ACE-Step 1.5は、曲の雰囲気や楽器を文章で指定して、ローカル環境で音楽を生成できるAIです。この記事では、初めて動画用BGMを作る人向けに、導入から歌なしの曲の生成、保存、動画への利用までを説明します。
最初はLoRAや参照音源を使わず、短いインストゥルメンタルを1曲作るところから始めましょう。高度な機能をまとめて試すより、音が出る状態を確認してから条件を増やす方が、問題を切り分けやすくなります。
対象：ACE-Step 1.5の公式ローカル版・Gradio画面。公式資料の確認日：2026年10月12日。本記事の導入コマンド・設定例は公式資料にもとづく案内であり、当サイトが今回インストールや処理時間を実測したという意味ではありません。
ACE-Stepでできること・できないこと
曲の説明から音楽を作るほか、公式資料には歌詞付きの生成や、音源の一部を作り直す編集機能もあります。ただし対応機能はモデルで異なります。この記事は、参照音源なしで新しいBGMを作る基本操作に絞ります。
| 向いている使い方 | 注意すること |
|---|---|
| 動画・朗読用BGMの候補を作る | 声との相性、曲の始まりと終わりを試聴する |
| 楽器やテンポの異なる案を比べる | 指示が必ずそのまま音に反映されるわけではない |
| 自分のPCで生成する | 導入・モデル取得・メモリ管理が必要 |
| キャラクターのテーマ音楽を考える | 名前だけでは人物像を理解しない。音楽の条件へ言い換える |
「無料で使えるソフト」と「環境準備なしで使えるサービス」は別です。ローカル生成にもPC・保存容量・電力などの負担があります。公式の高速生成の数値を、そのまま手元のMacやPCの所要時間とは考えないでください。
導入前にPC・保存容量を確認する
公式の導入資料ではPython 3.11〜3.12を案内しています。GPUや処理方式によって導入方法が変わるため、NVIDIA、AMD、Intel、Apple Siliconのどれを使うか確認します。モデル本体に加え、依存関係や生成した音源を保存する空き容量も必要です。
特にApple SiliconのMacでは、PC全体で共有するメモリ容量を、NVIDIA GPUのVRAM推奨表へ単純に当てはめないようにしてください。大きなモデルや複数曲の同時生成を最初から選ばず、起動時の検出結果と公式の対応案内を確認します。
- すでに動くACE-Stepがある場合は、その環境と生成設定を保存する。
- 別のAI用Python環境へ、依存関係を無計画に混ぜない。
- 初回のモデル取得に通信が必要なことを見込む。
- モデル名・ソフトのバージョン・エラー表示を記録できるようにする。
1．公式版を導入して起動する
まず公式の日本語インストールガイドを開き、自分のOS・GPUに合う方法を選びます。Gitとuvを準備済みの環境では、公式の基本手順は次の形です。uvの準備はuv公式の導入案内を確認してください。
git clone https://github.com/ACE-Step/ACE-Step-1.5.git
cd ACE-Step-1.5
uv sync
uv run acestepこの例は新規導入用です。同名のフォルダや既存環境がある場合は、そのまま重ねて実行せず確認します。AMD・Intel GPUなどでは、公式資料の対応する導入手順を優先してください。既存の依存関係を変更する可能性があるためです。
Apple SiliconのMac・Windowsの起動スクリプト
公式リポジトリにはOS別の起動スクリプトもあります。Mac向けはMLX対応の経路、Windowsの標準スクリプトはCUDA向けの案内です。基本コマンドと両方を同時に起動する必要はありません。
| 環境 | 公式の起動ファイル |
|---|---|
| Apple SiliconのMac | start_gradio_ui_macos.sh |
| Windows・NVIDIA | start_gradio_ui.bat |
| Windows・AMD | start_gradio_ui_rocm.bat。ROCmの対応条件を別途確認 |
Macのスクリプトを使う場合は、リポジトリのフォルダで次のように起動します。起動スクリプトは環境準備や更新確認を行う場合があるため、公式資料の説明も読んでください。
chmod +x start_gradio_ui_macos.sh
./start_gradio_ui_macos.sh起動ログに表示されたURLをブラウザーで開きます。標準のGradio画面はhttp://localhost:7860ですが、ポート変更時はログの案内を優先します。localhostは自分のPCの入口で、この記事を開いたiPhoneから同じ文字を入力しても、Macの画面へ自動でつながるわけではありません。
起動したターミナルは、生成中に閉じないようにします。公開用の共有リンクや外部向けの待ち受け設定は、最初のローカル利用には不要です。
2．モデルを読み込み、短いBGMから試す
画面の設定欄でモデル・処理方式を確認し、必要な場合は初期化を実行します。初回はモデルのダウンロードや読み込みがあり、2回目以降の生成とは待ち時間が違います。
モデルにはTurbo・SFT・BaseやXLなどの種類があります。最初は環境に合う公式の推奨設定を使い、モデル名を記録してください。画面にモデルが表示されていても、読み込み完了とは限らないため、ステータスを確認します。
この記事での試行案は「30〜60秒・1曲」です。これは動作確認のための提案で、最適な品質を実測して決めた設定ではありません。生成できたら、必要に応じて2〜3分へ伸ばします。
3．SimpleまたはCustomで歌なしの曲を作る
公式Gradioガイドには、短い説明から曲の条件を組み立てるSimpleと、Captionなどを自分で入力するCustomがあります。画面名やボタン位置は版によって変わります。
Simple：曲の説明から始める
- Simpleを選び、作りたい曲の説明を入力します。
- 歌なしにしたい場合はInstrumental（インストゥルメンタル）の設定を選びます。
- 説明からCaptionやメタデータを作る操作を行い、展開された内容を確認します。
- 不要な歌詞や想定外の条件がないか確認して、音楽生成へ進みます。
説明の展開に必要な言語モデル（LM）が使えない・読み込まれていない場合は、むやみに重いLMを追加せず、Customで条件を直接入力する経路を検討します。
Custom：条件を自分でそろえる
Captionへ楽器・雰囲気・テンポ感を入力し、歌なしの設定と目標の長さを確認します。最初は参照音源とLoRAを使わず、ほかの詳細設定は選択したモデルの初期値から始めます。
ステップ数やガイダンス値はモデル共通ではありません。ほかのモデルの記事にある値をそのままコピーするより、使っているモデルの説明を確認してください。
コピペ用：動画・朗読・配信用のBGM指示文
次は本記事用に作成した入力例です。公開済みの3曲に使った実際の指示文ではなく、同じ音楽が生成されることも保証しません。Captionの例は英語で記載し、狙いを日本語で添えています。
日常動画向け：柔らかいピアノとギター
Instrumental background music for a calm daily vlog. Soft piano, gentle acoustic guitar, light percussion, warm and relaxed mood, steady moderate tempo, simple arrangement, no vocals.会話や生活音を残す場面を想定した例です。音が多すぎると感じたら、楽器の種類を減らして比較します。
朗読向け：目立つ打楽器を抑える
Quiet instrumental background music for spoken narration. Sparse soft piano, warm ambient pads, slow gentle movement, restrained dynamics, no drums, no vocals.声を主役にする狙いです。静かな曲が生成されたとしても、健康や睡眠への効果を示すものではありません。
作業・配信向け：控えめなカフェ系
Instrumental cafe background music. Mellow electric piano, soft bass, subtle brushed percussion, relaxed steady groove, uncluttered arrangement, no vocals.長く流したい場合も、まず短く作り、曲の変化や繰り返しの相性を確認します。自動で継ぎ目のないループになるとは限りません。
キャラクターを音楽の条件に言い換える
「穂坂 紬の曲を作って」と名前だけを入れても、ローカルAIが当サイトのキャラクター設定を知っているわけではありません。性格や場面を、音楽で表せる要素へ分解します。
| 作品側の狙い | 音楽の条件へ言い換える例 |
|---|---|
| 優しい日常の空気 | 柔らかい音色、少ない楽器、穏やかな動き |
| 元気な場面転換 | 明るいリズム、軽い打楽器、短い導入 |
| 落ち着いた読み聞かせ | 目立つ音を抑え、声の入る余地を残す |
これらは制作時の考え方の例です。公開音源の実設定や、どの条件が必ず成功するかの説明ではありません。
4．生成した曲を試聴し、条件を1つずつ変える
生成結果は冒頭だけで決めず、途中と終わりまで確認します。BGM用なら、曲単体の好みだけでなく、実際の会話や映像に重ねたときの使いやすさが重要です。
- 歌なしのつもりでも、人の声や歌のような音が入っていないか。
- 途中で音量や曲調が急に変わらないか。
- ノイズ、音割れ、不自然な途切れがないか。
- 曲の終端が切れ、動画に使いにくくなっていないか。
- 既存楽曲を強く思い出すなど、公開前に確認したい点がないか。
うまくいかなかったら、まず楽器や雰囲気を絞ります。別の候補を作る、同じ候補を調整する、という作業を分け、モデル・Caption・長さ・シード・変更点を残してください。
シードは比較用の記録に便利ですが、モデル・版・処理方式まで変わると同じ結果を保証するものではありません。1回に複数の設定を変えると、改善した理由が分かりにくくなります。
5．MP3を保存し、動画に使う
生成後の曲を短くしたい場合は、音声の切り出し・音量・フェードツールで3分までの音源を調整できます。端末内で処理し、加工したWAVを保存します。
結果のプレーヤーや保存機能から音源を取得します。画面に再生できる曲があるだけで、必要なファイルを手元へ保存できたとは判断しないでください。保存先で開き、長さと再生を確認します。
編集用に使う場合は、元音源を残し、音量調整・変換後のファイルを別名にします。生成画面にある設定の保存機能も活用し、音源と生成条件を対応させておくと、後で探しやすくなります。
完成例：『○○な彼女達』のテーマBGM
「○○な彼女達」は、6人のオリジナルキャラクターによる日常や物語を画像・動画・音楽で届ける制作活動です。ローカルのACE-Stepで制作したテーマBGM3曲を、当サイトの無料素材集で公開しています。
制作元の申告では、3曲はLoRA・参照音源・カバー機能を使わずに制作した音源です。今回紹介した入力例や、最新の導入手順で生成した実測例という意味ではありません。
穂坂 紬のテーマ：試聴
穂坂 紬のテーマは2分10秒。ほかに朝比奈 茜のテーマ（2分57秒）、橘 環のテーマ（1分18秒）を配布しています。曲名・長さと、動画へ重ねた印象の両方で選んでください。
キャラクターや完成作品を楽しみたい方は、制作元「○○な彼女達」公式サイトをご覧ください。ファイル作業室では制作方法とファイルの扱いを、公式サイトではキャラクターと作品を案内しています。
生成が止まる・画面が開かないとき
| 症状 | 確認・対処 |
|---|---|
| localhostの画面が開かない | 起動したPCで開いているか、ターミナルの起動完了・URL・ポートを確認 |
| 初回だけ長く待つ | モデル取得・読み込み・生成のどの段階か、ログと通信を確認 |
| メモリ不足で止まる | 他の重い作業を止め、バッチ1・短い長さ・小さいモデルやLMなしの構成を検討 |
| Simpleの説明展開が使えない | LMの読み込み状況を確認し、Customでの直接入力も検討 |
| 画面の名前が記事と違う | ACE-Stepの版、公式版か派生UIか、選択モデルを確認 |
| 曲が狙いと違う | Captionを絞り、歌なし設定や自動展開された条件を見直す |
設定変更で必ず直るとは限りません。エラー全文・モデル名・処理方式・長さ・バッチ数を残し、公式の導入資料やIssueで同じ症状を確認します。動いている環境を削除して最初からやり直す前に、原本と設定を保存してください。
商用利用と、公開前の権利確認
ACE-Step 1.5の公式コードと公式モデルカードにはMITライセンスの表示があり、モデルカードは生成音楽の商用利用を認めています。ただし、実際に使うモデル・追加LoRA・参照素材が別なら、その条件も個別に確認します。
商用利用できるという案内は、すべての生成結果について第三者の権利との問題が絶対に起きない保証ではありません。著名曲を再現する指示や、利用許可のない音源の取り込みは避け、配信先の条件も確認してください。
この解説記事だけで、読者が生成した音楽へ当サイトの無料素材規約が適用されるわけではありません。当サイトから配布する3曲を使う場合だけ、素材ページの利用条件を確認します。『紬と眠る夜』の配信4曲は無料配布対象ではありません。
音楽と一緒に使う画像を作りたい方へ
ComfyUIでAI画像を作る基本ガイドでは、モデル・プロンプト・LoRA・画像保存を解説しています。制作元「○○な彼女達」の6人のプロフィール画像も完成作品として紹介しています。
よくある質問
スマートフォンだけでローカル版を使えますか？
この記事はPC側でACE-Stepを動かす構成です。スマートフォンで記事や素材ページを開けることと、スマートフォン上でモデルを動かせることは別です。
日本語の説明でも使えますか？
Simpleでは自然言語で曲の説明を入力できます。生成されたCaptionなどを確認してから進めてください。本記事の英語例は比較条件をそろえるための例で、日本語より良い結果を実測したという意味ではありません。
生成した曲は全部公開すべきですか？
量産数より、用途に合う曲を選ぶことを優先します。試聴し、問題のある候補を外し、完成動画での聞こえ方を確認してから公開してください。
参考にした公式資料
公式情報の確認日：2026年10月12日。モデル・画面・導入経路は更新されます。インストール時はリンク先の公式資料と使用する版を確認してください。紹介した音源の制作条件は制作元の申告に基づき、独立した類似性調査やPC上でのベンチマークを実施したものではありません。
コメント