昨日、私はSunoのサブスクリプションを解約しました。抗議のためではなく、もはや必要がなくなったからです。先週リリースされたACE-Step 1.5を使い始めてから、ずっと曲を生成し続けていますが、何か裏があるのかと探しましたが、見つかりませんでした。このオープンソースの音楽ジェネレーターは私のノートパソコン上でローカルに動作し、10秒以内にフルソングを生成し、その音質はSuno v4.5よりも明らかに優れています。さらに、わずか8曲のリファレンス曲から自分だけのスタイルをLoRAでトレーニングすることも可能です。MITライセンスで完全無料、ACE StudioとStepFunによって開発され、ハイブリッドな言語モデル＋ディフュージョントランスフォーマーのアーキテクチャを採用しています。200曲以上生成した今、これは本物だと確信しており、有料のAI音楽ツールは危機感を持つべきだと思います。
ACE-Step 1.5は約1週間前にGitHubで公開されました。これはACE StudioとStepFunの共同開発によるもので、AI音楽生成の分野で真の飛躍を示しています。最大の革新はハイブリッドアーキテクチャにあります。言語モデル（LM）が“頭脳”として機能し、ユーザーのプロンプトから曲の詳細な設計図を作成します。構成、歌詞、タイミング、楽器編成までを設計し、その後ディフュージョントランスフォーマー（DiT）が実際の音声生成を担当します。LMとDiTは「内在的強化学習」と呼ばれる仕組みで連携し、人間のフィードバックなしに自己改善を行います。重要な数字は、A100 GPUでフルソングが2秒未満、RTX 3090でも10秒未満で生成できることです。Sunoが30〜60秒かかるのに対し、ACE-Stepは自分のハードウェアで無料かつ商用レベルの結果を短時間で得られます。
最も驚いたのは音質の高さです。電子音楽、オーケストラ、ローファイヒップホップ、さらにはJ-POP風の曲まで、様々なジャンルで数十曲を生成しましたが、どの曲も30秒を過ぎて崩れることなく、一貫した楽器編成と意味の通った歌詞が保たれています。さらに50以上の言語に対応しているのも驚異的です。これほどのクオリティを無料でローカル環境で実現しているツールは他にありません。
このツールの機能は無料のオープンソースとしては信じられないほど充実しています。まず生成速度と品質の面では、用途に応じて4種類のモデルが用意されています。Turboモデルは8ステップのディフュージョンで非常に高品質な生成を実現し、ベースモデルは50ステップで中程度の品質、SFT（教師あり微調整）モデルは高品質と速度のバランスが取れています。多くのAI音楽ツールが30秒のクリップに制限する中、ACE-Stepは10秒から10分まで自由に生成時間を設定可能で、構成や展開のある本格的な楽曲を作れます。
さらに注目すべきはリファレンス音源入力機能です。ACE-Stepに参考曲を与えると、そのスタイルを忠実に再現しつつオリジナル曲を生成します。特定のアーティスト風の曲を作りたい場合でも、メロディをコピーすることなく楽器編成やムード、プロダクションスタイルを反映します。また、既存の音源をアップロードしてバリエーションやリミックス、特定部分だけを再生成する“リペイント”機能も搭載。生成したトラックのステム分離も可能で、ミキシングや編集に柔軟に対応します。これらの機能は無料ツールとしては異例の充実度です。
