ACE Studio 与 StepFun 共同主导的开源音乐基础模型 ACE-Step v1.5 已在 GitHub 公开。项目 README 把它描述为面向消费级硬件的音乐基础模型：本地运行显存不足 4 GB，并称在常用评测指标上质量超过大多数商业音乐模型。文中的速度、显存与质量比较，均出自发布方自述。
README 写道，整首歌在 A100 上不到 2 秒、在 RTX 3090 上不到 10 秒生成完成；若随 think 模式与扩散步数变化，A100 上约为 0.5 到 10 秒。同一性能条目称，音频时长支持 10 秒到 10 分钟（600 秒），单次最多批量生成 8 首。摘要还称，用户可以用少量歌曲训练 LoRA，以捕捉自己的风格。
README 把核心称为混合架构：语言模型充当规划器，把简短的用户需求扩展成歌曲蓝图，范围从短循环到 10 分钟的作品；再经思维链合成元数据、歌词与说明，用来引导 Diffusion Transformer（DiT）。对齐方面，文档写这一过程通过仅依赖模型内部机制的内在强化学习完成，从而去掉外部奖励模型或人类偏好所带入的偏差。
生成质量一节写明「质量超过大多数商业音乐模型」，并注明介于 Suno v4.5 与 Suno v5 之间。这一档位是项目方自述。同页还列出 1000 多种乐器与风格、50 多种语言的歌词，以及参考音频引导、翻唱、局部重绘与编辑、分轨、多轨叠加、人声转伴奏、对时长、BPM、调式与拍号的控制。功能表另包括从音频抽取 BPM、调式、拍号与说明，为生成音乐自动制作 LRC 时间戳，以及对生成结果做自动质量评分。
2026-04-02，项目发布 ACE-Step 1.5 XL，采用 4B 参数的 DiT 解码器，含 xl-base、xl-sft、xl-turbo 三个版本。新闻条目称需至少 12 GB 显存（含 offload），推荐 20 GB 以上，且所有 LM 模型都与之兼容。Model Zoo 补充：XL 使用更大的 4B 参数 DiT 解码器，bf16 权重大约 9 GB；含卸载与量化时至少 12 GB 显存，不做卸载时至少 20 GB。快速开始一节的选型说明另称，2B 版本的权重大约 4.7 GB。功能表中的 LoRA 示例为 8 首歌、在 RTX 3090（12 GB 显存）上约 1 小时，并可通过 Gradio 做一键标注与训练。
项目采用 MIT 许可证。免责声明写到，模型可用于创作、教育与娱乐，同时承认存在风格相似带来的无意版权侵权、文化元素混用不当，以及被用来生成有害内容等风险，并建议用户核验原创性、标明 AI 参与，在改编受保护的风格或材料时取得相应许可。
