ACE-Step：扩散自编码文生音乐基座模型快速了解

ACE-Step 模型速读

一、模型概述

ACE-Step 是一款由 ACE Studio 和 StepFun 开发的新型开源音乐生成基础模型。它通过整合基于扩散的生成方式、Sana 的深度压缩自编码器（DCAE）以及轻量级线性变换器，在音乐生成速度、音乐连贯性和可控性等方面达到前所未有的高度，成功克服了现有方法的关键局限性。

二、关键特性

• 高效性 ：在生成速度上 ACE-Step 表现卓越，相比基于大型语言模型（LLM）的基线模型快 15 倍。例如在 NVIDIA A100 上，仅需 20 秒就能生成一首 4 分钟的音乐。并且在不同硬件设备上的实时因子（RTF）也有出色表现，如在 RTX 4090 上，27 步骤生成时 RTF 达 34.48x，60 步骤生成时也有 15.63x。

• 音乐连贯性 ：在旋律、和声以及节奏等音乐元素方面展现出卓越的连贯性，能够生成结构完整且富有逻辑的音乐作品。

• 可控性 ：支持整首歌曲的生成，并且可以对时长进行控制，同时还能够接受自然语言描述来进行音乐创作，为创作者提供了灵活多样的创作方式。

三、应用场景

• 直接使用 ：可用于依据文本描述生成原创音乐，满足个性化音乐创作需求；实现音乐混音与风格转换，为音乐带来新的风格和活力；还能编辑歌曲歌词，丰富音乐内容。

• 下游应用 ：在语音克隆方面有广泛应用前景；能够针对特定音乐风格（如说唱、爵士等）进行专业音乐生成；可集成到音乐制作工具中，辅助音乐人创作；也可作为创意人工智能助手，激发创作灵感。

四、性能表现

ACE-Step 在不同硬件设备上的性能表现各异，其 RTF 值越高，表明生成速度越快。从已知数据来看，在 NVIDIA A100 上 27 步骤生成时 RTF 为 27.27x，60 步骤生成时为 12.27x；在 RTX 4090 上 27 步骤生成时 RTF 高达 34.48x，60 步骤生成时为 15.63x；RTX 3090 上 27 步骤生成时 RTF 为 12.76x，60 步骤生成时为 6.48x；而在 M2 Max 上 27 步骤生成时 RTF 为 2.27x，60 步骤生成时仅为 1.03x。此外，模型在不同语言上的表现也存在差异，排名前 10 的语言效果最佳。不过，当生成时长超过 5 分钟的音乐时，可能会出现结构连贯性下降的问题；对于一些罕见乐器的呈现可能不够完美；并且其输出结果对随机种子和输入时长高度敏感，导致产生多样化的 “开箱即用” 式结果。

五、局限性

• 风格特定劣势 ：在某些音乐风格（例如中文说唱 / 中文_rap）上表现不佳，存在风格贴合度有限以及音乐性上限的问题。

• 连续性瑕疵 ：在重绘 / 扩展操作过程中，可能会出现不自然的过渡。

• 人声质量 ：合成的人声较为粗糙，缺乏细腻的情感表达。

• 控制精细度 ：在音乐参数控制方面，需要更精细的粒度来满足更高层次的创作需求。

六、使用规范

用户在使用 ACE-Step 时，应确保生成作品的原创性；明确披露人工智能的参与情况；尊重文化元素以及版权问题；避免生成有害或冒犯性的内容。

七、核心技术创新汇总