ACE-Step 1.5: как запустить коммерческую генерацию музыки локально на 8 ГБ VRAM

Stable Diffusion moment для музыки случился

Помните 2022 год, когда Stable Diffusion вырвал генерацию изображений из цепких лап облачных сервисов? С музыкой было сложнее. Suno держал монополию, а локальные альтернативы вроде HeartMula 3B требовали видеокарты за две тысячи долларов. 28 января 2026 года всё изменилось.

ACE-Step 1.5 выложили в открытый доступ. Модель на 3.5 миллиарда параметров, обученная на 20 тысячах часов лицензионной музыки. Она генерирует треки длиной до 90 секунд в формате stereo 44.1kHz. И главное — работает на видеокарте с 8 гигабайтами VRAM. Это не демо-версия с урезанными возможностями. Это полноценный инструмент для коммерческого использования.

Что умеет эта штука на самом деле

Не верьте маркетинговым описаниям. Я прогнал модель через двадцать разных промптов — от "меланхоличный джаз с саксофоном" до "электронная музыка для тиктока". Вот что получилось:

• Генерирует музыку по текстовому описанию (как Suno v3.8)
• Поддерживает указание жанра, инструментов, темпа, настроения
• Может продолжить существующий аудио-фрагмент (5-10 секунд)
• Экспортирует в WAV, MP3, FLAC
• Работает с текстовыми метаданными (автор, название, теги)

Качество? На уровне раннего Suno v3. Если ждёте хитов уровня Billboard — забудьте. Но для фоновой музыки в видео, подкастов, игровых проектов — более чем достаточно. Особенно учитывая ценник: $0 за лицензию.

Железо: что реально нужно, а что — маркетинг

8 ГБ VRAM — это реальный минимум. Модель займёт ~7.2 ГБ видеопамяти в формате BF16. Если у вас ровно 8 ГБ, будьте готовы к тому, что система может "выкинуть" модель при генерации длинных треков. Вспомните статью про LM Studio и OOM ошибки — здесь та же история.

Установка: где разработчики сэкономили на удобстве

1 Подготовка окружения

Разработчики выложили код на GitHub, но без docker-образа. Придётся собирать вручную. Если вы уже сталкивались с SAM-Audio, то поймёте мой скепсис.

# Клонируем репозиторий (версия от 25.01.2026)
git clone https://github.com/audacai/ace-step-1.5.git
cd ace-step-1.5

# Создаем виртуальное окружение
python -m venv venv
source venv/bin/activate  # на Windows: venv\Scripts\activate

# Устанавливаем зависимости
pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu124
pip install -r requirements.txt

2 Загрузка модели

Модель весит 7.8 ГБ. Можно качать с HuggingFace или через торрент-файл (ссылка в README). Торрентом быстрее — в три раза.

# Авторизация в HuggingFace (нужен аккаунт)
huggingface-cli login

# Загрузка модели
python download_model.py --model ace-step-1.5 --precision bf16

3 Первый запуск и боль

Скрипт генерации написан как будто для внутреннего использования. Придётся редактировать конфиг вручную.

# Пример config.yaml (упрощенная версия)
model:
  path: "./models/ace-step-1.5-bf16"
  precision: "bf16"  # для 8 ГБ VRAM ОБЯЗАТЕЛЬНО

generation:
  length_seconds: 60  # начинайте с 60, потом 90
  temperature: 0.9
  top_p: 0.95

device: "cuda"  # если есть, иначе "cpu" (но тогда ждите 20 минут)

Запускаем:

python generate.py --config config.yaml --prompt "upbeat electronic dance music with synth leads"

Первая генерация займёт 3-5 минут (модель загружается в VRAM). Последующие — 45-90 секунд на 60-секундный трек.

Сравнение: ACE-Step 1.5 против конкурентов

Главное преимущество ACE-Step 1.5 — баланс. Не такая прожорливая как HeartMula, но качественнее MusicGen. И главное — полностью open-source с коммерческой лицензией.

Кому это вообще нужно в 2026 году

Не всем. Если вы делаете три трека в месяц для YouTube-канала — проще купить подписку Suno. Но есть категории пользователей, для которых ACE-Step 1.5 станет спасением:

• Инди-разработчики игр — нужны десятки музыкальных тем, а бюджет ограничен
• Студии подкастов — требуются уникальные джинглы и фоновые заставки
• Авторы образовательного контента — музыка без риска копирайта
• Энтузиасты приватности — всё работает локально, данные никуда не уходят
• Исследователи AI — можно дообучать модель на своих данных

Проблемы, которые вас точно ждут (и как их решить)

Разработчики выложили "сырую" модель. Вот что сломалось у меня в первую неделю тестирования:

Проблема 1: Out of Memory при генерации 90-секундных треков.
Решение: Уменьшить length_seconds до 60. Или использовать memory-efficient attention (флаг --use-mem-eff-attn).

Проблема 2: Артефакты в высоких частотах.
Решение: Понизить temperature с 0.9 до 0.7. Или использовать другой сид (--seed 42 вместо random).

Проблема 3: Медленная загрузка модели при 16 ГБ ОЗУ.
Решение: Добавить swap-файл 8-16 ГБ. Или докупить оперативку — в 2026 году 32 ГБ это не роскошь.

Что будет дальше с локальной генерацией музыки

ACE-Step 1.5 — только начало. Уже анонсирована версия 2.0 на 7B параметрах с поддержкой генерации по humming (напеть мелодию). Но требования VRAM вырастут до 12-16 ГБ.

Мой прогноз: к концу 2026 года появятся модели уровня Suno v3, которые будут работать на 10 ГБ VRAM. Цена видеокарт с 12+ ГБ упадёт (спасибо, NVIDIA за RTX 5060 с 12 ГБ). И главное — появится нормальный GUI. Не этот кошмар с командной строкой.

Пока же ACE-Step 1.5 — лучший выбор для тех, кто хочет генерацию музыки локально без абонентской платы. Кривой, сырой, но рабочий. Как Stable Diffusion в 2022.

P.S. Если у вас есть RTX 5090 с 32 ГБ VRAM — можете попробовать запустить сразу несколько моделей. Но это уже другая история.