ACE-Step 1.5: Reseña y Comparación 2026
Una visión general de ACE-Step 1.5 respaldada por fuentes: análisis profundo de la arquitectura, comparación especificación por especificación con HeartMuLa y Suno, tutorial de instalación y notas sobre el ajuste fino con LoRA — todo extraído de artículos y repositorios oficiales
ACE-Step 1.5 es el modelo de código abierto que está sacudiendo la generación de música con IA en 2026. Esta guía desglosa su arquitectura a partir del artículo oficial, compara sus especificaciones publicadas con HeartMuLa y Suno, recorre la instalación local usando los comandos oficiales y explica su soporte para el ajuste fino con LoRA. Cada dato a continuación enlaza a una fuente de primera mano.
Entendiendo la Arquitectura de ACE-Step 1.5
ACE-Step 1.5 es un modelo de música con IA de código abierto publicado bajo la licencia MIT por ACE Studio y StepFun (arXiv 2602.00744). En lugar de un único pase de extremo a extremo, separa la planificación de la síntesis: un modelo de lenguaje primero razona sobre la canción, y luego un transformador de difusión renderiza el audio. A continuación se presentan los pilares de su arquitectura, cada uno extraído del artículo oficial.
Planificador con Modelo de Lenguaje
ACE-Step 1.5 utiliza un modelo de lenguaje de la familia Qwen3 (0.6B, 1.7B o 4B) como planificador. Dado tu prompt, razona paso a paso (cadena de pensamiento) para sintetizar metadatos estructurados, letras y una descripción que definen la canción objetivo antes de generar cualquier audio.
Síntesis con Transformador de Difusión (DiT)
El plano planificado condiciona un Transformador de Difusión (DiT) que genera el audio real. El DiT 2B está orientado a configuraciones de baja VRAM, mientras que la variante más grande XL (4B DiT) — publicada en April 2026 — eleva la calidad a costa de un mayor uso de memoria.
Aprendizaje por Refuerzo Intrínseco
En lugar de depender de un modelo de recompensa externo, ACE-Step 1.5 alinea sus salidas mediante aprendizaje por refuerzo intrínseco, mejorando la controlabilidad y la musicalidad directamente a partir de las propias señales del modelo.
Stack de Código Abierto (MIT)
El stack completo — pesos, código y una interfaz Gradio — está bajo licencia MIT y alojado en GitHub y Hugging Face. ACE-Step 1.5 admite 50+ idiomas, ajuste fino con LoRA a partir de solo unas pocas canciones, y flujos de edición como generación de versiones, repintado y de voz a BGM.
ACE-Step 1.5 vs HeartMuLa vs Suno: Comparación de Especificaciones
Una comparación objetiva y respaldada por fuentes de las especificaciones publicadas — no puntuaciones subjetivas de calidad
| Propiedad | ACE-Step 1.5 | HeartMuLa oss-3B | Suno |
|---|---|---|---|
| Licencia | MIT | Apache 2.0 | Proprietary |
| Artículo | arXiv 2602.00744 | arXiv 2601.10547 | — |
| VRAM Mínima | <4GB (2B) / ≥12GB (XL) | No publicado | Nube (N/D) |
| Velocidad | <2s (A100), <10s (RTX 3090) | RTF ≈ 1.0 | Nube (N/D) |
| Duración Máxima | Hasta 10 min | 240s (predeterminado) | — |
| Idiomas | 50+ | Multilingüe | — |
| Despliegue Local | Sí | Sí | No |
| Ajuste fino LoRA | Sí (pocas muestras) | No publicado | No |
| Edición | versión / repintado / voz-a-BGM | — | — |
Fuentes: ACE-Step 1.5 — arXiv 2602.00744 y github.com/ACE-Step/ACE-Step-1.5; HeartMuLa — arXiv 2601.10547 y github.com/HeartMuLa/heartlib. Los campos marcados como "Not published" no aparecen indicados en la documentación oficial. Verificado 2026-07-16.
Guía de Instalación Local de ACE-Step 1.5
Guía paso a paso para ejecutar ACE-Step 1.5 en tu máquina local, siguiendo el repositorio oficial
Verificar los Requisitos del Sistema
Elige un modelo acorde a tu GPU: el modelo 2B se ejecuta con menos de 4GB de VRAM, mientras que el modelo XL (4B DiT) necesita al menos 12GB (20GB+ recomendado). La interfaz selecciona automáticamente la mejor configuración para tu GPU.
Clonar el Repositorio
git clone https://github.com/ACE-Step/ACE-Step-1.5.git && cd ACE-Step-1.5
Instalar Dependencias
uv sync — instala el proyecto y sus dependencias con el gestor de paquetes uv.
Iniciar la Aplicación
uv run acestep inicia la interfaz Gradio en http://localhost:7860. Los checkpoints del modelo se descargan automáticamente desde Hugging Face en la primera ejecución.
Generar Música
Introduce un prompt y letras opcionales en la interfaz y genera. Para usar la API REST en su lugar, ejecuta uv run acestep-api (http://localhost:8001).
Problemas Comunes y Soluciones
CUDA Sin Memoria
Cambia a un modelo más pequeño (la variante 2B turbo), activa el offload o reduce el preajuste de calidad. El modelo XL necesita más VRAM que el 2B.
Conflicto de Puerto Gradio
Si el puerto 7860 está ocupado, define un PORT distinto en tu archivo .env, o libera el proceso existente (por ejemplo, lsof -i :7860).
Problemas de Descarga del Modelo
Los checkpoints se descargan automáticamente en la primera ejecución desde Hugging Face o ModelScope. Si una descarga se detiene, revisa tu red o define una ruta de configuración personalizada mediante el archivo .env.
Problemas Específicos de Windows
Usa WSL2 con Ubuntu para la mejor compatibilidad. Se requiere una GPU NVIDIA compatible con CUDA y un controlador acorde.
Guía de Ajuste Fino con LoRA para ACE-Step 1.5
LoRA (Low-Rank Adaptation) te permite ajustar ACE-Step 1.5 a un estilo musical específico sin reentrenar el modelo completo. Según el repositorio oficial, puedes entrenar un LoRA con solo unas pocas canciones inyectando pequeñas matrices entrenables en el transformador de difusión — enseñando al modelo un nuevo género, un timbre vocal o una estética de producción con mucho menos cómputo que un ajuste fino completo.
Preparación de tu Dataset
Un dataset bien preparado importa más que uno grande — un puñado de pistas limpias y bien etiquetadas puede bastar para desplazar el estilo del modelo.
- Recopila unas pocas muestras de audio de alta calidad en tu estilo objetivo (formato WAV, 44.1kHz)
- Transcribe las letras y etiqueta los metadatos (género, estado de ánimo, tempo) de cada muestra
- Divide en conjuntos de entrenamiento y validación
Notas de Entrenamiento
Orientación general para el entrenamiento LoRA de ACE-Step 1.5 (ajústalo a tus datos y hardware):
- Rango de LoRA: un rango mayor añade capacidad pero usa más VRAM
- Tasa de aprendizaje: empieza baja y usa un programador coseno
- Épocas: vigila la pérdida de validación para evitar el sobreajuste
- Tamaño de batch: escálalo a tu VRAM (la acumulación de gradientes ayuda en GPUs más pequeñas)
HeartTranscriptor: Preparación Automatizada del Dataset
La herramienta de código abierto HeartTranscriptor de HeartMuLa ayuda con la parte más tediosa de la preparación del dataset. En lugar de transcribir letras y etiquetar cada archivo de audio manualmente, utiliza reconocimiento de voz y recuperación de información musical para generar metadatos más rápido.
- Sube tus archivos de audio a HeartTranscriptor para transcripción y etiquetado automáticos
- Revisa y edita los metadatos, letras y etiquetas de estilo generados
- Exporta el dataset listo para el entrenamiento LoRA
Por Qué Elegir HeartMuLa
Calidad Lista para Producción
HeartMuLa ofrece audio de grado profesional con voces claras, estilo consistente y salida masterizada lista para publicar.
Sin Configuración Necesaria
Sin GPU, sin Python, sin dependencias. La plataforma en la nube de HeartMuLa te permite generar música al instante desde cualquier navegador. Regístrate y crea tu primera canción en menos de 60 segundos.
Desarrollo Activo y Soporte
HeartMuLa se desarrolla activamente con actualizaciones regulares, una comunidad creciente y soporte dedicado. Obtén ayuda cuando la necesites, no solo a través de GitHub Issues.
Listo para Uso Comercial
Licencia Apache 2.0 con términos comerciales claros. Usa la música generada en cualquier proyecto — YouTube, podcasts, juegos, anuncios — sin ambigüedad legal.
Preguntas Frecuentes sobre ACE-Step 1.5
¿Qué es ACE-Step 1.5?
ACE-Step 1.5 es un modelo de música con IA de código abierto (licencia MIT) que combina un planificador con modelo de lenguaje y un transformador de difusión para crear música a partir de prompts de texto y letras. Puede ejecutarse localmente en GPUs de consumo.
¿Es ACE-Step 1.5 mejor que Suno?
Sirven para necesidades diferentes. Suno es un servicio en la nube pulido y de código cerrado, mientras que ACE-Step 1.5 tiene licencia MIT y se ejecuta localmente con control total. HeartMuLa es otra opción de código abierto que también ofrece una plataforma en la nube lista para usar.
¿Cuánta VRAM necesita ACE-Step 1.5?
Depende del tamaño del modelo: el modelo 2B se ejecuta con menos de 4GB de VRAM, mientras que el modelo XL (4B DiT) necesita al menos 12GB (20GB+ recomendado). La interfaz selecciona automáticamente una configuración para tu GPU.
¿Puede ACE-Step 1.5 generar voces con letras?
Sí. ACE-Step 1.5 genera voces con letras y admite 50+ idiomas, según el artículo oficial.
¿ACE-Step 1.5 admite ajuste fino con LoRA?
Sí. El repositorio oficial indica que puedes entrenar un LoRA con solo unas pocas canciones, lo que te permite adaptar el modelo a géneros o estilos específicos sin un ajuste fino completo.
¿Cómo se compara ACE-Step 1.5 con HeartMuLa?
Según las especificaciones publicadas: ACE-Step 1.5 tiene licencia MIT, admite 50+ idiomas y puede producir bucles de hasta ~10 minutos; HeartMuLa oss-3B tiene licencia Apache 2.0. Ambos son de código abierto y se ejecutan localmente. Consulta la tabla comparativa respaldada por fuentes más arriba para más detalles.
¿Puedo usar ACE-Step 1.5 comercialmente?
Sí, ACE-Step 1.5 se publica bajo la licencia MIT, que permite el uso comercial. Asegúrate de que tus datos de entrenamiento y el contenido generado cumplan con la ley de derechos de autor de tu jurisdicción.
¿Cuáles son las principales concesiones de ACE-Step 1.5?
Las principales concesiones son el esfuerzo de la configuración local y los mayores requisitos de hardware del modelo XL más grande. La calidad y la velocidad dependen del tamaño de modelo y la GPU que utilices.
¿Existe un flujo de trabajo ComfyUI para ACE-Step 1.5?
Existen nodos ComfyUI de la comunidad para ACE-Step. Para HeartMuLa, hay disponible un nodo personalizado de ComfyUI de la comunidad (benjiyaya/HeartMuLa_ComfyUI).
¿Debería usar ACE-Step 1.5 o HeartMuLa?
Elige ACE-Step 1.5 para máximo control local, la opción 2B de baja VRAM, 50+ idiomas y el ajuste fino con LoRA. Elige HeartMuLa si prefieres una plataforma en la nube lista para usar y sin complicaciones junto a un modelo de código abierto.
Experience HeartMuLa
Generate your first AI song for free — no setup, no GPU required
0/3000