ACE-Step 1.5 XL SFT

ACE-Step 1.5 XL SFT

用 4B 扩散解码器根据文字生成音乐，50 步并带引导控制，音频质量高于基础版。适合拥有 12 GB 或更多显存 GPU 的创作者。

由 ACE-Step 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这是 ACE-Step 1.5 的 XL SFT 变体，ACE-Step 是一个开放的文生音乐模型。SFT 表示它在精选的示例上做了进一步训练，模型卡说这让音频质量比基础版更好。它的扩散解码器约有 4B 参数，支持无分类器引导，推理需要 50 步。ACE Studio 和 StepFun 共同主导这个项目。

适合谁：适合想在自己的 GPU 上根据文字生成音乐、更看重音频质量而不是速度的音乐人、创作者和开发者。

行业 | 谁在用 | 怎么用 | 例子
媒体 | 视频创作者 | 根据文字描述生成背景音乐 | 给视频博客片头配的一段平静曲子
音乐 | 词曲创作者 | 在录音前勾勒音乐想法 | 选定风格的粗略小样
游戏 | 独立开发者 | 为项目制作音乐循环 | 菜单画面的循环曲目
软件 | 开发者 | 围绕开放模型构建音乐工具 | 把提示词变成曲目的应用

如果你需要快速出草稿，可以跳过它，因为同一系列里的 turbo 变体只需要 8 步。

用在哪里：它在带 GPU 的 Windows、macOS 或 Linux 上用 Python 运行。模型卡列出的显存需求从 12 GB 起。

• 项目里的 ACE-Step 1.5 代码
• 至少 12 GB 显存的 GPU，配合 CPU 卸载和 INT8
• 装有 pip 的 Python

使用场景 | 谁用 | 得到什么
背景音乐 | 创作者 | 根据文字提示生成的音频
歌曲草稿 | 音乐人 | 对一个想法的快速演绎
提示词控制 | 开发者 | 调节音乐多贴近文字的引导强度

如何设置：从项目的 GitHub 仓库安装 ACE-Step 1.5 代码，然后把这个模型下载到它的 checkpoints 文件夹。模型卡的快速开始是用 pip 以可编辑模式安装代码。

• 装有 pip 的 Python
• ACE-Step 1.5 项目代码
• 约 18.8 GB 的磁盘空间放 bf16 权重

1. 按模型卡快速开始的描述安装 ACE-Step 1.5。
2. 把这个模型下载到 checkpoints 文件夹。
3. 用运行命令启动界面。

pip install -U huggingface_hub
hf download ACE-Step/acestep-v15-xl-sft

如何使用：在项目文件夹里运行下面两条命令。第一条把模型下载到 checkpoints 文件夹，第二条用这个模型启动 Gradio 界面。然后描述你想要的音乐，并调整引导强度。

huggingface-cli download ACE-Step/acestep-v15-xl-sft --local-dir ./checkpoints/acestep-v15-xl-sft
python acestep --config-path acestep-v15-xl-sft

工具 | 作用
huggingface-cli | 把模型下载到 checkpoints 文件夹
python acestep | 用这个模型启动 Gradio 界面
引导强度 | 控制音乐多贴近你的提示词
LM 模型 | 可选的 0.6B、1.7B 和 4B 语言模型，都能配合 XL 使用

示例：启动界面，输入一句简短的音乐描述，比如一首缓慢的钢琴曲，然后生成。调高引导强度，让它更贴近你的文字。模型卡说三种大小的语言模型都能配合这个 XL 模型使用。

新手与专家：扩散模型从噪声开始，经过很多步骤逐渐细化，直到出现音频。这个变体为了质量用 50 步。第一个小尝试，是在调整任何东西之前，先用默认设置配一条简短的提示词。

对熟悉这个领域的人来说，解码器有 32 层，隐藏维度 2560，32 个注意力头。编码器有 8 层，维度 2048。模型卡认为 SFT 的质量高于基础版，多样性为中等，而基础版为高。基础变体还能处理提取、lego 和补全任务。

用文字描述音乐
语言模型规划作曲
扩散解码器用 50 步细化音频
引导强度让它贴近你的提示词
试听并调整

注意事项：模型卡说这个模型用授权音乐、免版税和公有领域音频，以及由 MIDI 合成的音频训练，并称它可用于商业用途。请根据你自己的情况核对许可条款。

• 变体：这个系列有基础版、这个 SFT 版和 turbo 版。
• 语言模型：4B 的那个在音频理解和作曲方面被评为更强。
• 内存：搭配 4B 语言模型的完整质量需要 24 GB 显存。

Title: 各配置所需显存，单位 GB
CPU 卸载加 INT8: 12 GB
CPU 卸载: 16 GB
不卸载: 20 GB
搭配 4B 语言模型的完整质量: 24 GB

Title: 各变体的推理步数
基础版: 50
SFT: 50
Turbo: 8

• License: MIT。
• Cost to run: 未提及，来源没有列出 API 密钥、账号或付费服务，不过它需要内存足够的 GPU。
• Data it reaches: 只有你在自己机器上输入的提示词，以及你下载的文件。
• Not for: 快速出草稿，因为这个变体要 50 步，也不适合模型卡为基础变体列出的提取、lego 和补全任务。

Hugging Face 上的数据（2026年11月14日）

• 任务：text to audio
• 框架：transformers
• 参数量：5B
• Weights: about 19.9 GB in F32; about 2.5 GB at 4-bit (estimate)
• Formats: Safetensors
• 最近 30 天下载：10,353
• 点赞：107
• 许可证：mit
• Quantized versions: 1
• Fine-tunes: 7
• 标签：transformers, safetensors, acestep, feature-extraction, audio, music, text2music, text-to-audio

链接

• 模型：https://huggingface.co/ACE-Step/acestep-v15-xl-sft
• 文件：https://huggingface.co/ACE-Step/acestep-v15-xl-sft/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download ACE-Step/acestep-v15-xl-sft

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。