ACE-Step 1.5: обзор и сравнение 2026
Обзор ACE-Step 1.5 со ссылками на источники: детальный разбор архитектуры, сравнение спецификаций с HeartMuLa и Suno, пошаговая установка и заметки о тонкой настройке LoRA — всё на основе официальных статей и репозиториев
ACE-Step 1.5 — это модель с открытым исходным кодом, встряхнувшая сферу генерации музыки ИИ в 2026 году. В этом руководстве разбирается её архитектура по официальной статье, сравниваются опубликованные спецификации с HeartMuLa и Suno, показывается локальная установка по официальным командам и объясняется поддержка тонкой настройки LoRA. Каждая цифра ниже ведёт к первоисточнику.
Разбираемся в архитектуре ACE-Step 1.5
ACE-Step 1.5 — это музыкальная модель ИИ с открытым исходным кодом, выпущенная под лицензией MIT студиями ACE Studio и StepFun (arXiv 2602.00744). Вместо единого сквозного прохода она разделяет планирование и синтез: сначала языковая модель рассуждает о песне, затем диффузионный трансформер отрисовывает аудио. Ниже — опоры её архитектуры, каждая взята из официальной статьи.
Планировщик на языковой модели
ACE-Step 1.5 использует языковую модель из семейства Qwen3 (0.6B, 1.7B или 4B) в роли планировщика. По вашему запросу она рассуждает пошагово (цепочка размышлений), чтобы синтезировать структурированные метаданные, текст песни и описание, задающие целевую песню ещё до генерации какого-либо аудио.
Синтез диффузионным трансформером (DiT)
Спланированная схема задаёт условия для диффузионного трансформера (DiT), который генерирует само аудио. DiT на 2B рассчитан на конфигурации с малым объёмом VRAM, тогда как более крупный вариант XL (DiT на 4B) — выпущенный в April 2026 — повышает качество ценой большего расхода памяти.
Внутреннее обучение с подкреплением
Вместо того чтобы полагаться на внешнюю модель вознаграждения, ACE-Step 1.5 согласует свои выходные данные с помощью внутреннего обучения с подкреплением, улучшая управляемость и музыкальность напрямую по собственным сигналам модели.
Стек с открытым кодом (MIT)
Весь стек — веса, код и интерфейс Gradio — распространяется под лицензией MIT и размещён на GitHub и Hugging Face. ACE-Step 1.5 поддерживает 50+ языков, тонкую настройку LoRA всего по нескольким песням и рабочие процессы редактирования, такие как генерация кавера, перерисовка и превращение вокала в фоновую музыку.
ACE-Step 1.5 vs HeartMuLa vs Suno: сравнение спецификаций
Объективное сравнение опубликованных спецификаций со ссылками на источники — а не субъективные оценки качества
| Свойство | ACE-Step 1.5 | HeartMuLa oss-3B | Suno |
|---|---|---|---|
| Лицензия | MIT | Apache 2.0 | Proprietary |
| Статья | arXiv 2602.00744 | arXiv 2601.10547 | — |
| Минимум VRAM | <4GB (2B) / ≥12GB (XL) | Not published | Облако (нет данных) |
| Скорость | <2s (A100), <10s (RTX 3090) | RTF ≈ 1.0 | Облако (нет данных) |
| Максимальная длительность | До 10 мин | 240s (по умолчанию) | — |
| Языки | 50+ | Многоязычная | — |
| Локальное развёртывание | Да | Да | Нет |
| Тонкая настройка LoRA | Да (несколько сэмплов) | Not published | Нет |
| Редактирование | кавер / перерисовка / вокал в фоновую музыку | — | — |
Источники: ACE-Step 1.5 — arXiv 2602.00744 и github.com/ACE-Step/ACE-Step-1.5; HeartMuLa — arXiv 2601.10547 и github.com/HeartMuLa/heartlib. Поля с пометкой "Not published" не указаны в официальной документации. Проверено 2026-07-16.
Руководство по локальной установке ACE-Step 1.5
Пошаговое руководство по запуску ACE-Step 1.5 на локальном компьютере в соответствии с официальным репозиторием
Проверьте системные требования
Выберите модель под свой GPU: модель на 2B работает на менее чем 4GB VRAM, тогда как модель XL (DiT на 4B) требует минимум 12GB (рекомендуется 20GB+). Интерфейс автоматически подбирает наилучшую конфигурацию для вашего GPU.
Клонируйте репозиторий
git clone https://github.com/ACE-Step/ACE-Step-1.5.git && cd ACE-Step-1.5
Установите зависимости
uv sync — устанавливает проект и его зависимости с помощью пакетного менеджера uv.
Запустите приложение
uv run acestep запускает интерфейс Gradio по адресу http://localhost:7860. Чекпоинты модели скачиваются автоматически с Hugging Face при первом запуске.
Сгенерируйте музыку
Введите в интерфейсе запрос и, при желании, текст песни и сгенерируйте. Чтобы вместо этого использовать REST API, запустите uv run acestep-api (http://localhost:8001).
Частые проблемы и решения
Нехватка памяти CUDA
Переключитесь на модель поменьше (turbo-вариант на 2B), включите выгрузку (offload) или понизьте пресет качества. Модель XL требует больше VRAM, чем 2B.
Конфликт порта Gradio
Если порт 7860 занят, задайте другой PORT в файле .env или освободите существующий процесс (например, lsof -i :7860).
Проблемы со скачиванием модели
Чекпоинты скачиваются автоматически при первом запуске с Hugging Face или ModelScope. Если скачивание зависает, проверьте сеть или задайте свой путь к конфигурации через файл .env.
Проблемы, характерные для Windows
Для наилучшей совместимости используйте WSL2 с Ubuntu. Требуется NVIDIA GPU с поддержкой CUDA и подходящим драйвером.
Руководство по тонкой настройке LoRA для ACE-Step 1.5
LoRA (Low-Rank Adaptation) позволяет донастроить ACE-Step 1.5 под конкретный музыкальный стиль без переобучения всей модели. Согласно официальному репозиторию, вы можете обучить LoRA всего по нескольким песням, внедряя небольшие обучаемые матрицы в диффузионный трансформер — обучая модель новому жанру, тембру вокала или продакшен-эстетике с гораздо меньшими вычислительными затратами, чем при полной тонкой настройке.
Подготовка набора данных
Хорошо подготовленный набор данных важнее большого — горстки чистых, аккуратно размеченных треков может хватить, чтобы сместить стиль модели.
- Соберите несколько высококачественных аудиосэмплов в целевом стиле (формат WAV, 44.1kHz)
- Транскрибируйте тексты и разметьте метаданные (жанр, настроение, темп) для каждого сэмпла
- Разделите на обучающую и валидационную выборки
Заметки об обучении
Общие рекомендации по обучению LoRA для ACE-Step 1.5 (подстройте под свои данные и оборудование):
- Ранг LoRA: чем выше ранг, тем больше ёмкость, но и больше расход VRAM
- Скорость обучения: начинайте с малого значения и используйте косинусный планировщик
- Эпохи: следите за валидационной ошибкой, чтобы избежать переобучения
- Размер батча: масштабируйте под свой объём VRAM (аккумуляция градиентов помогает на менее мощных GPU)
HeartTranscriptor: автоматизированная подготовка набора данных
Инструмент HeartTranscriptor от HeartMuLa с открытым кодом помогает с самой утомительной частью подготовки набора данных. Вместо ручной транскрипции текстов и разметки каждого аудиофайла он использует распознавание речи и извлечение музыкальной информации, чтобы генерировать метаданные быстрее.
- Загрузите ваши аудиофайлы в HeartTranscriptor для автоматической транскрипции и разметки
- Проверьте и отредактируйте сгенерированные метаданные, тексты и стилевые теги
- Экспортируйте набор данных, готовый для обучения LoRA
Почему стоит выбрать HeartMuLa
Качество для продакшена
HeartMuLa обеспечивает аудио профессионального уровня с чистым вокалом, стабильным стилем и мастеринг-готовым результатом, готовым к публикации.
Настройка не нужна
Без GPU, без Python, без зависимостей. Облачная платформа HeartMuLa позволяет генерировать музыку мгновенно из любого браузера. Зарегистрируйтесь и создайте первую песню менее чем за 60 секунд.
Активная разработка и поддержка
HeartMuLa активно развивается с регулярными обновлениями, растущим сообществом и выделенной поддержкой. Получайте помощь, когда она нужна, а не только через GitHub Issues.
Готов для коммерческого использования
Лицензия Apache 2.0 с ясными коммерческими условиями. Используйте сгенерированную музыку в любом проекте — YouTube, подкасты, игры, реклама — без юридических неясностей.
Частые вопросы об ACE-Step 1.5
Что такое ACE-Step 1.5?
ACE-Step 1.5 — это музыкальная модель ИИ с открытым исходным кодом (лицензия MIT), которая сочетает планировщик на языковой модели с диффузионным трансформером, чтобы создавать музыку из текстовых запросов и текстов песен. Она может работать локально на потребительских GPU.
ACE-Step 1.5 лучше, чем Suno?
Они решают разные задачи. Suno — это отполированный облачный сервис с закрытым кодом, тогда как ACE-Step 1.5 распространяется под лицензией MIT и работает локально с полным контролем. HeartMuLa — ещё один вариант с открытым кодом, который вдобавок предлагает готовую облачную платформу.
Сколько VRAM нужно для ACE-Step 1.5?
Это зависит от размера модели: модель на 2B работает на менее чем 4GB VRAM, тогда как модель XL (DiT на 4B) требует минимум 12GB (рекомендуется 20GB+). Интерфейс автоматически подбирает конфигурацию для вашего GPU.
Может ли ACE-Step 1.5 генерировать вокал с текстом?
Да. ACE-Step 1.5 генерирует вокал с текстом и поддерживает 50+ языков — согласно официальной статье.
Поддерживает ли ACE-Step 1.5 тонкую настройку LoRA?
Да. В официальном репозитории сказано, что вы можете обучить LoRA всего по нескольким песням, что позволяет адаптировать модель под конкретные жанры или стили без полной тонкой настройки.
Как ACE-Step 1.5 соотносится с HeartMuLa?
По опубликованным спецификациям: ACE-Step 1.5 распространяется под лицензией MIT, поддерживает 50+ языков и может создавать петли длиной до ~10 минут; HeartMuLa oss-3B — под Apache 2.0. Оба проекта с открытым кодом и работают локально. Подробности — в таблице сравнения со ссылками на источники выше.
Можно ли использовать ACE-Step 1.5 в коммерческих целях?
Да, ACE-Step 1.5 выпущен под лицензией MIT, которая разрешает коммерческое использование. Убедитесь, что ваши обучающие данные и сгенерированный контент соответствуют законам об авторском праве в вашей юрисдикции.
Каковы основные компромиссы ACE-Step 1.5?
Основные компромиссы — это усилия на локальную настройку и более высокие требования к оборудованию у более крупной модели XL. Качество и скорость зависят от того, какой размер модели и какой GPU вы используете.
Существует ли рабочий процесс ComfyUI для ACE-Step 1.5?
Для ACE-Step существуют узлы ComfyUI от сообщества. Для HeartMuLa доступен пользовательский узел ComfyUI от сообщества (benjiyaya/HeartMuLa_ComfyUI).
Что выбрать: ACE-Step 1.5 или HeartMuLa?
Выбирайте ACE-Step 1.5 ради максимального локального контроля, варианта на 2B с малым объёмом VRAM, 50+ языков и тонкой настройки LoRA. Выбирайте HeartMuLa, если предпочитаете беспроблемную готовую облачную платформу рядом с моделью с открытым кодом.
Experience HeartMuLa
Generate your first AI song for free — no setup, no GPU required
0/3000