オープンソース音楽生成基盤モデル「ACE-Step」をローカルで動かす

はじめに

ACE-Step は、テキストから最大4分の楽曲を生成できるオープンソースの音楽生成基盤モデルです。拡散モデルと Sana の Deep Compression AutoEncoder（DCAE）、軽量な線形 Transformer を組み合わせたアーキテクチャが特徴で、A100 GPU では4分間の音楽をわずか20秒で合成できます（LLMベースのモデル比15倍高速）。

本記事では、ACE-Step をローカル環境で動かす手順を紹介します。

主な特徴

• 高速生成: A100 で RTF 27.27倍（1分の音声を2.2秒で生成、27ステップ時）
• 多言語対応: 英語・中国語・日本語など19言語の歌詞に対応（日本語は上位10言語に含まれます）
• 柔軟なスタイル指定: ショートタグ・説明文・ユースケースなど多様な記述形式に対応
• 高度な制御: 変奏生成、リペイント、歌詞編集、ボイスクローンなど

インストール手順

1. リポジトリのクローン

git clone https://github.com/ace-step/ACE-Step.git
cd ACE-Step

2. 仮想環境の作成（Conda の場合）

conda create -n ace_step python=3.10 -y
conda activate ace_step

3. 依存関係のインストール

pip install -e .

起動方法

acestep --port 7865

• モデルは初回起動時に ~/.cache/ace-step/checkpoints へ自動ダウンロードされます
• macOS では --bf16 false を付けてください
• VRAM 8GB 程度の環境では以下の起動オプションが推奨されています

acestep --torch_compile true --cpu_offload true --overlapped_decode true

Windows で Triton が必要な場合は pip install triton-windows を実行します。

ライブラリとして使う

Python プロジェクトに組み込む場合は、GitHub から直接インストールできます。

pip install git+https://github.com/ace-step/ACE-Step.git

おわりに

生成速度と楽曲の一貫性を両立した実用的なモデルなので、BGM 生成や作曲の試行錯誤に活用できそうです。詳細は以下を参照してください。

• 公式サイト: https://ace-step.club/
• GitHub: https://github.com/ACE-Step/ACE-Step
• Hugging Face: https://huggingface.co/ACE-Step/ACE-Step-v1-3.5B
• Technical Report: https://arxiv.org/abs/2506.00045