/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,3 млрд
Лицензия
MIT
Архитектура
acestep · dense
Библиотека
transformers
Опубликована
23 янв 2026

acestep-v15-sft

Генерация аудиоТекст → аудио3 профессии

ACE-Step v1.5 SFT — модель ACE-STEP для генерации музыки по текстовому описанию с управлением стилем и редактированием аудио.

3 523скачиваний за 30 дней54лайкавеса обновлены7 фев 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.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ACE-Step v1.5 SFT — модель генерации музыки из текста, разработанная командой ACE-STEP. По текстовому описанию она создаёт музыкальные композиции и поддерживает управление стилем, создание каверов, перерисовку аудио и преобразование вокала в фоновую музыку. Модель использует гибридную архитектуру: языковая модель планирует структуру песни и подготавливает метаданные, текст и подписи, а Diffusion Transformer синтезирует аудио. Размер модели — 1,3 млрд параметров; в карточке указано контекстное окно 32 768 токенов и поддержка более 50 языков.

В README заявлены генерация композиций длительностью до 10 минут, работа локально менее чем с 4 ГБ видеопамяти и скорость генерации менее 2 секунд на A100 или 10 секунд на RTX 3090. Для версии SFT таблица указывает 50 шагов, высокое качество и среднее разнообразие; извлечение, режим Lego и завершение аудио для этой версии не отмечены. Репозиторий содержит веса safetensors и распространяется по лицензии MIT; README заявляет возможность коммерческого использования созданной музыки.

Сценарии применения

  • создание музыкальной композиции по текстовому описанию
  • генерация кавера по референсному аудио
  • перерисовка или редактирование аудиофрагмента
  • преобразование вокала в фоновую музыку
  • создание музыки с заданным стилем и текстом песни

Ограничения

Результаты зависят от текстового описания и возможностей генеративной модели; README не приводит независимых оценок качества и не подтверждает характеристики производительности на разных конфигурациях оборудования. В версии SFT не заявлены функции извлечения аудио, Lego и завершения композиции.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

image

Model Details

🚀 ACE-Step v1.5 is a highly efficient open-source music foundation model designed to bring commercial-grade music generation to consumer hardware.

Key Features

  • 💰 Commercial-Ready: Unlike many models trained on ambiguous datasets, ACE-Step v1.5 is designed for creators. You can strictly use the generated music for commercial purposes.
  • 📚 Safe & Robust Training Data: The model is trained on a massive, legally compliant dataset consisting of:
    • Licensed Data: Professionally licensed music tracks.
    • Royalty-Free / No-Copyright Data: A vast collection of public domain and royalty-free music.
    • Synthetic Data: High-quality audio generated via advanced MIDI-to-Audio conversion.
  • ⚡ Extreme Speed: Generates a full song in under 2 seconds on an A100 and under 10 seconds on an RTX 3090.
  • 🖥️ Consumer Hardware Friendly: Runs locally with less than 4GB of VRAM.

Technical Capabilities

🌉 At its core lies a novel hybrid architecture where the Language Model (LM) functions as an omni-capable planner: it transforms simple user queries into comprehensive song blueprints—scaling from short loops to 10-minute compositions—while synthesizing metadata, lyrics, and captions via Chain-of-Thought to guide the Diffusion Transformer (DiT). ⚡ Uniquely, this alignment is achieved through intrinsic reinforcement learning relying solely on the model's internal mechanisms, thereby eliminating the biases inherent in external reward models or human preferences. 🎚️

🔮 Beyond standard synthesis, ACE-Step v1.5 unifies precise stylistic control with versatile editing capabilities—such as cover generation, repainting, and vocal-to-BGM conversion—while maintaining strict adherence to prompts across 50+ languages. This paves the way for powerful tools that seamlessly integrate into the creative workflows of music artists, producers, and content creators. 🎸

  • Developed by: [ACE-STEP]
  • Model type: [Text2Music]
  • Language(s): [50+ languages]
  • License: [MIT]

Evaluation

image

🏗️ Architecture

image

🦁 Model Zoo

image

DiT Models

DiT ModelPre-TrainingSFTRLCFGStepRefer audioText2MusicCoverRepaintExtractLegoCompleteQualityDiversityFine-TunabilityHugging Face
acestep-v15-base✅❌❌✅50✅✅✅✅✅✅✅MediumHighEasyLink
acestep-v15-sft✅✅❌✅50✅✅✅✅❌❌❌HighMediumEasyLink
acestep-v15-turbo✅✅❌❌8✅✅✅✅❌❌❌Very HighMediumMediumLink
acestep-v15-turbo-rl✅✅✅❌8✅✅✅✅❌❌❌Very HighMediumMediumTo be released

LM Models

LM ModelPretrain fromPre-TrainingSFTRLCoT metasQuery rewriteAudio UnderstandingComposition CapabilityCopy MelodyHugging Face
acestep-5Hz-lm-0.6BQwen3-0.6B✅✅✅✅✅MediumMediumWeak✅
acestep-5Hz-lm-1.7BQwen3-1.7B✅✅✅✅✅MediumMediumMedium✅
acestep-5Hz-lm-4BQwen3-4B✅✅✅✅✅StrongStrongStrong✅

🙏 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 · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
AceStepConditionGenerationModel
Ревизия весов
c410d24

0 моделей