ACE-Step 1.5 是 ACE Studio 与 StepFun 联合推出的开源音乐基础模型，主打本地部署、高速生成和多语言歌词演唱。支持文本生成歌曲、翻唱、重绘、音轨分离等编辑能力，4GB 显存即可运行。

ACE-Step 1.5 的完整评测

核心参数与统计

项目	规格
产品定位	开源音乐基础模型
开发商	ACE Studio + StepFun
架构	LM（歌曲规划）+ DiT（声学渲染）混合
生成速度	A100 ≈ 2 秒/首，RTX 3090 ≈ 10 秒/首
最低显存	4GB（部分配置）
支持平台	CUDA、Apple Silicon、ROCm、Intel XPU
开源协议	MIT
歌词语言	50+ 种语言

ACE-Step 1.5 可能是目前对硬件最友好的开源音乐生成模型。4GB 显存的门槛意味着近五年内的消费级显卡都能跑，这在动辄需要 A100 的音乐生成赛道里算是一股清流。

用户与市场认可

ACE-Step 1.5 在开源音乐生成社区中迅速获得了关注。相比 Suno 等闭源产品，它的差异化在于：① MIT 许可，可自由商用和二次开发；② 支持本地部署，数据不出设备；③ 提供完整的编辑管线（生成→翻唱→重绘→分轨），不只是"生成一首歌"那么简单。与 SongGeneration 相比，ACE-Step 的突出优势是推理速度和显存需求更低。

宣传核验："4-8 步蒸馏推理，A100 约 2 秒生成整首歌"——这个速度在短片段（10-30 秒）下可达，但生成 3-5 分钟的完整歌曲时推理时间会显著增加。蒸馏推理在保证音质的前提下加速效果明显，但极低步数下音质可能出现细节损失。

成本优势

维度	说明
代码	MIT 许可免费
模型权重	公开下载
在线 Demo	可免费体验
自部署	RTX 3090/4090 可流畅运行

免费的真相：MIT 许可，代码和模型权重免费下载。自部署的硬件成本最低体现在已有显卡上——如果手头有 RTX 3090 或更高型号，增量成本几乎为零；如果需要新购硬件，一张 RTX 4060（4GB 显存）约 2000-3000 元即可满足最低需求。对于只想试用的用户，在线 Demo 是最低成本的选择。

主要功能

• 文本生成歌曲：输入歌词和风格描述，AI 生成完整歌曲。支持 10 秒到 10 分钟的任意时长。
• 50+ 语言歌词演唱：支持中英日韩等主流语言及多种小语种。对于需要多语言音乐内容的创作者（如游戏配乐需要不同语言的演唱版本），这是核心差异功能。
• 翻唱与重绘：输入一段音频，AI 用不同的风格或声音重新演绎。适合对已有歌曲做改编的场景。
• 音轨分离与补全：将歌曲分离为人声和伴奏轨，或对片段进行补全。从"生成一首歌"到"编辑一首歌"，覆盖了音乐制作的更多有节。
• LoRA 个性化训练：用少量歌曲训练个人风格 LoRA。对于有固定风格的创作者，微调后的一致性会比通用模型好很多。

模型与版本演进

阶段	时间	关键变化	当前意义
ACE-Step 1.0	~2026-03	建立文本转歌曲主链路，形成基础声学生成能力	证明开源音乐模型可以做完整歌曲生成
ACE-Step 1.5	~2026-06	扩展到 50+ 语言歌词、翻唱、重绘、分轨和 LoRA 训练	从“能生成”升级到“能编辑、能定制”

ACE-Step 的版本路径很清晰：先把文本生成歌曲做通，再补齐创作者真正会用到的编辑有节。1.0 更像开源基线，1.5 则开始靠近完整的音乐工作流，尤其是翻唱、重绘和分轨能力，把模型从一次性生成器推进到可反复修改的制作工具。

当前版本的定位不是去和闭源平台拼最强成品音质，而是用更低硬件门槛和更宽松许可，把“本地可跑的音乐基础模型”做成工程上可落地的选择。对于研究者和开发者，1.5 已经是一个比纯 Demo 更完整的里程碑。

技术优势

技术点	作用机制	带来的实际效果
LM + DiT 混合架构	先规划歌曲结构，再做声学细节渲染	旋律、节奏和音色的控制感更稳定
蒸馏推理	用更少步数完成采样	在本地部署时显著缩短等待时间
多语言歌词建模	将歌词理解与演唱生成绑定	做跨语种歌曲和本地化内容更顺手
LoRA 个性化训练	用少量样本注入风格偏好	更适合固定风格创作者复用

ACE-Step 1.5 的优势不只在“开源”，而在于它把速度、显存门槛和编辑能力放在了一起。很多同类开源模型能出声音，但很难同时兼顾生成速度、后编辑和商用许可；ACE-Step 1.5 的差异化正是把这些有节打包成一个相对完整的创作底座。

宣传核验：官方强调 4GB 显存可运行和 4-8 步蒸馏加速，这个卖点对“可跑起来”基本成立，但对“稳定产出高质量整首歌”要加一个条件。短时片段、草稿生成和局部编辑更接近它的舒适区；如果追求长时高保真成品，硬件、推理时长和后期处理成本仍会上升。

如何使用

入口	最低要求	上手方式
在线 Demo	浏览器可访问	直接输入歌词与风格描述，先验证音色和节奏方向
本地推理	4GB+ 显存，建议 CUDA 或 Apple Silicon 有境	下载权重后按官方仓库配置有境，执行基础推理脚本
个性化训练	额外显存和少量训练样本	通过 LoRA 微调固化个人风格或品牌音色

最快的入门路径是先用在线 Demo 确认提示词结构，再决定是否本地部署。对大多数团队，先测试“歌词风格描述是否能稳定出可用草稿”，比一开始就折腾显卡有境更划算。

本地使用时，最低配置解决的是“能运行”，不是“高吞吐”。如果要同时做长歌曲生成、翻唱和分轨，3090/4090 这一档设备会明显更顺手。对于企业或工作室，建议把它放进“草稿生成 + 人工精修”的流程，而不是直接替代完整制作链路。

产品定价

定价模式以官方实时页面为准。通常采用免费增值（Freemium）或订阅制，基础功能可免费使用。 高级功能或高频使用需付费订阅，建议用户根据实际用量评估最优方案。

应用场景

• 快速配乐生成：为视频、播客、游戏生成定制背景音乐。输入"中国风、悠扬2 分钟"，30 秒内拿到可用的配乐草稿。
• 翻唱与改编：将一首歌用不同风格翻唱——把流行歌改成爵士版，或者把英文歌翻成中文版。适合内容创作者做二次创作。
• 音乐教学与实验：用 AI 生成不同风格的乐段作为教学示例，或进行声学实验。

劝退场景：如果需要出版级的专业混音质量，AI 生成的歌曲在音质层次感和混音细节上仍不如专业录音棚。ACE-Step 适合草稿和 demo 阶段，不适合作为最终发行版本。

适用人群

• 独立音乐人：在创作过程中快速验证旋律和编曲方向，MIT 许可允许商业使用。不需要担心版权纠纷或平台分成问题。
• 内容创作者：为视频、播客快速生成配乐和背景音乐，降低版权风险。对比在音乐平台购买商用授权，自生成的成本低得多。
• 音频 AI 开发者：在 ACE-Step 基础上构建音乐生成应用，MIT 协议限制少。需要注意模型输出的音质是否能满足用户预期，以及推理成本在规模化后的经济性。
• 游戏音频团队：为游戏生成定制背景音乐和主题曲，MIT 许可可嵌入商业产品，但音质和音效一致性需要额外加工。

当前限制：ACE-Step 1.5 在歌词发音准确性上对部分小语种的支持有限。非拉丁字母语言（如中文、日文）的歌词演唱有时会出现发音偏差，需要人工修正或后期录音补录。

总结与展望

在所属领域提供了具有竞争力的解决方案，核心价值在于降低该领域的 AI 使用门槛。

当前局限：部分高级功能需要付费订阅，免费版存在功能或使用次数限制；具体的技术细节和性能基准尚未完全公开。

相关工具：ElevenLabs、Udio

版本信息

• ACE-Step 1.5 ：支持文本生成歌曲50+ 语言歌词、翻唱重绘、音轨分离和 LoRA 个性化训练。 （~2026-06）
• ACE-Step 1.0 ：基础音乐生成模型，支持文本转歌曲。 （~2026-03）