README.md

metadata

title: ACE-Step Music
emoji: 🎵
colorFrom: purple
colorTo: pink
sdk: docker
app_port: 7860
pinned: false

🎵 ACE-Step Music (acestep.cpp, CPU)

AI music generation on cpu-basic. Text + lyrics in, stereo 48kHz audio out. Built from source (acestep.cpp GGML) with the 0.6B model set:

部件	文件	大小
LM（歌词+音频编码）	acestep-5Hz-lm-0.6B-Q8_0.gguf	0.68 GB
DiT（flow-matching 扩散，turbo 8 步）	acestep-v15-turbo-Q8_0.gguf	2.4 GB
文本编码器	Qwen3-Embedding-0.6B-Q8_0.gguf	0.75 GB
VAE	vae-BF16.gguf	0.32 GB

合计约 4.2 GB，16 GB 内存装得下。占用会随生成过程浮动，峰值约 6 GB。

使用

网页 UI 在 /（ace-server 内嵌的 WebUI，无需 npm）。写 caption → 设时长 → 生成 → 下载。

REST API（给 pipeline 调用）

异步作业模型：POST 拿 id → 轮询 /job?id= → result=1 取文件。

请求体（examples/dit-only.json 格式）：

{
  "lm_model": "acestep-5Hz-lm-0.6B-Q8_0.gguf",
  "synth_model": "acestep-v15-turbo-Q8_0.gguf",
  "caption": "Ambient electronic soundscape with warm analog pads",
  "lyrics": "",
  "bpm": 90,
  "duration": 30,
  "keyscale": "C minor",
  "timesignature": "4",
  "vocal_language": "en",
  "inference_steps": 8,
  "guidance_scale": 1.0,
  "shift": 3.0
}

出音乐（两步）

# 1) LM: caption -> lyrics + audio codes
LM_ID=$(curl -sX POST https://jacky3102-platform.hf.space/lm \
  -H 'Content-Type: application/json' -d @req.json | jq -r '.id')

# 2) 轮询直到 done
curl -s "https://jacky3102-platform.hf.space/job?id=$LM_ID&result=1" | jq '.[0]' > out.json

# 3) synth: codes -> audio (WAV or MP3)
SY_ID=$(curl -sX POST https://jacky3102-platform.hf.space/synth \
  -H 'Content-Type: application/json' -d @out.json | jq -r '.id')
curl -s "https://jacky3102-platform.hf.space/job?id=$SY_ID&result=1" -o track.wav

可用模型 / 默认参数

curl https://jacky3102-platform.hf.space/props

跳过 LM（直接用已知歌词）

POST 同一个 /synth，带 lyrics + lm_model 即可（dit-only 模式）。

已知限制

• CPU 生成慢：30 秒音乐在 2 vCPU 上预计几分钟到十几分钟，未实测。第一次请求会额外等模型加载（--keep-loaded 已开，之后不再重复加载）。
• HF Space 有请求超时，长生成要用 /job 异步轮询，别在线等。
• 官方 Space 用 ZeroGPU；这是 CPU 移植版，慢但免费。

模型质量档位（之后可换）

LM	大小	说明
acestep-5Hz-lm-0.6B-Q8_0.gguf	0.68 GB	最快（当前）
acestep-5Hz-lm-1.7B-Q8_0.gguf	1.9 GB	折中
acestep-5Hz-lm-4B-Q8_0.gguf	4.2 GB	官方默认，音质最好

DiT 也可换 sft（50 步，音质更高但慢一倍）。