在自己电脑上跑 AI 写歌：ACE-Step 1.5 与 MiniMax-Music3 本地部署入门

为什么要在本地跑音乐模型

在线平台（海绵音乐、Mureka、MiniMax 等）开箱即用，但有几个绕不开的限制：按次数或积分计费、高峰期排队、生成结果存在别人的服务器上。对需要大量试错的创作者来说，本地部署的好处很直接：

一次投入，随便生成：显卡和电费之外没有额外成本，同一段歌词跑几十个版本也不心疼；
可批量、可自动化：能通过 API 接进自己的脚本或剪辑流程；
可微调：用自己的作品训练 LoRA，固定一种风格。

代价是要折腾环境、占用硬盘，而且许可证要自己读清楚。本文聚焦目前最值得尝试的两个国产开源音乐模型：ACE-Step 1.5 和 MiniMax-Music3。

两个模型先对比

项目	ACE-Step 1.5	MiniMax-Music3
开发方	ACE Studio 与阶跃星辰（StepFun）联合	MiniMax
开源时间	2026 年 1 月下旬；XL 版 2026-04-02	2026 年 8 月开放权重
最长时长	10 秒～10 分钟	约 5 分钟完整歌曲
最低显存	官方称 4GB 以下可跑（Turbo 版）	逐层分组卸载可在 8GB 卡上跑
推荐显存	24GB 以上可跑全部模型不卸载	全精度 24GB 以内，自动 CPU 卸载约 22GB
硬件支持	CUDA、Apple Silicon（MPS/MLX）、AMD ROCm、Intel XPU、CPU	需要 CUDA
许可证	MIT	MiniMax-Music3 社区许可（自定义）
上手难度	低：有一键安装和网页界面	中高：依赖 SGLang-Omni 或未合并的 diffusers 分支

简单说：想先玩起来、手上是笔记本或 Mac，选 ACE-Step 1.5；有 24GB 显卡、想要更高的人声和编曲质量，再试 MiniMax-Music3。

ACE-Step 1.5：按显存选模型

ACE-Step 1.5 由两部分组成：负责“规划”歌曲结构的语言模型（LM），和负责真正生成音频的 DiT 解码器。DiT 有 2B 和 XL（4B）两个规模，每个规模又分三种变体：

turbo：8 步出歌，速度最快，质量也高，但不支持 CFG；
sft：50 步，质量高，适合正式出歌；
base：50 步，多样性最高，且只有 base 支持 Extract、Lego、Complete 这几种编辑功能。

LM 有 0.6B、1.7B、4B 三档（分别基于 Qwen3 对应规模）。官方 README 给的显存搭配建议大致如下：

显存	推荐 DiT	推荐 LM	说明
≤6GB	2B turbo	不用 LM	默认关闭 LM，INT8 量化 + CPU 全卸载
6～8GB	2B turbo	0.6B	PyTorch 后端
8～16GB	2B turbo / sft	0.6B / 1.7B	8～12GB 用 0.6B，12～16GB 用 1.7B
16～20GB	2B sft 或 XL turbo	1.7B	XL 低于 20GB 需要 CPU 卸载
20～24GB	XL turbo / sft	1.7B	XL 无需卸载
≥24GB	XL sft	4B	质量最好，全部模型都能装下

速度方面，官方数据是 A100 上一首完整歌曲不到 2 秒、RTX 3090 上不到 10 秒。

ACE-Step 1.5：安装与启动

官方推荐用 uv 管理 Python 环境，要求 Python 3.11～3.12。macOS / Linux 的步骤：

text

# 1. 安装 uv
curl -LsSf https://astral.sh/uv/install.sh | sh

# 2. 克隆仓库并安装依赖
git clone https://github.com/ACE-Step/ACE-Step-1.5.git
cd ACE-Step-1.5
uv sync

# 3. 启动网页界面（浏览器打开 http://localhost:7860）
uv run acestep

# 或者启动 REST API（http://localhost:8001）
uv run acestep-api

几点实用提示：

首次运行会自动下载模型，体积不小，有用户在 M2 MacBook Air 上实测下载花了约 40 分钟，提前留好时间和硬盘空间；
Windows 用户可以用仓库里的 start_gradio_ui.bat（N 卡）、*_rocm.bat（A 卡）、*_xpu.bat（Intel 显卡）脚本，官方也提供 Windows 和 macOS 的便携包；
Mac 用户用 start_gradio_ui_macos.sh，走 Apple Silicon 的 MLX 后端；
个人配置写在项目目录的 .env 文件里，升级仓库时不会被覆盖；
习惯 ComfyUI 的话，ComfyUI 官方也已提供 ACE-Step 1.5 的模型文件和工作流模板。

ACE-Step 1.5：值得用的功能

除了“文字 + 歌词 → 整首歌”，ACE-Step 1.5 还有不少对创作者很实用的功能：

Cover（翻唱/改编）：上传一段已有音频，按新风格重新演绎。只用你自己创作或有权使用的音频；
Repaint（局部重绘）：只重新生成歌曲中的某一段，比如副歌唱得不好，就单独重做那 10 秒，而不必整首重来；
批量生成：一次最多同时生成 8 首，适合同一段歌词挑最好的版本；
LoRA 训练：网页界面里可以一键标注和训练，官方给的参考是 8 首歌、RTX 3090（12GB 显存）约 1 小时；
其他：参考音频输入、音轨分离、为人声配伴奏（Vocal2BGM）、生成 LRC 歌词文件等。

歌词和风格描述的写法与在线平台大体相通：风格描述写曲风、情绪、乐器、人声和速度，歌词用 [Verse]、[Chorus] 等结构标签分段，详见《AI 写歌：结构标签与风格描述怎么写》。

MiniMax-Music3：门槛更高，质量上限也更高

MiniMax-Music3 是 MiniMax Music 3.0 的开放权重版本，模型卡给出的架构是分层自回归的“Hybrid-LM”：一个 8B 的全局语言模型（基于 Qwen3-8B）加一个 0.6B 的局部语言模型生成音频 token，再经过 2.4B 的 Flow Matching 和 Flow-VAE 解码器，输出 32kHz 立体声 WAV。

它支持 Intro、Verse、Pre-Chorus、Chorus、Post-Chorus、Bridge、Instrumental、Solo、Outro 等结构标签，也可以在描述里细化人声的性别、音色、演唱风格、和声与效果。

部署方面需要注意：

只支持 CUDA，Mac 和 A 卡暂时不在官方支持范围内；
全精度推理在 24GB 显存以内，开启自动 CPU 卸载约占 22GB；用逐层流式的分组卸载可以压到 8GB 显卡，但速度会明显变慢；
官方给了两条推理路线：一是 SGLang-Omni 起服务，二是 diffusers 管线——后者目前依赖一个尚未合并进主线的 PR，需要安装指定提交版本。

text

# 下载权重
hf download MiniMaxAI/MiniMax-Music3 --local-dir /path/to/minimax_ttm

# 用 SGLang-Omni 起服务（需先按官方指南安装 SGLang-Omni）
sgl-omni serve --model-path MiniMaxAI/MiniMax-Music3 --port 8000

模型卡还提供了一个用于改写风格描述的 Skill（music-caption-rewriter），可以把简短描述扩写成模型更容易理解的格式，思路和《让 DeepSeek / 千问当你的提示词助手》一致。

如果你没有 24GB 级别的 N 卡，又想用 Music 3.0 的效果，直接用 MiniMax 官方平台或 API 往往更省事。

许可证与发布：本地跑也要守规矩

模型跑在自己电脑上，不等于生成什么、怎么发布都没人管。

ACE-Step 1.5 采用 MIT 许可，对商用限制很少，但 README 附有负责任使用声明。

MiniMax-Music3 用的是自定义的社区许可，商用前要逐条看清：

用于商业产品时，需要在产品界面显著展示“MiniMax-Music3”；
你和关联方的产品年收入合计超过 2000 万美元，需事先获得 MiniMax 书面授权；
如果做成让第三方生成内容的在线服务，需要建立并定期检查防滥用措施；
附件的可接受使用政策列出了禁止用途，包括侵犯他人知识产权、未经同意冒充他人，以及公开发布机器生成内容却不清楚标明。

无论用哪个模型，发布时都要做到：

按《人工智能生成合成内容标识办法》标注 AI 生成，上传到音乐平台、短视频平台时主动勾选或声明，不删除平台添加的标识；
不模仿真实歌手的声音，Cover 和参考音频只用自己的作品或已获授权的素材；
AI 作品的版权归属仍有不确定性，用于商业项目（广告、游戏配乐）前，保留好提示词、歌词和生成记录，作为人类创作投入的证明。更多细节见《发布 AI 视频、音乐、图片前必看》。

参考来源

AI 生成内容信息整理截至 2026-11-02。本文由 AI 辅助生成，内容依据公开资料整理，仅供学习交流；平台功能与价格变化较快，请以官方最新信息为准。