ACE-Step 1.5とは？使い方とRemix・Repaintのやり方、XLの必要VRAM・商用利用【2026年10月】

ACE-Step 1.5は、ACE StudioとStepFunが共同で開発するオープンソースの音楽生成モデルです。歌詞とスタイルを入力すると、ボーカル入りの曲を手元のGPUで10秒から10分まで生成できます。既存曲を別のアレンジに作り替えるRemixと、曲の一部だけを作り直すRepaintも、同じWeb UIの中にあります。この記事では、公式リポジトリ（ace-step/ACE-Step-1.5）（2026年10月14日時点）のコードとドキュメントを読んで確かめた内容をもとに、導入手順、VRAMごとのモデルの選び方、Remixの2つの強度の意味、商用利用の注意点を説明します。

まとめ：ACE-Step 1.5の要点（2026年10月時点）

• 正体：MITライセンスの音楽生成モデル。言語モデル（LM）が曲の設計図を作り、拡散Transformer（DiT）が音を合成する二段構成です。
• Remixはある：Gradio UIの生成モードに「Remix」があり、内部ではcoverタスクとして動きます。「Cover生成」と「Remix」は同じ機能です。
• Remixの強度は2つ：Remix強度（原曲を条件に使うステップの割合）と、カバー強度（原曲の音から生成を始める度合い）。UIのRemixモードの既定は0.0と0.2、APIの既定は1.0と0.0で、同じ設定にはなりません。
• モデル：DiTは2B（base・sft・turbo）と2026年4月2日公開のXL（4B）の計6種、LMは0.6B・1.7B・4Bの3種。アプリの最新リリースはv0.1.8（2026年5月18日）で、2.0や2.5は出ていません。
• 必要VRAM：2B turboはLMを無効にし、INT8量子化とCPUへのオフロードを併用すれば4GB以下でも動作可能です。XLはオフロードと量子化を使えば12GBから動きますが、オフロードなしで動かすには20GB以上必要です。
• 商用利用：コードと重みはMITで、Hugging Faceのモデルカードは生成物の商用利用を認めています。ただしRemixに使う原曲や音源の利用条件は、モデルのMITライセンスとは別に確認が必要です。

ACE-Step 1.5の仕組み：LMが設計しDiTが音にする二段構成

ACE-Step 1.5の中核は、5Hzで動く言語モデルと拡散Transformerの組み合わせです。LMはQwen3（0.6B・1.7B・4B）をもとに学習されており、短い指示文からBPM・キー・拍子・歌詞の構成を推論して曲の設計図を作ります。DiTはその設計図と歌詞・スタイル文を条件に、音声の潜在表現を生成します。READMEはこの設計で、A100なら1曲2秒未満、RTX 3090でも10秒未満で生成できると公表しています。

見落とされやすいのは、LMを使わない処理があることです。推論ドキュメント（INFERENCE.md）は、cover・repaint・extractのタスクでは、思考（thinking）をオンにしていてもLMを自動的に飛ばすと明記しています。原曲の音がすでに設計図の代わりになるためで、RemixとRepaintだけを使うならLMを読み込まずにVRAMを節約できます。

DiT 6種とLM 3種の機能差

DiTは、base（事前学習のみ）・sft（教師ありで調整）・turbo（8ステップに蒸留）の3系統が、2BとXL（4B）の2サイズで用意されています。対応タスクの差は次のとおりです。

ステム分離（Extract）、楽器パートの追加（Lego）、伴奏の補完（Complete）はbase系でしか使えません。UIもモデルに合わせて変わり、turboとsftを読み込むと生成モードはSimple・Custom・Remix・Repaintの4つだけになります。LMは3種とも同じ機能を持ち、READMEでは「Copy Melody」の評価が0.6BでWeak、1.7BでMedium、4BでStrongとされています。

1.5（2B）と1.5 XL（4B）の違い

XLは2026年4月2日に追加された上位版で、重みはbf16で約9GBあり、2Bの約4.7GBのほぼ倍です。LMは2BとXLで共通なので、XLへ移るときに変わるのはDiTだけです。なお、Hugging Faceにあるdiffusers形式のXL turboのモデルカードは「5B-parameter」と書いており、READMEの4Bと数字が合いません。モデル名の「4B」はREADMEの呼び方に合わせたものと考えておくのが無難です。

Hugging Faceの累計ダウンロード数（2026年10月14日取得）は、2B turbo（ACE-Step/Ace-Step1.5）が466,229、XL sftが40,072、XL turboが36,975です。公開時期の差が出る累計ではなく直近30日の数（downloads）で比べても、2B turboが71,789、XL turboが6,666で、いまも2B turboが多く使われています。

ACE-Step 1.5の使い方：uvでのインストールと起動

ACE-Step 1.5はPython 3.11〜3.12で動き、READMEはパッケージ管理ツールuvでの導入を案内しています。モデルは初回起動時にHugging FaceかModelScopeから自動でダウンロードされるので、事前に重みを落とす必要はありません。

# 1. uvを入れる（macOS・Linux）
curl -LsSf https://astral.sh/uv/install.sh | sh

# 2. リポジトリを取得して依存を入れる
git clone https://github.com/ACE-Step/ACE-Step-1.5.git
cd ACE-Step-1.5
uv sync

# 3. Web UIを起動（http://localhost:7860）
uv run acestep

# REST APIで使う場合（http://localhost:8001）
uv run acestep-api

Windowsではuvの導入をPowerShellのirm https://astral.sh/uv/install.ps1 | iexで行います。AMD GPUをWindowsで使う場合は、AMDがPython 3.12向けのwheelしか出していないため、Python 3.12に固定する必要があります。

VRAM別のモデルの選び方

UIは起動時にGPUのVRAMを検出し、LMの種類・オフロード・量子化を自動で設定します。公式のGPU互換表（GPU_COMPATIBILITY.md）の区分は次のとおりです。

表はREADMEのモデル選択表とGPU互換表を合わせたものです。判断の目安は単純です。8GBクラスのGPUなら2B turboに0.6BのLMを組み合わせます。16GBあればXL turboを試す価値がありますが、オフロードで遅くなるので、生成の速さを取るなら2B sftのほうが向きます。オフロードなしでXLを動かすには20GB以上必要です。なお、小さい区分でUIの上限を超える長さやバッチ数を指定すると、警告付きで上限まで切り詰められます。

WindowsとmacOSのポータブル版

Pythonの環境構築を避けたい場合は、依存を同梱したポータブル版がWindows用とmacOS用の両方で配布されています。Apple Silicon（M1〜M4）のMacでは、同梱のstart_gradio_ui_macos.shがLMのバックエンドをMLXに切り替えて起動します。arm64以外のMacではPyTorchのバックエンドで動きます。APIサーバーは、Mac（MPS）でRemixを複数曲まとめて頼むと1曲ずつ順番に処理するよう実装されているため、バッチ数を増やしても速くはなりません。

ACE-Step 1.5のRemixのやり方（coverタスク）

Remixは、アップロードした曲のメロディや構成をもとに、指定したスタイルで曲を作り直すモードです。READMEの機能表では「Cover Generation」と呼ばれ、APIやPythonではtask_typeにcoverを指定します。UI・README・APIで名前が違うだけで、どれも同じ処理です。

Gradio UIでRemixする手順

1. 生成モードで「Remix」を選ぶ（Gradioガイドの手順）
2. Source Audioに元の曲をアップロードする
3. キャプションに目標のスタイルを書く（例：jazz piano trio, brushed drums）
4. 歌詞を変えたい場合は歌詞欄を書き換える
5. Remix強度とカバー強度を調整して「Generate Music」を押す

生成した曲の下にある「Send to Remix」ボタンを押すと、その曲がSource Audioに入った状態でRemixモードへ移れます。気に入った曲を少しずつ作り替えていくときは、毎回ファイルを保存してアップロードし直す必要はありません。

似た名前の入力欄にReference Audio（参照音源）があります。こちらはCustomモードで使う任意の欄で、Gradioガイドの説明は「スタイルや音色の手本（style/timbre guidance）」です。原曲そのものを作り替えたいときは、RemixのSource Audioに入れます。

Remix強度とカバー強度の違い

Remixモードには、0〜1のスライダーが2本あります。名前が似ているうえUIの説明文だけでは区別しにくいので、turboモデルの実装で役割を確かめました。

Remix強度はint(ステップ数 × 強度)で、カバー強度による短縮後の実ステップ数を基準に、原曲を条件にするステップ数を決めます。カバー強度0で8ステップを実行する場合は、1.0で8ステップすべて、0.5で前半4ステップ、0.2で1ステップだけが原曲を参照し、残りは原曲なしの通常生成に切り替わります。カバー強度は、ノイズから始める代わりに、原曲の潜在表現にノイズを混ぜた状態から生成を始めます。値が大きいほどノイズが少なく原曲に近い音から始まり、そのぶん生成のステップは短くなります。

UIのRemixモードは、2026年4月24日のコミットから既定値をRemix強度0.0、カバー強度0.2に変えています。既定のままだと原曲を条件に使うステップが0で、原曲の音にノイズを混ぜた状態から作り直すだけになります。英語版UIの説明文はRemix強度を0.5から試すよう勧めているので、メロディが崩れすぎるときはまずRemix強度を0.5前後まで上げます。カバー強度は、SFTモデルを使い0.1〜0.25にするのがUIの推奨です。上げすぎると原曲のメロディは残る代わりに、スタイルが変わりにくくなります。

no_fsqによるRemix：FSQを省略した音源の条件付け

Remixモードには「no_fsq」というチェックボックスもあります。オンにするとtask_typeがcover-nofsqに変わり、原曲をFSQで量子化した音声コードではなく、VAEの潜在表現をそのまま条件に使います。リポジトリの関数を手元で呼び出したところ、no_fsqがオンでもcover以外のタスク（repaint・text2music）ではtask_typeは変わりませんでした。cover-nofsqは2026年4月7日に追加され、v0.1.7以降のリリースで使えます。原曲の音色まで強く残したいときの選択肢です。

APIによるRemix：UIとの既定値の違い

REST API（POST /release_task）の既定値は、audio_cover_strengthが1.0、cover_noise_strengthが0.0です。UIのRemixモード（0.0と0.2）とは逆向きなので、APIでtask_typeにcoverを指定しただけだと、UIで聞いた音と違う結果になります。UIと強度の条件をそろえるには、2つの値を明示します。再現性を高める場合は、モデル、シード、ステップ数、歌詞、生成時間などもそろえます。

curl -X POST http://localhost:8001/release_task \
  -F "prompt=jazz piano trio, brushed drums, warm upright bass" \
  -F "src_audio=@/path/to/song.mp3" \
  -F "task_type=cover" \
  -F "audio_cover_strength=0.0" \
  -F "cover_noise_strength=0.2"

# 返ってきたtask_idで結果を照会（status=0は処理中。間隔を空けて再照会し、1で成功、2で失敗）
curl -X POST http://localhost:8001/query_result \
  -H 'Content-Type: application/json' \
  -d '{"task_id_list": ["<task_id>"]}'

APIの引数には別名もあり、audio_cover_strengthはcover_strength、cover_noise_strengthはcoverNoiseStrengthでも受け付けます。結果のJSONには、使ったDiTとLMの名前（dit_model・lm_model）とシード値が入るので、気に入った1曲の条件を記録しておけます。

Repaintによる部分修正：区間指定と強度設定

Repaintは、指定した区間だけを作り直し、それ以外を残すモードです。Source Audioをアップロードし、Repainting StartとRepainting Endを秒で指定します（Endに-1を入れると曲の最後まで）。その区間に入れたい内容をキャプションに書いて生成します。サビの歌詞の差し替えや、間奏のつなぎの修正に使います。APIで呼ぶ場合はtask_type=repaintに加えてchunk_mask_mode=explicitを渡すと、UIと同じく指定区間がそのままマスクとして使われます。

Repaintの3モードとRepaint強度

2026年3月15日の更新で、区間外の扱いを選ぶ3つのモードが加わりました。

• Conservative（強度0）：毎ステップで原曲を注入し、境界を長めにクロスフェードします。つなぎ目が最も目立ちません。
• Balanced（既定、強度0.5）：最初の50%のステップだけ原曲を注入します。迷ったらここから始めます。
• Aggressive（強度1）：原曲を注入しません。自由度は最大ですが、境界の一貫性は最も低くなります。

つなぎ目の違和感が残るなら強度を下げ、作り直した区間が原曲に似すぎるなら上げます。

Editによる歌詞・スタイル変更と対応モード

v0.1.8では、Edit（Flow-Edit）という上乗せ機能も入りました。手順は、Source Audioに元の曲を入れ、元の曲を説明するキャプションと歌詞を上の入力欄に書き、「Edit」をオンにして「Copy current → source」でsource側へ写します。そのあと上の入力欄を変えたい内容に書き換えて生成します。差分だけを積み上げるので、曲の構造を保ったまま歌詞やスタイルを寄せられます。対応するのはCustomとRemixのモードで、Repaint・Extract・Legoでは警告を出して通常の処理に戻ります。UIの説明は、Customモードでの利用を最も安定するとしています。

diffusersとComfyUIで使う場合の違い

公式のGradio UIとREST API以外にも、diffusersとComfyUIから使えます。ただしどちらも、公式UIのRemixと同じ挙動にはなりません。

diffusersのAceStepPipeline：公式実装との強度計算の違い

Pythonから使う方法は、公式リポジトリの推論APIのほかに、Hugging Faceのdiffusersもあります。AceStepPipelineのプルリクエストは2026年5月1日にマージされ、PyPIのdiffusers 0.38.0以降に入っています（0.41.0でも同梱を確認）。モデルカードにはソースからのインストールが必要と書かれていますが、これは古い記述です。

import soundfile as sf
import torch
from diffusers import AceStepPipeline

pipe = AceStepPipeline.from_pretrained(
    "ACE-Step/acestep-v15-xl-turbo-diffusers", torch_dtype=torch.bfloat16
).to("cuda")
pipe.vae.enable_tiling()  # 長い曲でデコード時のメモリを抑える

src, sr = sf.read("song.wav")  # 48kHzのステレオ
if sr != pipe.sample_rate or src.ndim != 2 or src.shape[1] != 2:
    raise ValueError("入力音源を48kHz・ステレオに変換してください")
src = torch.from_numpy(src).float().T

output = pipe(
    prompt="jazz piano trio, brushed drums",
    lyrics="",
    task_type="cover",
    src_audio=src,
    audio_cover_strength=0.5,
)
audio = output.audios[0]  # (チャンネル, サンプル)
sf.write("remix.wav", audio.T.cpu().float().numpy(), pipe.sample_rate)

注意したいのは、同じaudio_cover_strengthでも計算が違うことです。公式実装は前半の一定割合のステップだけ原曲を条件にして後半を切り替えます。diffusers版は毎ステップで原曲ありとなしの両方を計算し、強度の比で混ぜます（vt = s * vt + (1 - s) * vt_nc）。このため、diffusers版で1.0未満を指定すると1ステップあたりの計算が2回になり、公式UIで見つけた値をそのまま持ち込んでも同じ音にはなりません。diffusers版にはメロディ保持のcover_noise_strengthとcover-nofsqもありません。UIで追い込んだRemixを自動化するなら、公式のREST APIを使うほうが確実です。

ComfyUI：1.5は2月、XLは4月に対応、Remixは公式テンプレート外

ComfyUIは、v0.12.0（2026年2月3日）でACE-Step 1.5に、v0.19.0（2026年4月13日）で1.5 XLに標準で対応しました。ただし対応を告知したComfyの公式ブログは、CoverとRepaintは「ComfyUIではまだサポートしていない」と書いていました。2026年10月14日時点の公式テンプレート集（Comfy-Org/workflow_templates）を見ても、1.5向けの7本はファイル名がいずれもtext-to-music用で、音源を入れて編集するテンプレート（m2m_editing）はACE-Step 1（v1）向けのものしかありません。ComfyUIは曲をゼロから作るワークフローに使い、RemixとRepaintは公式UIで行うのが現実的です。

LoRA・LoKrによる追加学習：必要VRAMと学習条件

ACE-Step 1.5はGradio UIの中で、データセットの作成から自動ラベル付け、学習までを行えます。数曲から自分の声質や編成を学ばせられるので、クラウドに音源を出さずに済みます。LoRAの基本的な仕組みはLoRAとLoRA-Proの解説記事で整理しています。

必要なVRAMは、資料によって書き方が違います。READMEの機能表は「8曲、RTX 3090で1時間（12GB VRAM）」としていますが、LoRA学習チュートリアルは最低16GB、推奨20GB以上で、学習中は約17GBを使うと書いています。長い曲を学習させるならチュートリアルの数字で見積もるのが安全です。チュートリアルは、Kronecker積で分解するLoKrなら1時間かかった学習が約5分で終わるとして、Train LoKrタブかコミュニティ製のSide-Stepを勧めています。エポック数の目安は、約100曲で500、10〜20曲で800です。

ACE-Step 1.5の商用利用とライセンス

リポジトリのコードはMITライセンスで、Hugging Faceの各モデルもライセンスはMITです。2B turboのモデルカードは、生成した音楽を商用目的に使えると明記しています。学習データについては、プロ向けにライセンスされた楽曲、パブリックドメインやロイヤリティフリーの楽曲、MIDIから変換した合成音声で構成されていると説明しています。

そのうえでREADMEは、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、保護されたスタイルや素材を使う場合は許諾を得ることを利用者に求めています。特にRemixでは、原曲や音源の入力・加工・公開について、それぞれ利用条件を確認する必要があり、MITライセンスはその原曲の権利まで許すものではありません。商用で使うRemixの素材は、自作曲か権利処理済みの音源に限るべきです。

READMEには、公式サイトはGitHub Pagesだけで、似た名前の別ドメインは偽サイトだという警告もあります。ダウンロードはGitHubとHugging Face、ModelScopeから行ってください。社内の制作フローに生成AIを組み込む場合のツール選定やルール作りは、生成AI導入支援でもご相談を受けています。

Sunoやほかの音楽生成AIとの使い分け

READMEは自らの品質を「Suno v4.5とSuno v5の間」と位置づけています。クラウド型の最新版に並ぶとまでは書いていません。ACE-Step 1.5を選ぶ理由は品質より、手元で動くこと、Remix・Repaint・LoRAで中身まで調整できること、生成数に月額の上限がないことにあります。

技術レポートの比較：SongEvalの一貫性・音楽性と歌詞一致度

開発元の技術レポート（arXiv:2602.00744、2026年1月31日初稿）の表1から、主な指標を抜き出しました。評価は1.7BのLMと蒸留済みDiTの組み合わせで、20の音楽スタイルと中国語・英語のプロンプトを使った開発元自身の測定です。日本語歌詞で同じ傾向になることを保証する評価ではありません。

曲としてのまとまり（SongEvalの一貫性と音楽性）はSuno v5と同等以上ですが、スタイル指示への追従（Style Align）と歌詞と歌声の一致（Lyric Align）はSuno v4.5にも届いていません。歌詞をはっきり歌わせたい曲では、生成を何本か回して聞き比べる前提で使うのが無難です。

ローカル系とクラウド系の選び分け

同じローカル系でも、DiffRhythmはVAEと評価モデルのライセンスが本体と別なので、商用の条件はACE-Stepより複雑です。Stable Audio 3.0の公開重みを直接利用する場合も、利用者と関連会社の年間売上が単独または合算で100万ドルを超えると、別途ライセンスが必要です。効果音や短いループが目的ならStable Audio 3.0、GPUを用意できないならGemini音楽生成（Lyria 3.5）やProducerAI（Google Flow Music）のようなクラウド型を選びます。

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？

あります。Gradio UIの生成モードに「Remix」があり、元の曲をアップロードしてキャプションで目標のスタイルを指定すると作り替えられます。READMEでは「Cover Generation」、APIではtask_typeのcoverと呼ばれ、どれも同じ機能です。一部の区間だけを作り直したい場合はRepaintを使います。

ACE-Step 2やACE-Step 2.5はありますか？最新バージョンは何ですか？

2026年10月14日時点で、ACE-Step 2や2.5は公開されていません。Hugging FaceのACE-Step配下にある最新のモデルは1.5系のXL（2026年4月公開、diffusers形式は6月まで追加）です。アプリの最新リリースはv0.1.8（2026年5月18日）で、その後もmainブランチには修正が入り続けています。

GPUがない、またはMacでも動きますか？

動きます。READMEはCUDAのGPUを推奨しつつ、MPS（Mac）、ROCm（AMD）、Intel XPU、CPUにも対応するとしています。Apple SiliconのMacではLMがMLXで動きます。ただしCPUだけでは生成に時間がかかるため、速さが必要ならNVIDIAのGPUを用意します。READMEは、インストールせずに使えるオンライン版acemusic.aiを「100%無料・GPU不要」として案内しています。

XL（4B）を動かすにはVRAMがどれだけ必要ですか？

オフロードと量子化を使えば12GBから動きますが、公式の互換表で「対応」とされるのは16GB（オフロードあり）からです。オフロードなしで動かすには20GB以上、XLと4BのLMを組み合わせるには24GB以上が必要です。

日本語の歌詞で曲を作れますか？

作れます。READMEは歌詞とプロンプトで50以上の言語に対応するとしており、日本語の歌詞もそのまま入力できます。LoRA学習チュートリアルも、日本語の楽曲（ナユタン星人のアルバム13曲）を例に使っています。ただしチュートリアルは、学習には自分のオリジナル曲を使うよう求めています。

関連記事

• DiffRhythmとは？使い方・必要VRAM・DiffRhythm 2との違いと商用利用
• Stable Audio 3.0とは？4モデルの違い・ローカルでの使い方・API料金・商用利用
• LoRAとLoRA-Proとは？低ランク適応の仕組み・違い・PEFT実装と派生手法の選び方
• Gemini音楽生成は30秒以上作れる｜Lyria 3.5で最長3分・制限・料金・商用利用
• ProducerAIとは？Google Flow Musicへの改称と料金・無料枠・使い方【2026年9月】