式的输出和输入？

A9：目前模型主要支持MP3、WAV两种主流音频格式的输出，可直接用于播放、编辑、发布；输入方面，参考音频、翻唱生成的输入支持MP3、WAV、FLAC等常见格式，无需进行格式转换，模型会自动识别处理。

Q10：可以将ACE-Step 1.5集成到自己的应用中吗？

A10：可以集成。ACE-Step 1.5支持启动REST API服务器，官方提供了完整的API文档，开发者可通过API接口将模型功能集成到自己的应用、系统、创作平台中，实现二次开发和定制化使用，具体的API调用方式可参考官方仓库的文档。

七、相关链接

1. GitHub官方仓库：https://github.com/ace-step/ACE-Step-1.5

2. 项目官方主页：https://ace-step.github.io/ace-step-v1.5.github.io/

3. Hugging Face模型仓库：https://huggingface.co/ACE-Step/Ace-Step1.5

4. Hugging Face Space在线演示：https://huggingface.co/spaces/ACE-Step/Ace-Step-v1.5

5. ModelScope模型仓库：https://www.modelscope.cn/models/ACE-Step/Ace-Step1.5

6. 技术报告：https://arxiv.org/abs/2602.0074

八、总结

ACE-Step 1.5是一款由国际AI社区联合开发的开源音乐生成基础模型，核心以“消费级硬件实现商用级音乐创作”为目标，通过4GB显存即可本地运行的极致轻量化设计，打破了AI音乐生成对高端硬件的依赖，同时凭借LM+DiT混合架构、分布匹配蒸馏等四大核心创新技术，实现了极速生成、商用级音质、全流程可控的性能表现，其生成速度在消费级显卡RTX 3090上可控制在10秒以内，音乐连贯性评分达4.72，音质介于Suno v4.5和Suno v5之间，且所有生成内容基于合法可商用训练数据，支持商业使用。该模型并非单一的生成工具，而是覆盖音乐生成、编辑、LoRA微调、部署的完整工具链，支持文本生音乐、翻唱生成、音轨分离、多轨编辑等多种功能，深度适配ComfyUI、Gradio等可视化平台，提供Windows便携包、API部署、本地开发等多种使用方式，零基础用户和专业开发者均可快速上手。其应用场景覆盖专业音乐创作、电商促销、短视频配乐、游戏开发、虚拟偶像运营等多个领域，既能辅助专业从业者提升创作效率，也能让普通爱好者实现零基础音乐创作，还能为开发者提供开源技术底座进行二次创新，同时官方提供了完善的文档、模型资源和社区支持，大幅降低了使用和开发门槛。ACE-Step 1.5的出现，不仅推动了开源AI音乐生成领域的技术进步，更让AI音乐创作从“专业领域”走向“平民化”，为不同类型的用户提供了高效、灵活、可商用的音乐创作解决方案，成为开源音乐生成领域的标杆性产品。