ACE-Step

ACE-Step 是开源的音乐生成基础模型，由 ACE Studio 与 StepFun 联合开发（Apache 2.0 许可）。写一段风格描述就能出曲：歌词留空是纯器乐，填词则可以唱。

架构上是"扩散生成 + Sana 深度压缩自编码器 + 轻量线性 Transformer"，换来的是生成速度与可控性：官方给出 15 倍于同类大模型方案的速度，A100 上 4 分钟音乐约 20 秒出。

它的能力

• 文字生成音乐：按风格与情绪描述生成原创器乐，或带人声的曲子
• 时长可控：模型支持 1 秒到 240 秒，本平台开放 15 秒 / 30 秒 / 1 分 / 1.5 分 / 2 分 / 3 分几档
• 歌词可空：留空即纯器乐（短视频配乐最常见的用法），填词则按词演唱
• 可改写：支持歌词改写、重混与风格迁移

适合拿它做什么

• 短视频配乐：按成片长度出底，再挑一版
• 先出器乐底，后期再叠旁白或配音
• 风格探索：同一段描述多出几版，听不同的编曲走向

上手建议

• 描述写具体：乐器、情绪、速度都值得写进去，例如"温暖的原声吉他，慢速，带一点忧郁"。
• 按用途给时长：15–30 秒适合卡点短句，1–3 分钟适合完整段落。
• 多出几版：模型对随机种子与时长比较敏感，同一份输入的结果会不一样，这是常态。

已知限制

• 超过 5 分钟的生成可能丢结构一致性
• 部分曲风与冷门乐器表现偏弱（例如中文说唱）
• 人声质感偏粗，细腻表达有限
• 重绘与续写的衔接处可能出现不自然的过渡