/ Модель

Характеристики

Лицензия
MIT
Архитектура
autoencoder · dense
Библиотека
stable-audio-tools
Опубликована
10 апр 2026

ace-step-v1.5-1d-vae-stable-audio-format

Генерация аудиоТекст → аудио

Русское описание этой модели ещё готовится. Пока можно заглянуть в карточку модели от автора ниже.

0скачиваний за 30 дней13лайковвеса обновлены10 апр 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Details

This is the 1D Variational Autoencoder (VAE) used in ACE-Step v1.5 for music generation. The weights are provided in stable-audio-tools compatible format, making it easy to load, fine-tune, and integrate into your own training pipelines.

  • Developed by: ACE-STEP
  • Model type: Audio VAE (Oobleck Autoencoder)
  • License: MIT
ParameterValue
ArchitectureOobleck Autoencoder (VAE)
Audio Channels2 (Stereo)
Sampling Rate48,000 Hz
Latent Dim64
Encoder Latent Dim128
Downsampling Ratio1,920
Encoder/Decoder Channels128
Channel Multipliers[1, 2, 4, 8, 16]
Strides[2, 4, 4, 6, 10]
ActivationSnake

🏗️ Architecture

The VAE is a core component of the ACE-Step v1.5 pipeline, responsible for compressing raw stereo audio (48kHz) into a compact latent representation with a 1920x downsampling ratio and 64-dimensional latent space. The DiT operates in this latent space to generate music.

Quick Start

Installation

pip install stable-audio-tools torchaudio

Load and Use

from stable_audio_vae import StableAudioVAE

# Load model
vae = StableAudioVAE(
    config_path="config.json",
    checkpoint_path="checkpoint.ckpt",
)
vae = vae.cuda().eval()

# Encode audio
wav = vae.load_wav("input.wav")
wav = wav.cuda()
latent = vae.encode(wav)
print(f"Latent shape: {latent.shape}")  # [batch, 64, time/1920]

# Decode back to audio
output = vae.decode(latent)

Command Line

python stable_audio_vae.py -i input.wav -o output.wav

# For long audio, use chunked processing
python stable_audio_vae.py -i input.wav -o output.wav --chunked

Fine-Tuning

This checkpoint is compatible with stable-audio-tools training pipelines. The config.json includes full training configuration (optimizer, loss, discriminator settings) that you can use as a starting point for fine-tuning.

File Structure

.
├── config.json            # Model architecture and training config
├── checkpoint.ckpt        # Model weights (PyTorch checkpoint)
├── stable_audio_vae.py    # Inference script with StableAudioVAE wrapper
└── README.md

🦁 Related Models

ModelDescriptionHugging Face
acestep-v15-baseDiT base model (CFG, 50 steps)Link
acestep-v15-sftDiT SFT model (CFG, 50 steps)Link
acestep-v15-turboDiT turbo model (8 steps)Link
acestep-v15-xl-baseXL DiT base (4B, CFG, 50 steps)Link
acestep-v15-xl-sftXL DiT SFT (4B, CFG, 50 steps)Link
acestep-v15-xl-turboXL DiT turbo (4B, 8 steps)Link

🙏 Acknowledgements

This project is co-led by ACE Studio and StepFun.

📖 Citation

If you find this project useful for your research, please consider citing:

@misc{gong2026acestep,
	title={ACE-Step 1.5: Pushing the Boundaries of Open-Source Music Generation},
	author={Junmin Gong, Yulin Song, Wenxiao Zhao, Sen Wang, Shengyuan Xu, Jing Guo}, 
	howpublished={\url{https://github.com/ace-step/ACE-Step-1.5}},
	year={2026},
	note={GitHub repository}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · stable-audio-tools

Нельзя запустить

Библиотека «stable-audio-tools» рантаймом не поддерживается.

Ревизия весов
3a962ef

0 моделей