ACE-Step: генератор звука — что умеет и что нужно для запуска

ACE-Step — это открытый генератор звука, который превращает текстовое описание в аудио. Разработчики позиционируют его как шаг к базовой модели для генерации музыки, поэтому инструмент стоит рассматривать тем, кто работает с синтезом звука по тексту и хочет запускать модель на собственном оборудовании.

Что умеет

ACE-Step решает задачу text-to-audio: на вход подаётся текст, на выходе — звуковой файл. Авторы описывают проект как «шаг к базовой модели генерации музыки», но в паспорте не раскрыты детали о поддерживаемых жанрах, длительности генерируемых фрагментов или управляющих параметрах. Модель работает через библиотеку diffusers, что упрощает интеграцию в существующие пайплайны на Python.

Код и веса открыты. Лицензия кода — Apache-2.0, лицензия весов — apache-2.0. Это разрешает использование и доработку без ограничений, характерных для проприетарных моделей.

Что нужно для запуска

Для работы нужна видеопамять объёмом 8 ГБ — по описанию автора, это сниженное требование, которое делает модель «более совместимой с потребительскими устройствами». В качестве ориентира по производительности разработчики приводят MacBook M2 Max: генерация занимает 26,43 секунды с коэффициентом ускорения 2,27x. Это заявление разработчика, а не независимое измерение.

Полный набор файлов весов занимает 7,7 ГБ, самый большой файл — 6,2 ГБ. Для установки авторы рекомендуют окружение Python 3.10. Код написан на Python, репозиторий доступен на github.com/ace-step/ACE-Step, веса — на huggingface.co/ACE-Step/ACE-Step-v1-3.5B. Дополнительная информация есть на сайте проекта: https://ace-step.github.io/.

Репозиторий создан 28 апреля 2025 года, последнее изменение кода — 15 февраля 2026 года. Проект развивается, но авторы не указывают частоту обновлений или планы по развитию.

Кому подойдёт

ACE-Step будет полезен разработчикам, которые уже работают с diffusers и хотят встроить text-to-audio в свой проект без внешних API. Открытая лицензия Apache-2.0 позволяет использовать модель в коммерческих продуктах и исследовательских проектах.

Требование в 8 ГБ видеопамяти отсекает владельцев старых или бюджетных видеокарт, но оставляет возможность запуска на современных потребительских GPU и ноутбуках уровня M2 Max. Тем, кто ищет готовый сервис с веб-интерфейсом, придётся разбираться с запуском через Python и diffusers — авторы не указывают наличие графической оболочки.

ACE-Step — это инструмент для тех, кто готов работать с кодом и хочет контролировать процесс генерации звука на своей машине. Открытые веса и умеренные требования к видеопамяти делают его доступным вариантом для экспериментов с text-to-audio, но детали о музыкальных возможностях модели стоит уточнять в репозитории и на сайте проекта.