一个卧室制作人脑子里有段旋律，没有棚、没有歌手、也没有预算雇人。五年前，这个念头就死在灵感和工具之间的鸿沟里。如今一个叫ACE-Step的开源模型，能用一段文字提示加几句歌词，在煮一杯咖啡的时间里产出一首带人声的成品。问题不再机器能不能做音乐，而是这件乐器归谁所有。
关键要点
- ACE-Step是由ACE Studio与阶跃星辰（StepFun）联合开发的开源音乐大模型，首个35亿参数版本于2025年5月以Apache 2.0协议开源。
- 在英伟达A100上约20秒合成最长4分钟音乐，团队称比基于大语言模型的方案快约15倍；v1.5在A100上不到2秒出整曲。
- v1.5于2026年1月28日发布，在消费级RTX 3090上不到10秒出歌，显存占用低于4GB，意味着爱好者现有硬件就能跑。
- 模型走开源权重路线，可在GitHub、Hugging Face Spaces与ComfyUI中运行，支持声音克隆、歌词编辑、混音与分轨。
ACE-Step是什么
ACE-Step是一个开源音乐生成大模型，由以唱歌合成技术闻名的ACE Studio，与北京大模型实验室阶跃星辰（StepFun）联合开发。首个35亿参数的版本于2025年5月以Apache 2.0协议开源，允许个人与商用。项目在技术摘要里写明的雄心，是打造「音乐的Stable Diffusion时刻」——把高质量生成从封闭的商业接口，交回个体创作者手中。
它怎么工作
ACE-Step用的是混合架构，而非单一端到端管道。一个语言模型规划器读提示词，写出详尽的「歌曲蓝图」——结构、调性、速度、歌词、人声风格。一个扩散 transformer 再一次性合成音频、人声、乐器与混音。扩散侧借助Sana的深层压缩自编码器，让音频潜变量保持紧凑，这正是其速度源头。
速度是最醒目的数字：模型在英伟达A100上约20秒合成最长4分钟音乐，作者称比基于大语言模型的音乐方案快约15倍。后继的ACE-Step v1.5于2026年1月28日发布，更进一步——在A100上不到2秒出整曲，在消费级RTX 3090上不到10秒，且显存低于4GB。换言之，它跑在爱好者已经拥有的硬件上。
为什么「开源」在这里要紧
多数面向消费者的音乐生成仍藏在付费接口之后——Suno、Udio之流皆是。ACE-Step以开源权重发布，改写了算计。研究者能检视、修改它；开发者能微调；创作者可离线运行，没有按曲计费，也没有云端盯着。它经由GitHub、Hugging Face Spaces与ComfyUI可用，并支持实用编辑：声音克隆、歌词编辑、混音，以及把歌词变人声、或把唱句从伴奏里分离的分轨生成。
这种本地、可编辑的工作流，正是一家基础模型与玩具的分野。你能生成一段，再重绘其中一节、换掉人声、或拉出一条分轨——正是制作人真正会做的那种迭代。
据脑机网(BrainNet)首席科学家李锚表示，当音乐生成能离线、免费、可改地握在个人手里，创作门槛被降到几乎为零，谁都能玩乐器这件事第一次真正成立。
以上为李锚个人观点，不代表本编辑部立场，亦不构成脑机网背书。
诚实的局限
这里的每个对比数字都回溯到ACE-Step自己的论文与项目页；尚无独立实验室发布我们可引用的同台音乐基准，因此在被复现前，把速度与质量主张视为厂商自陈。授权也在版本间变了——v1是Apache 2.0，v1.5改走MIT——商用前先核对具体仓库。训练数据出处是当前音乐生成的法律焦点，团队称之为已授权、免版税与合成数据，但创作者仍应确认所在辖区条款。与所有生成音频一样，复杂指令下输出会偏离提示，批判性聆听仍不可或缺。
普通人现在能做什么
1. 先跑Hugging Face Space：用一句风格化提示生成30秒片段，感受速度，也听清它哪里稳、哪里崩。
2. 试Repaint与分轨工具：用「歌词转人声」或「分段重绘」学懂编辑模型，再依赖它做真实项目。
3. 逐版本核对授权：发布前确认v1的Apache 2.0或v1.5的MIT条款适用于你的商用场景。