ACE-Step 1.5とは？使い方・リミックス・商用利用をやさしく解説

ACE-Step 1.5は、StepFunとACE Studioが共同開発するオープンソースのAI音楽生成モデルです。歌詞とスタイルを指定するだけでボーカル入りの楽曲をローカルGPUで生成でき、A100なら4分の曲を2秒未満、RTX 3090でも10秒未満で作れます。2026年1月に公開された1.5系（2B）に加え、4月には高音質版のXL（4B）が追加されました。この記事では、既存曲のリミックス（Cover／Repaint）のやり方、uvを使った導入手順、VRAM別のモデルの選び方、そして検索が多い「商用利用できるか」までを一次情報にもとづいて整理します。

まとめ：ACE-Step 1.5の要点

• 正体：MITライセンスのオープンソース音楽生成モデル。クラウド課金なしでローカル完結できる。
• リミックス：「Remix」という専用タブは無く、既存曲のスタイル変換はCover生成、一部だけの作り直しはRepaint & Editが担う。
• 速度と要件：4分曲をA100で2秒未満／RTX 3090で10秒未満。2Bはモデル本体4GB未満（実用は6GB未満のGPUから）、XL（4B）は12GB以上・実用16GB以上（推奨20GB以上）。
• 商用利用：コードはMIT、モデル重みにも明示的な商用制限は無い。ただし著作権・スタイル模倣まわりは自己責任での確認が前提。
• 使い分け：自由度とコストならACE-Step、手軽さと安定品質ならSuno／Udio。

以下で、仕組み・できること・導入手順・ライセンスの順に見ていきます。

ACE-Step 1.5とは：ローカル完結型のAI音楽生成基盤

ACE-Stepは、SunoやUdioのようなクラウド型サービスと違い、モデル本体を手元に置いて動かせる点が最大の特徴です。月額課金や利用制限に縛られず、生成物もデータも自分の環境に残ります。1.5系ではアーキテクチャが刷新され、消費者向けGPUでも商用サービスに迫る品質と、従来比10〜120倍の生成速度を両立しました。アプリの最新版は2026年5月時点でv0.1.8です。

言語モデルと拡散Transformerを組み合わせたハイブリッド構成

ACE-Step 1.5は、5Hzで動く言語モデル（LM／0.6B・1.7B・4Bの3種。後述のDiTとは別系統）が楽曲の構造と歌詞を計画し、拡散型Transformer（DiT）が実際の音声を合成する二段構えです。LMが全体設計を先に決めるため、4分を超える長尺でも構成が崩れにくく、テキストや歌詞の指示が曲全体に一貫して反映されます。音声専用のオートエンコーダが学習時にトークナイザーを自動生成し、音の細部まで再現する仕組みです。

1.5と1.5 XLの違いと選び方

DiT側には2種類の規模があります。標準の2B DiTは軽量で、VRAMの少ない環境でも動きます。2026年4月に追加されたXL（DiTが4B）は音質を優先した上位版で、公式ベンチでは全指標で最高スコアを主張しています。手元のGPUが16GB以上あればXL、それ未満なら2Bが基本で、XLもオフロード併用なら12GB程度から動かせます。なお「ACE-Step 2.5」は存在せず、現行の最新は1.5系（2B）とXL（4B）です。

対応言語と生成速度（50言語超・従来比10〜120倍）

プロンプトと歌詞は50言語以上に対応し、日本語・英語・中国語・韓国語・スペイン語などで安定して指示が通ります。速度は、A100で4分曲を2秒未満、RTX 3090で10秒未満、公式は従来手法比で10〜120倍高速としています。品質評価はSongEvalやAudioBoxなどの複数指標を用い、1.5がおおむね5点満点で4.6〜4.7、XLが4.7前後で、Suno v5やUdio v1.5と並ぶ水準と公表されています。ただしこれは開発元による自己評価のため、最新の数値は公式ページで確認してください。

ACE-Step 1.5でできること：生成・リミックス・部分編集

ACE-Step 1.5は、ゼロからの新規生成だけでなく、既存曲を素材にした加工まで一通りこなせます。「ace step 1.5 remix」で探している人が多いですが、Remixという名前のタブは存在しません。既存曲を別スタイルに作り替える用途はCover生成が、曲の一部だけを差し替える用途はRepaint & Editが担当します。ここを取り違えると目的の操作にたどり着けないため、機能名と役割を先に押さえておきます。

テキストと歌詞からの新規楽曲生成

ジャンルや楽器のタグ、歌詞、曲の長さを入力すると、ボーカル・メロディ・伴奏を含む楽曲が生成されます。長さ・BPM・キー・拍子はメタデータとして明示的に指定でき、狙ったテンポや調で作りたいときに有効です。生成後に歌詞のタイムスタンプ（LRC）を自動付与できるため、字幕付き動画やカラオケ用途にもそのまま流用できます。

リミックス／カバー生成（Cover Generation）

既存の音源を読み込み、新しいプロンプトや歌詞を与えて別スタイルへ作り替えるのがCover生成です。ポップ曲をジャズ風に変える、原曲の雰囲気を保ちつつ歌詞だけ差し替える、といった「リミックス」的な使い方はここで行います。参照音源入力（Reference Audio）を併用すれば、特定の曲の質感やムードを手本にスタイルを寄せられます。

部分再生成・編集（Repaint & Edit）

曲全体ではなく、選択した区間だけを作り直すのがRepaint & Editです。サビだけメロディを変える、間奏のドラムパターンを差し替える、終盤だけ締め直すといった局所的な修正に向きます。完成度の高い曲の「残りわずかを詰める」場面で全体を作り直さずに済むのが利点で、Coverが曲全体の作り替え、Repaintが部分の手直し、と役割が分かれます。

伴奏生成・ステム分離・マルチトラック

ボーカル音源から伴奏を自動生成するVocal2BGMは、アカペラや鼻歌を起点に曲を組み立てたいときに使えます。Track Separationは既存曲をボーカル・ベース・ドラムなどのステムへ分離し、Multi-Track GenerationはSuno Studioの「Add Layer」に相当するレイヤー追加でトラックを重ねられます。生成・分離・再合成を1つのツール内で往復できるため、編曲やマッシュアップの試作が速く回ります。

ACE-Step 1.5の使い方・インストール手順

ACE-Step 1.5はPython製で、パッケージマネージャのuvを使うと数コマンドで起動できます。まず自分のGPUに合うモデルを選び、次に導入・起動、最後にプロンプトを書く、の順で進めます。

動作環境とVRAM別モデルの選び方

選択の軸はVRAM容量です。2B系はturbo・sft・base、XL系はturbo・sft・baseがあり、VRAMが少ないほどturbo（軽量・高速）寄りを選びます。XLはオフロード併用で12GB程度から動きますが、実用は16GB以上、推奨は20GB以上です。目安は次のとおりです。

モデルは初回起動時にHugging FaceまたはModelScopeから自動ダウンロードされます。手元のカードが8GB前後なら2B turbo、24GB級ならXLで音質を取りにいく、という判断になります。

インストールと起動（uv・Gradio・API）

uvを入れてリポジトリを取得し、依存を同期してから起動します。GradioのWeb UIとREST APIのどちらでも動かせます。

curl -LsSf https://astral.sh/uv/install.sh | sh
git clone https://github.com/ace-step/ACE-Step-1.5.git
cd ACE-Step-1.5
uv sync

# Web UI（既定ポート 7860）
uv run acestep

# REST API（既定ポート 8001）
uv run acestep-api

起動後はブラウザでlocalhost:7860にアクセスすればGUIが開きます。Windowsは依存を同梱したポータブル版が用意され、コンテナで動かす場合はリポジトリ同梱のdocker-compose.ymlを利用します。GPUを持たない環境では動作が現実的でないため、まず対応GPUの用意が前提になります。

プロンプトと歌詞の書き方

プロンプトはジャンル・雰囲気・楽器・言語などをタグ的に並べ、歌詞は別枠で与えます。たとえば「chill、bossa nova、bright、English」のようにスタイル要素を列挙し、歌詞欄に本文を入れる形です。狙いどおりにならない場合は、生成ステップ数・ガイダンス強度・乱数シードを変えて再生成し、良い結果のシードを固定して細部を詰めます。抽象的な感情語だけでなく、BPMやキーをメタデータで具体指定すると再現性が上がります。

LoRAによる独自スタイルの学習

ACE-Step 1.5はLoRAファインチューニングに対応し、数トラック程度の少量サンプルから特定の声質や楽器編成を学習できます。Gradio上でアノテーションから学習までワンクリックで回せるため、外部スクリプトを組まずに独自スタイルのモデルを作れます。学習も推論もローカルで完結するので、素材や声のデータを外部に出さずに済む点は、クラウド型にない利点です。LoRAの仕組みそのものはLoRAとは？低ランク適応の仕組み・使い方・派生手法をわかりやすく解説で基礎を押さえておくと、rankや適用対象の調整がしやすくなります。

ACE-Step 1.5の商用利用可否とライセンスの注意点

検索で最も多いのが「ace-step 商用利用」です。結論として、コードはMITライセンスで商用利用が明示的に許可されており、モデル重みにも商用を禁じる条項は置かれていません。つまり生成した楽曲を業務や販売に使うこと自体は妨げられていません。ただしライセンス文には責任ある利用の原則が添えられており、生成物の独自性を確認すること、AIの関与を明示すること、既存アーティストのスタイルや素材を模倣する場合は必要な許諾を得ることが求められています。

注意すべきは、ライセンスが許可することと、著作権リスクが無いことは別だという点です。特定の楽曲やアーティストに酷似した出力は、ライセンスがMITでも著作権・パブリシティ権の問題を生む可能性があります。商用で使うなら、参照音源や模倣対象を安全な範囲に絞り、公開前に類似度を自分で確認する運用が現実的です。ローカル実行と商用可否の関係は、同じくローカル動作するStable Audio 3.0とは？モデルの違い・使い方・ローカル実行・商用利用まで解説と読み比べると判断材料が増えます。

SunoやUdioとの比較と使い分け

ACE-Stepと商用サービスの違いは、費用・カスタマイズ性・導入の手軽さに表れます。ACE-Stepはオープンソースで、GPUさえあれば月額課金なしに使い続けられ、LoRAで内部を調整できます。一方Suno v5やUdio v1.5はクラウドで動くため高性能GPUが不要で、UIやドキュメントが整い、生成品質も安定しています。

使い分けの目安ははっきりしています。自分のGPUを持ち、コストを抑えつつ声質や編成まで作り込みたい開発者・愛好家にはACE-Stepが向きます。逆に、環境構築を避けて安定した品質をすぐ得たいなら、Suno／Udioやクラウド型のほうが失敗が少なく、両者を用途で併用するのが実際的です。Googleのクラウド型で長尺を作りたい場合はGemini音楽生成で30秒以上（最大3分）を作る方法も選択肢になります。

よくある質問

ACE-Step 1.5に「remix（リミックス）」機能はありますか？

Remixという名前の専用機能はありません。既存曲を別スタイルへ作り替えるリミックス用途はCover生成、曲の一部だけを作り直す用途はRepaint & Editで行います。目的に応じてこの2つを使い分けます。

ACE-Step 2.5はありますか？最新バージョンは何ですか？

「2.5」は存在しません。現行の最新は1.5系の2B DiTと、2026年4月に追加された1.5 XL（4B DiT）です。アプリ本体の最新版は2026年5月時点でv0.1.8です。

GPUがない、またはVRAMが少なくても動きますか？

2B turboならINT8量子化とCPUオフロードで6GB未満のGPUでも動きますが、生成は遅くなります。GPUをまったく持たない環境での実用は難しく、対応GPUの用意が前提です。XL（4B）は12GB以上、推奨20GB以上が必要です。

日本語の歌詞やプロンプトに対応していますか？

50言語以上に対応し、日本語は主要言語として安定して指示が通ります。日本語歌詞のボーカル生成や、日本語プロンプトでのスタイル指定が可能です。

商用利用で気をつけることは何ですか？

コードはMITで商用利用は許可されていますが、特定アーティストや楽曲に酷似した出力は著作権リスクが残ります。参照音源や模倣対象を安全な範囲に絞り、公開前に類似度を確認する運用が安全です。

関連記事

• LoRAとは？低ランク適応の仕組み・使い方・派生手法をわかりやすく解説
• Stable Audio 3.0とは？モデルの違い・使い方・ローカル実行・商用利用まで解説
• Gemini音楽生成で30秒以上（最大3分）を作る方法｜Lyria 3 Proの制限・料金・商用利用