ACE-Step 1.5：商用レベルの品質を消費者向けハードウェアで実現するオープンソース音楽生成モデル

概要

ACE-Step 1.5は、RTX 3090などの消費者向けGPUで高速動作し、商用モデルに匹敵する品質を提供するオープンソースの音楽生成基盤モデルです。

詳細内容

ACE-Step 1.5は、SunoやUdioといった主要な商用モデルの性能に迫る、高効率なオープンソース音楽生成AIです。主な特徴は以下の通りです： 1. **圧倒的なパフォーマンス**: A100で1曲あたり2秒未満、RTX 3090で10秒未満という驚異的な生成速度を実現。4GB以下のVRAMで動作し、少数の楽曲からLoRAによる個人化も可能です。 2. **ハイブリッドアーキテクチャ**: 言語モデル(LM)がプランナーとなり、Chain-of-Thoughtを用いて歌詞や構成の設計図を作成し、それをDiffusion Transformer (DiT)が音声化する革新的な構造を採用しています。 3. **独自学習手法**: 外部の報酬モデルに依存せず、モデル内部のメカニズムのみを利用した「固有強化学習（Intrinsic RL）」により、バイアスを抑えたアライメントを実現しました。 4. **高度な編集機能**: 50以上の言語をサポートし、カバー生成、部分的な修正（Repainting）、歌声からBGMへの変換など、制作ワークフローに統合可能な多彩な機能を備えています。評価指標では、4BパラメータのXLモデルが商用Suno v5を上回るスコアを記録。出力の不一致性や特定のジャンル（中国語ラップ等）への課題はあるものの、オープンソース音楽生成の新たな基準を提示しています。

元記事を読む他のサマリーを見る