/ Модель

Характеристики

Лицензия
MIT
Базовая модель
acestep-v15-xl-turbo
Библиотека
gguf
Опубликована
16 авг 2026

audio.cpp-gguf

Генерация аудиоТекст → аудио3 профессии

CaptainArni/audio.cpp-gguf — набор GGUF-конвертаций моделей ACE-Step 1.5 XL для audio.cpp, нативного фреймворка вывода аудио на базе ggml.

130 тыс.скачиваний за 30 дней0лайковвеса обновлены5 сен 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

Основные исходные модели разработаны ACE-Step: ACE-Step/acestep-v15-xl-turbo и ACE-Step/acestep-v15-xl-sft; данный репозиторий распространяет их в формате, совместимом с audio.cpp.

Модели предназначены для генерации музыки и речи по текстовому описанию, а также для создания вокальных партий по тексту и указанным lyrics. Варианты XL используют DiT-трансформер с 32 слоями размерности 2560 и 32 attention heads по 128; вместе с ним в каждом файле содержатся planner LM, text encoder и VAE. Доступны версии BF16 размером около 14,2 GiB и q8_0-квантизованные варианты DiT размером около 9,97 GiB, при этом planner LM, text encoder и VAE сохраняются в BF16. XL Turbo использует guidance distillation и игнорирует guidance_scale, а XL SFT поддерживает CFG-путь.

Сильные стороны набора — автономность файлов без дополнительных загрузок, детерминированность при фиксированном seed и существенное уменьшение размера и времени генерации в вариантах q8dit при высокой близости к BF16. Ограничения включают зависимость от audio.cpp и соответствующего аппаратного backend; полностью квантизованные сборки могут заметно менять результат, а q8dit-варианты обозначены как предварительные и имеют ограниченную валидацию. Для вокала требуется указать язык, а для Turbo рекомендуется увеличить число inference steps. Веса распространяются по лицензии MIT; репозиторий предоставляет их в другом контейнерном формате.

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

audio.cpp GGUF

GGUF conversions of music and speech models for audio.cpp, the ggml-based native audio inference framework.

ACE-Step 1.5 XL

FileSizePackageUpstream
ACE-Step1.5-GGUF/xl-turbo/ace-step-1.5-xl-turbo-bf16.gguf14.2 GiBace_step_xl_turbo_bf16acestep-v15-xl-turbo
ACE-Step1.5-GGUF/xl-sft/ace-step-1.5-xl-sft-bf16.gguf14.2 GiBace_step_xl_sft_bf16acestep-v15-xl-sft
ACE-Step1.5-GGUF/xl-turbo-q8dit/ace-step-1.5-xl-turbo-q8dit.gguf9.97 GiBace_step_xl_turbo_q8dit *as above
ACE-Step1.5-GGUF/xl-sft-q8dit/ace-step-1.5-xl-sft-q8dit.gguf9.97 GiBace_step_xl_sft_q8dit *as above

* proposed in audio.cpp#464; until that lands, download the file and point --model at its directory.

The XL DiT is the larger ACE-Step 1.5 transformer: 32 layers of 2560 against turbo's 24 of 2048, with 32 attention heads of 128. Each file is self-contained the way audio.cpp's other ACE-Step GGUFs are — XL DiT, planner LM, text encoder and VAE in one file — so none of them needs another download.

XL Turbo is guidance-distilled and ignores guidance_scale; XL SFT takes the CFG path. Both were converted from the float32 upstream snapshots.

The q8dit builds

ace_step is graded No (planner sampling can fail) for q8_0 in audio.cpp's gguf.md, and that grade is about the planner LM, not the DiT. The q8dit files quantise the DiT to q8_0 and keep the planner LM, text encoder and VAE at bf16:

audiocpp_gguf ... \
  --keep-type "lm_weights*=bf16" \
  --keep-type "text_encoder_weights*=bf16" \
  --keep-type "vae_weights*=bf16" \
  --keep-type "dit_xl_turbo_silence_latent*=bf16" \
  --type q8_0 --output ace-step-1.5-xl-turbo-q8dit.gguf

Measured on an RTX 5090 (CUDA), against the bf16 file at the same prompt and seed:

size20 s of audioRTFwaveform correlation vs bf16
XL Turbo bf1614.2 GiB14.2 s0.71reference
XL Turbo q8dit9.97 GiB9.3 s0.460.989
XL Turbo, everything q8_08.36 GiB8.2 s0.410.094

Every build is deterministic at a fixed seed (run-to-run correlation 1.0000), so the last column isolates what quantisation changes. On a sung 40 s take the q8dit build scores 0.997 for XL Turbo and 0.999 for XL SFT, and an ASR pass over both returns the same lyric line. A fully quantised build returns a different song from the same seed — it plays, it just isn't the same model.

Validated on three prompts on one machine. Treat these as a preview: they are not covered by audio.cpp's path-test matrix.

Install

python tools/model_manager_v2.py install ace_step_xl_turbo_bf16

The q8dit ids arrive with audio.cpp#464; until then, download the file and point --model at its directory.

Run

The DiT variant is a load option, so name it explicitly:

audiocpp_cli --task gen --family ace_step --model models/ACE-Step1.5-GGUF/xl-turbo \
  --backend cuda --task-route text2music \
  --text "warm lo-fi hip hop with a soft rhodes piano" --duration-seconds 60 \
  --load-option ace_step.dit_model_path=acestep-v15-xl-turbo --out song.wav

For sung vocals, pass the lyrics and a language, and give the DiT more steps than the turbo default:

  --lyrics "[verse]
City lights are falling slow" --language en --num-inference-steps 24

XL support landed in audio.cpp via PR #235; see docs/models/ace_step.md there for the full option reference and for rebuilding these files yourself.

Weights are MIT-licensed by ACE-Step; this repository only redistributes them in a different container format.

Как запустить

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

GPU в ailist

Универсальный рантайм · gguf

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
ac4d11e

0 моделей