/ Модель

Характеристики

Лицензия
MIT
Базовая модель
acestep-v15-xl-turbo
Библиотека
diffusers
Опубликована
22 апр 2026

acestep-v15-xl-turbo-diffusers

Генерация аудиоТекст → аудио3 профессии

Официальная версия ACE-Step v1.5 XL Turbo в формате Diffusers для генерации музыки по текстовому описанию.

3 970скачиваний за 30 дней22лайкавеса обновлены1 мая 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

Это официальный чекпойнт ACE-Step v1.5 XL Turbo в формате Diffusers, подготовленный разработчиками ACE-Step. Модель предназначена для генерации музыки по текстовому описанию и загружается как единый конвейер через AceStepPipeline из Diffusers.

В основе — 5-миллиардная flow-matching DiT с 32 слоями, 32 головами и размером скрытого состояния 2560; размер представлений энкодера условий — 2048. Чекпойнт ACE-Step v1.5 XL Turbo прошёл дистилляцию с guidance и генерирует музыку за 8 шагов. Репозиторий содержит веса в формате Diffusers и SafeTensors; лицензия — MIT.

Сценарии применения

  • создание музыкального фрагмента по текстовому запросу
  • генерация фоновой музыки для видео
  • создание музыкальных идей для композиции
  • быстрое получение чернового музыкального трека

Ограничения

Для загрузки через AceStepPipeline требуется версия Diffusers из исходного кода, пока поддержка не войдёт в следующий выпуск пакета. README не уточняет поддерживаемые языки текстовых запросов и характеристики качества генерации.

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

ACE-Step v1.5 XL Turbo Diffusers

Diffusers-format checkpoint of ACE-Step v1.5 XL Turbo — the guidance-distilled 5B-parameter flow-matching DiT for text-to-music generation (hidden_size=2560, 32 layers, 32 heads; encoder_hidden_size=2048 on the condition encoder).

This repository is the official Diffusers-format version of the ACE-Step v1.5 XL Turbo checkpoint. It can be loaded directly with AceStepPipeline, which was merged into huggingface/diffusers.

Weights are produced by scripts/convert_ace_step_to_diffusers.py from the upstream release and packaged in the standard Diffusers pipeline layout (model_index.json + one subdirectory per module), so the full pipeline can be loaded in a single from_pretrained call.

Usage

Install Diffusers from source until the next package release includes AceStepPipeline.

pip install git+https://github.com/huggingface/diffusers.git
import torch
import soundfile as sf
from diffusers import AceStepPipeline

pipe = AceStepPipeline.from_pretrained(
    "ACE-Step/acestep-v15-xl-turbo-diffusers",
    torch_dtype=torch.bfloat16,
)
pipe = pipe.to("cuda")

# Long-form audio: enable VAE tiling to keep decode memory bounded.
pipe.vae.enable_tiling()

output = pipe(
    prompt="An upbeat synthwave track with driving drums and a catchy lead",
    lyrics="[Verse]\nNeon lights are calling me\n[Chorus]\nRide the wave tonight",
    audio_duration=30.0,
    generator=torch.Generator(device="cuda").manual_seed(42),
)

audio = output.audios[0]  # (channels, samples), 48 kHz
sf.write("acestep-xl-turbo.wav", audio.T.cpu().float().numpy(), pipe.sample_rate)

The turbo checkpoint is guidance-distilled. guidance_scale > 1.0 is ignored with a warning, so users do not need to tune CFG for this model. The pipeline defaults to 8 denoising steps and the recommended shift=3.0 sampling recipe.

For batched prompts with padding and FlashAttention, use the variable-length backend:

pipe.transformer.set_attention_backend("flash_varlen")
pipe.condition_encoder.set_attention_backend("flash_varlen")

For single-prompt generation, the regular flash backend is also suitable.

Repository layout

├── model_index.json
├── transformer/        # AceStepTransformer1DModel (DiT, 5B params, bf16)
├── condition_encoder/  # AceStepConditionEncoder (with baked-in silence_latent)
├── vae/                # AutoencoderOobleck (48 kHz stereo)
├── text_encoder/       # Qwen3-Embedding-0.6B
├── tokenizer/          # Qwen3 tokenizer
├── scheduler/          # FlowMatchEulerDiscreteScheduler config
└── silence_latent.pt   # Raw reference (kept for debugging; not needed at runtime)

License

  • ACE-Step weights: MIT (same as upstream)
  • text_encoder/ (Qwen3-Embedding-0.6B): Apache 2.0 — redistributed per Qwen's license

Citation

@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 · diffusers

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
200ba99

0 моделей