/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
3 авг 2026

ACE-Step-v1-3.5B

Генерация аудиоТекст → аудио

Производная модели ACE-Step/ACE-Step-v1-3.5B. ACE-Step-v1-3.5B — диффузионная модель ACE Studio и StepFun для генерации и редактирования музыки по текстовым описаниям.

0скачиваний за 30 дней1лайквеса обновлены3 авг 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

Карточка модели drizzymedia/ACE-Step-v1-3.5B на Hugging Face совпадает с карточкой ACE-Step/ACE-Step-v1-3.5B, поэтому описание составлено по ней.

ACE-Step-v1-3.5B — открытая базовая модель для генерации музыки, разработанная ACE Studio и StepFun. Она использует диффузионную генерацию с линейным трансформером для управления по тексту и DCAE для сжатия аудиоданных. Модель создаёт музыкальные композиции по описаниям на естественном языке, поддерживает управление длительностью, генерацию полной песни, ремикширование, перенос стиля и редактирование текста песни.

Модель предназначена для создания музыки и творческих инструментов, а также может служить основой для специализированной генерации музыки и приложений для клонирования голоса. В карточке заявлены быстрая генерация и связность мелодии, гармонии и ритма. Указана поддержка языков от английского и китайского до русского, японского и хинди; качество может зависеть от языка.

Лицензия — Apache 2.0. Среди ограничений: композиции длительностью более пяти минут могут терять структурную связность, редкие инструменты могут звучать неточно, результаты чувствительны к случайному seed и длительности входа, а качество вокала и соблюдение отдельных стилей ограничены. При редактировании и продолжении музыки возможны неестественные переходы.

Сценарии применения

  • создание полной музыкальной композиции по текстовому описанию
  • генерация музыки заданной длительности
  • ремикширование существующей музыки
  • перенос музыкального стиля
  • редактирование текста песни
  • создание музыкальных инструментов для продакшена

Ограничения

Качество зависит от языка, жанра, случайного seed и длительности входа; композиции длиннее пяти минут могут терять связность. Возможны неточности редких инструментов, слабое следование отдельным стилям, ограниченная выразительность вокала и неестественные переходы при редактировании или продолжении.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ACE-Step: A Step Towards Music Generation Foundation Model

ACE-Step Framework

Model Description

ACE-Step is a novel open-source foundation model for music generation that overcomes key limitations of existing approaches through a holistic architectural design. It integrates diffusion-based generation with Sana's Deep Compression AutoEncoder (DCAE) and a lightweight linear transformer, achieving state-of-the-art performance in generation speed, musical coherence, and controllability.

Key Features:

  • 15× faster than LLM-based baselines (20s for 4-minute music on A100)
  • Superior musical coherence across melody, harmony, and rhythm
  • full-song generation, duration control and accepts natural language descriptions

Uses

Direct Use

ACE-Step can be used for:

  • Generating original music from text descriptions
  • Music remixing and style transfer
  • edit song lyrics

Downstream Use

The model serves as a foundation for:

  • Voice cloning applications
  • Specialized music generation (rap, jazz, etc.)
  • Music production tools
  • Creative AI assistants

Out-of-Scope Use

The model should not be used for:

  • Generating copyrighted content without permission
  • Creating harmful or offensive content
  • Misrepresenting AI-generated music as human-created

How to Get Started

see: https://github.com/ace-step/ACE-Step

Hardware Performance

Device27 Steps60 Steps
NVIDIA A10027.27x12.27x
RTX 409034.48x15.63x
RTX 309012.76x6.48x
M2 Max2.27x1.03x

RTF (Real-Time Factor) shown - higher values indicate faster generation

Limitations

  • Performance varies by language (top 10 languages perform best)
  • Longer generations (>5 minutes) may lose structural coherence
  • Rare instruments may not render perfectly
  • Output Inconsistency: Highly sensitive to random seeds and input duration, leading to varied "gacha-style" results.
  • Style-specific Weaknesses: Underperforms on certain genres (e.g. Chinese rap/zh_rap) Limited style adherence and musicality ceiling
  • Continuity Artifacts: Unnatural transitions in repainting/extend operations
  • Vocal Quality: Coarse vocal synthesis lacking nuance
  • Control Granularity: Needs finer-grained musical parameter control

Ethical Considerations

Users should:

  • Verify originality of generated works
  • Disclose AI involvement
  • Respect cultural elements and copyrights
  • Avoid harmful content generation

Model Details

Developed by: ACE Studio and StepFun
Model type: Diffusion-based music generation with transformer conditioning
License: Apache 2.0
Resources:

Citation

@misc{gong2025acestep,
  title={ACE-Step: A Step Towards Music Generation Foundation Model},
  author={Junmin Gong, Wenxiao Zhao, Sen Wang, Shengyuan Xu, Jing Guo}, 
  howpublished={\url{https://github.com/ace-step/ACE-Step}},
  year={2025},
  note={GitHub repository}
}

Acknowledgements

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

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
a578b80

0 моделей