※この記事は Zenn に投稿した記事の転載です（正本: https://zenn.dev/umamon/articles/c78d08f31659cc ）。最新版・コメントは正本の Zenn 側をご覧ください。

課金ゼロ・外部送信ゼロ。M1 Max一台で、100秒の歌もの2曲（seed違い2バリアント）が約58秒で出ます（この構成のM1 Max 64GBでの実測です。詳細は後述）。

読者として想定しているのは、ローカルでLLM/画像/動画を回しているApple Silicon勢と、クラウド課金を避けたいDTMer。「Sunoは便利だけど課金とクラウド送信が嫌だ。Macだけで歌もの生成は本当に動くのか、実速度は？」に実測で答えます。

「ローカル無料AI◯◯実録」シリーズの2本目です。前回は動画でした → M1 Macで"完全無料・ローカル"のAIショート動画パイプラインを作った全記録。今回は音楽。子ども向け英語学習ソング教材を8曲作った実録として、詰まった話（失敗談）から書きます。

TL;DR（先に結論）

「ローカルで動いた」の確認は、ヘルスチェックOKではなく接続先URLとapi_modeの実査で。 リポジトリ同梱CLIの既定はクラウド（acemusic.ai）を向いていて、ローカルサーバが正常でも健診はOKを返し続けます（最大の罠。後述）。
M1 Max 64GBの実測: 100秒の歌もの2バリアント＝58.48秒（LM 15.70s＋DiT 42.78s）。全8曲×2バリアントの総生成は約9分。
品質は耳だけで判定しない: mlx-whisper文字起こし一致率 × 独立ルーブリック × 耳、の3層採点。最終採用8本は平均一致率83.9%・独立採点平均94.1点。
環境構築の地雷は前回（動画編）と同じarm64 Python。今回はuvxがanaconda由来のx86 Pythonを掴みました。

1. 事件：「ローカルのつもりがクラウド」— 健診OKでも信じるな

課金ゼロ・外部送信ゼロでAI作曲——のつもりが、生成リクエストはクラウドに飛んでいました。今回の実録で一番価値がある失敗談なので、最初に書きます。

タイムライン

導入日。git clone＋uv sync、APIサーバをlocalhost:8001で起動。ここまでは順調でした。
リポジトリに.claude/skillsとしてCLI（acestep.sh）が同梱されており、これで生成を始めようとしたところ——
このCLIの既定接続先はクラウドAPI（acemusic.ai）でした。 手元でAPIサーバが正常に立っていても、生成リクエストは外部へ飛ぶ設定のままです。

なぜ気づけないか：クラウド健診がOKを返す

質（たち）が悪いのはここです。CLIのヘルスチェックはクラウド側の健診として"OK"を返します。ローカルサーバの起動にも成功している。つまり「サーバ起動OK・ヘルスチェックOK・生成も通る」と、どこから見ても"動いた"ように見えて、実体は外部送信です。完全ローカル（外部送信ゼロ）を要件にしている人ほど、この見かけのOKに騙されます。

修正は2行

接続先とAPIモードを明示的にローカルへ向けます。

bash scripts/acestep.sh config --set api_url "http://127.0.0.1:8001"
bash scripts/acestep.sh config --set api_mode native

教訓: 完全ローカル（外部送信ゼロ・商用可）を要件にするなら、「ヘルスチェックOK」ではなく接続先URLとapi_modeを実査する。健診が通ることと、リクエストがローカルに閉じていることは別問題。

以降の実測はすべて、この修正後（api_mode native・127.0.0.1宛て）のものです。

2. なぜACE-Step 1.5か — Mac視点の技術選定

「ローカルAI作曲 Mac」で候補に挙がるモデルを、歌もの（ボーカル付き）・Mac動作・ライセンスの3軸で比較しました。ライセンスは全て公式リポジトリ/モデルカードで一次裏取りしています（2026年7月時点）。

モデル	見送り理由	ライセンス（一次裏取り済）
MusicGen / AudioCraft	重みがCC-BY-NC 4.0で商用不可（コードはMIT）。さらに学習データからボーカルをソース分離で除去済みで、公式が「The model is not able to generate realistic vocals.」と明記＝歌ものが作れない	コード=MIT／重み=CC-BY-NC 4.0・モデルカード
YuE	Mac動作パスなし。公式が「FlashAttention 2 is mandatory」と明記＝CUDA前提で、macOS/Apple Silicon対応の記載がない。※ライセンス自体はApache 2.0で問題なし	Apache 2.0
Stable Audio Open	公式モデルカードが「The model is not able to generate realistic vocals.」と明記＝歌もの不可	Stability AI Community License
DiffRhythm	コードとDiT重みはApache 2.0だが、VAEのみStability AI Community License（公式が「DiffRhythm-VAE is subject to the Stability AI Community License Agreement」と明記）でコンポーネントごとにライセンスが割れる。管理が煩雑	コード/DiT=Apache 2.0・VAE=Stability AI Community License

ちなみに前記事でBGMに使ったMusicGenは、この表の通り「商用不可＋歌えない」なので、BGM止まりでした。歌ものをやるなら別のモデルが要る、が今回の出発点です。

ACE-Step 1.5を選んだ決め手は3つ。

MITライセンス（商用利用に制限なし。上の表と比べるとこの素直さは貴重）
公式のmacOS/Apple Silicon対応。start_api_server_macos.shが同梱され、LM側はMLX・DiT側はPyTorch MPSで動く
REST APIサーバ同梱で、量産・自動化に組み込みやすい

LMは0.6B/1.7B/4Bがありますが、今回は0.6Bで開始しました。1.7Bはピーク42GBという外部報告があり（自前未検証）、他のローカルLLMを常駐させている環境では見送りが無難と判断しています。

3. 導入と起動（M1 Max 64GB・初回DL約7GB）

導入自体は素直です。ここは簡潔に。

環境: MacBook Pro M1 Max 64GB（Unified Memory）。サーバは起動時に「51.8GB unified memory, tier=unlimited」を検出しました。モデルはLM=acestep-5Hz-lm-0.6B＋DiT=acestep-v15-turbo。

# APIサーバ起動（ポート8001・LMはMLXバックエンド）
ACESTEP_LM_BACKEND=mlx TOKENIZERS_PARALLELISM=false \
  uv run acestep-api --host 127.0.0.1 --port 8001 --lm-model-path acestep-5Hz-lm-0.6B

# 起動確認
lsof -nP -iTCP:8001 -sTCP:LISTEN

初回はモデルのダウンロードが走ります。実測ではcheckpoints/合計約7GB（47MB/sの回線で約4分）でした。

細かい罠を3つ。

start_api_server_macos.shはgit更新チェックで対話プロンプトが出ることがある。uv run acestep-apiの直叩きが確実。
同梱CLIscripts/acestep.shは実行bitが立っていない。bash経由で呼ぶ。
初回DLや長尺の生成は、同期実行だとタイムアウトする。バックグラウンド実行推奨。

4. 実測: 100秒の歌もの2曲が58.48秒（LM 15.70s＋DiT 42.78s）

本題の実測です。生成はcaption（曲調タグ）＋構造タグ付き歌詞＋パラメータをCLIに渡すだけ。

bash scripts/acestep.sh generate -c "<caption>" -l "<構造タグ付きフル歌詞>" \
  --duration 100 --bpm 100 --key-scale "C major" --language en

1曲目（100秒のABCソング）の結果メタデータがこれです。1リクエストでseed違いの2バリアントが自動生成され、その2曲合計の生成時間が記録されます。

"generation_info": "**🎵 Total generation time (2 songs): 58.48s**
  - 29.24s per song
  - LM phase (2 songs): 15.70s
  - DiT phase (2 songs): 42.78s",
"seed_value": "1014051477,117013642"

100秒の完成曲2本が58.48秒。 曲の実尺より生成の方が速い、いわゆるリアルタイム超えです。内訳はLM（歌詞→セマンティックトークン）が15.70s、DiT（音声合成）が42.78s。この内訳が取れると「どちらを軽くすれば速くなるか」の当たりが付くので、meta.jsonは捨てずに残すのをおすすめします。

8曲通しの実測

このペースは1曲目だけのまぐれではなく、8曲を通しても安定していました。

曲	尺	2バリアント生成時間
01	100秒	58.48s
02	110秒	66.32s
03	—	62.99s
04	—	63.97s
05	—	68.92s
06	—	65.55s
07	120秒	74.91s
08	115秒	74.90s

全8曲×2バリアント（16音源）の総生成時間は約9分。 成果物は各曲100〜125秒・48kHz・128kbpsのmp3で、ファイルサイズは約1.6MB（100秒）〜約2.0MB（125秒）。歌詞は入力どおり一字一句合成されていました（meta.jsonのmetas.lyrics実査で確認）。

数値はすべてこの構成のM1 Max 64GBでの実測です。M2/M3/M4では未計測のため、他チップへの外挿はしていません。「誰でも58秒」を保証するものではありません。

5. 歌詞設計：LMNOP問題という普遍ネタ

生成が速くても、歌詞設計を外すと使いものになりません。ここからは競合記事にない運用実録です。

「エレメノピー」問題

ABCの歌の伝統的メロディでは、L-M-N-O-Pが詰め込まれて「エレメノピー」と潰れて聞こえる——よく知られた既知問題です。今回はグルーピングを変えて等間隔に置き直すことで回避しました: ABCD / EFG / HIJK / LMN / OPQ / RST / UVW / XYZ。

これはアルファベットに限らず、数字・曜日など列挙系の歌詞全般に効く原則です: 各項目を等間隔に置き、列挙に"and"を挟まない（"twenty-nine and thirty"は実際に採点で指摘されました）。

AI歌声合成で発音を明瞭にする汎用テク

ACE-Stepに限らず効くはずの、実戦で固まった歌詞側のテクニックです。

数字は英単語で書く（"30"→"thirty"。文字起こし採点でも数字正規化が必要でした）
文字は A - B - C 区切りで1文字ずつ発音させる
1行4〜8語・6〜10音節、並行する行の音節数は±1〜2で揃える
サビの繰り返しは一字一句同じ綴りに。バックコーラスは括弧 (happy!)、[call and response]等の構造タグを使う
captionはタグ4〜7個で一貫させ、captionと歌詞のムードを矛盾させない。BPM/keyはcaptionに書かず専用パラメータで渡す
独立採点から出た禁則3つ: ①列挙系に"and"を入れない ②韻合わせ優先で英語を不自然にしない（"but fun, all right!"が実例） ③サビの改変は1箇所まで。同一の列挙は曲内で表記統一（fall vs autumn混在NG）

実物：1曲目のフル歌詞とパラメータ

パラメータ: duration 100s / BPM 100 / C major / vocal en
caption: children's song, cheerful, playful, simple melody, ukulele, glockenspiel, acoustic guitar, clear female vocals, warm, sing-along

[Intro]

[Verse]
A - B - C - D
E - F - G
H - I - J - K
L - M - N

[Verse]
O - P - Q
R - S - T
U - V - W
X - Y - Z

[Chorus]
Now I know my A - B - C (A - B - C!)
Sing the alphabet with me (sing with me!)
Happy letters, you and me
Come and sing the A - B - C

[Verse]（繰り返し）
[Chorus]（繰り返し）

[Outro]
A - B - C, you and me!

この歌詞がそのまま、上の58.48秒で2バリアントになりました（実測48kHz・各100.03秒）。

6. 「自分の曲を自分で採点しない」— Whisper3層採点

16音源を全部耳で聴き比べて優劣を付けるのは、正直つらい。そこで文字起こしによる客観採点を挟みました。その導入でまた地雷を踏んだので、そこから書きます。

失敗談2：uvxがx86 Pythonを掴む

採点用にmlx-whisper（完全ローカルの文字起こし）をuvxで入れようとしたら、依存解決に失敗。原因は、このマシンの既定python3がanaconda由来のx86_64（Rosetta）ビルドで、uvxがそれを掴んだこと。mlxはarm64専用なので入りません。

前記事で「arm64 Pythonを掴ませろ」と書いた地雷の続編です。venvを自分で切るときは避けられても、uvxのような便利ラッパー越しだと再発する。--pythonでarm64のCPythonを明示すれば通ります。

uvx --python cpython-3.12-macos-aarch64-none --from mlx-whisper \
  mlx_whisper <mp3> --model mlx-community/whisper-large-v3-turbo

Apple SiliconでMLX系ツールが謎の失敗をしたら、まずpython3 -c "import platform; print(platform.machine())"でarchを確認する。anaconda併用機は特に、です。

3層の構成

客観層: mlx-whisper（large-v3-turbo・Apache 2.0・完全ローカル）で各音源を文字起こしし、実際に合成に使われた歌詞（meta.json実査）との単語列一致率を出す。数字は英単語に正規化して比較（"1,2,3"転写による偽低スコアを補正）
独立層: 別コンテキストのエージェントにルーブリック採点させる（英語の正しさ25／設計原則遵守25／教育効果25／歌いやすさ25＝100点）。作った本人（同じ文脈のセッション）に採点させると甘くなるので分離する
最終層: 人間の耳。Whisperの測定限界（後述）を人が埋める

実測データの物語

一致率は思った以上にばらけます。v1の16音源で最低0.0%（Whisperが"Thank you"を幻聴し続ける不良テイク）から最高97.1%（3曲目のバリアントb・ほぼ完全聴取）まで。このばらつきが見えること自体が、自動採点を入れた最大の収穫でした。

独立ルーブリックの指摘を反映してv2を7曲再生成（差し戻し1回）した後の、v1/v2比較が面白いところです。

修正が効いた例: 8曲目は92.5→100.0（完璧な聞き取り）
修正したのに落ちた例: 1曲目は75.3→53.2。歌詞は良くなったのに明瞭度が下がった。つまり歌詞修正とseed運は独立——ここから「旧テイクを捨てず、曲ごとに最良テイクを採用する」運用に切り替えました
触らない裁定: 3曲目のバリアントbは一致率97.1%（16音源中最高）・独立採点97点。修正提案は出ていたが「触るリスク＞益」で不採用にしました。最高スコアのテイクをいじらない勇気も運用のうちです

最終採用の8本は平均一致率83.9%（v1採用時点では81.9%）、独立ルーブリック平均94.1点（最高98・最低89で、89の曲は指摘4件を全部修正）。

測定限界も正直に書く

Whisper一致率は発音明瞭度の代理指標であって、品質スコアそのものではありません。特に「文字の歌唱（A - B - C）」はWhisperが誤転写しやすく、一致率が下振れします（1曲目で"EBC"等の誤転写を確認）。数値だけで切らず、最終判定は耳です。また0.0%のような不良テイクは出ますが、サンプル数が小さいので「失敗率◯%」のような一般化はしません。1リクエスト2バリアント生成が不良テイク保険として機能し、今回は2本の不良テイクを追加コストゼロで回避できました。

7. 再現レシピ（最短手順まとめ）

導入: git clone→uv sync→APIサーバ起動（ACESTEP_LM_BACKEND=mlxで§3のコマンド。初回DL約7GBはバックグラウンドで）
接続先の実査: 生成前に接続先URLとapi_modeを確認（§1のconfig --set2行。健診OKを信じない）
生成: caption／構造タグ付き歌詞／duration・bpm・key-scaleで生成（§4のコマンド。1リクエストで2バリアント出る）
採点: mlx-whisperで文字起こし→歌詞との一致率（§6のコマンド。arm64 Pythonを--pythonで明示。数字は英単語に正規化して比較）
最終判定は耳: 一致率は代理指標。文字歌唱の下振れ等はWhisperの限界なので、最後は聴いて決める

8. ローカルAI勢へ（まとめ）

課金ゼロ・外部送信ゼロで、歌もの16音源＋再生成14音源をこのMac一台で作れました。100秒の曲2本が約58秒、8曲×2バリアントで約9分（この構成のM1 Max 64GBでの実測）。「Macで歌もの生成は現実的か？」への私の答えは、この構成に関しては、生成速度はもう問題ではないです。時間を食うのは歌詞設計と品質判定で、だからこそ採点の自動化が効きました。

教訓を3行で。

健診OKを信じない。 接続先URLとapi_modeを実査してから「ローカルで動いた」と言う
arm64 Pythonを先に確認する。 uvx等のラッパー越しでもx86地雷は再発する
自分の曲を自分で採点しない。 Whisper一致率×独立ルーブリック×耳の3層。そして歌詞修正とseed運は独立——旧テイクは捨てない

動画編はこちら → M1 Macで"完全無料・ローカル"のAIショート動画パイプラインを作った全記録。同じMacの中で、シリーズは続けるつもりです。あなたのローカル作曲の詰まりどころも、どこかで聞かせてください。

（数値・所要時間はいずれもこのM1 Max 64GB環境での実測に基づき、憶測の数字・保証表現は含みません。ライセンス・公式仕様の引用は2026年7月時点の各公式リポジトリ/モデルカードの記載です。）