ACE-Step UI 完整教程：免费本地 AI 作曲，稳定出成品歌的实操指南
项目地址: https://gitcode.com/GitHub_Trending/ac/ace-step-ui ACE-Step UI 是一款完全本地运行的开源 AI 音乐生成工作台，对接 ACE-Step 1.5 模型，在你的显卡上生成带人声的完整歌曲——免费、无队列、数据不出内网。新手第一次用的产出常常"能听但不想听"：风格漂移、节奏发飘、人声含糊。问题通常不在模型，而在地基没打牢。整条链路可以拆成"三层架构 + 一个闭环"：地基（环境与模型）→ 引擎（创意输入）→ 精控（修正与批量）→ 后期打磨收口。
第一层｜地基：环境跑通与 DiT 模型选型
一键脚本跑通环境
先跑通再谈质量。仓库自带一键脚本：Linux / macOS 先 ./setup.sh 装依赖，再 ./start-all.sh 同时拉起 ACE-Step Gradio 服务、后端和前端，停服用 ./stop-all.sh；Windows 用 setup.bat 加 start-all.bat。🔧 脚本默认去 ../ACE-Step-1.5 找推理引擎，引擎放在别处就先设置 ACESTEP_PATH 环境变量再启动。浏览器打开 http://localhost:3000 能进创作页，链路就通了。
显存门槛：4GB 起步，12GB 才舒服
第一次生成前看一眼显存：4GB 以上即可工作；12GB 以上才能舒服地开 LLM 相关功能（Thinking Mode、AI Enhance 这类）。
DiT 模型怎么选：按场景对号入座
模型选择器在创作面板顶部，候选清单定义在 server/src/routes/generate.ts。
| 模型 | 适合场景 |
|---|---|
acestep-v15-turbo | 通用默认，速度快 |
acestep-v15-turbo-shift3 | 面板默认值，流行歌曲人声音准表现好，日常首选 |
acestep-v15-turbo-shift1 | 低频/低音偏移场景（低沉男声、Bass 主导） |
acestep-v15-turbo-continuous | 长段落、需要连贯性的编曲 |
acestep-v15-base | 结构复杂的音乐，步数上限更高 |
acestep-v15-sft | 流行风格的监督微调版本 |
为什么单提 "shift"：音高偏移模型针对特定人声音域做过校正，写女声甜嗓和写低音说唱，最优模型其实不一样。面板会标注哪些模型已下载到本地（is_preloaded），未下载的走子模型自动下载，首次使用耐心等即可。
地基打好了，接下来决定声音上限的是创意输入——提示词和参数。
第二层｜引擎：提示词三要素与参数基线
风格描述：四个维度写全
简单模式（Song Description）只需一段自然语言，建议覆盖曲风、情绪、核心乐器、人声特征四个维度，例如："90 年代复古 synthwave，迷幻氛围，模拟合成器铺底加鼓机，女声主唱，中速 100 BPM 左右"。
自定义模式的 Style 输入框旁有个 AI 格式化按钮（handleFormat 走 LLM 增强），会把粗标签扩写成完整 caption，并自动回填 BPM、Key、拍号、时长。只写 "pop, rock" 却总生成抒情 ballad 时，先打开这个开关——README 把 "genre 总像 ballad" 列为可解问题，解法就是它。LLM 在 PT 后端下跑 CPU，不占额外显存，代价是多等十几秒。
歌词结构：标签分段 + 语言性别别忘设
用 [Verse]、[Chorus] 这类结构标签分段，每行控制在一句以内，副歌保持押韵。系统会自动跳过方括号标签、取第一行有效歌词当标题，首行别写太随意。面板里的 Vocal Language 和 Vocal Gender（男/女声）不指定时模型可能自由发挥，中英混唱翻车多发生在这里。
参数基线：先照抄默认值，再微调
components/CreatePanel.tsx 里的默认值就是社区跑出来的合理起点。
| 参数 | 默认值 | 说明 |
|---|---|---|
| guidanceScale（引导尺度，控制模型"听话"程度） | 9.0 | 建议 7.0–10.0，太高机械、太低跑题 |
| inferenceSteps（推理步数） | turbo 系 12，上限 20 | base 模型可拉到 200；出成品试 16–20，快速试词保持 12 |
| duration（时长） | 上限 240 秒，5 秒步进 | 受 max_duration_with_lm / max_duration_without_lm 限制，开不开 Thinking 上限不同；超长建议分段生成再拼接 |
| BPM | 0 表示 Auto | 需要精确卡拍时手动指定 60–200 |
| inferMethod（采样方式） | ode | ode 确定性、可复现；sde 带随机性、纹理更丰富但更慢，默认 ode 足够 |
| LM 参数（Expert 区） | 温度 0.8 / cfg 2.2 / topP 0.92 | lmTemperature 在 0.7–0.9 内调，低一点歌词更稳、高一点更跳脱；lmCfgScale 在 2.0–3.0；lmTopP 默认 0.92 |
🎛️ 调整顺序记住这个：提示词不动，先动 guidanceScale，再动 steps，然后才碰 LM 参数——一次只动一个旋钮，你才知道变化来自哪里。
提示词和参数稳定之后，精控层登场：与其反复改文字，不如直接喂参考音频。
第三层｜精控：参考音频、Repaint 与批量出稿
参考音频：把风格直接喂给模型
面板的 Reference Audio 区可上传音频（MP3/WAV/FLAC/M4A 等，25MB 以内），上传后以 referenceAudioUrl 传入后端，系统参考其风格、节奏与结构。配套开关 audioCoverStrength（参考强度）默认 1.0，0.8–1.2 是安全区间：调高整首歌会非常"像"参考曲，调低只剩隐约气质。
Repaint 局部重绘：不动主歌只改副歌
指定 repaintingStart / repaintingEnd 时间段，只重新生成某一小段；配合 instruction 字段还能下达"这一段加强节奏"之类的具体指令。这套组合的价值，在于把"重抽整个随机数"变成"局部修改"，迭代成本大幅下降。
Batch / Bulk 批量流 + 种子管理
AI 作曲本质是概率采样，单次结果好坏成分很大，正确姿势是批量生成再筛选：
- Batch Size 设 2–4，一次任务内出多个变体（8GB 显存保持 1）
- Bulk Generate 可选 1/2/3/5/10，多个任务排队串行跑，显存占用不变，适合整夜挂机
- 想复现某首满意的曲子：关掉 Random Seed 开关，记下那次的 seed 值；换 seed 值则快速探索变体
有自定义模型的进阶用户还可以挂 LoRA：在 LoRA 面板填 adapter 路径（默认 ./lora_output/final/adapter）加载，用 loraScale 控制影响强度，面板滑块范围 0–1，建议 0.7–1.0 起步；加载 LoRA 时建议关掉 Thinking 和 ADG，避免两套机制互相打架。🎲
批量筛出满意的版本后，剩下的差距交给后期。
闭环｜后期：用 AudioMass 编辑器打磨成品
仓库自带 AudioMass 音频编辑器，不用切到外部 DAW 就能修好成品：
裁剪拼接
框选不要的段（片头噪声、重复的桥段），剪掉后直接拼接。
段内 EQ
Paragraphic EQ 支持 peaking 节点：主唱频段被鼓组掩蔽时，可以针对选中片段单独提升，而不是全曲动刀。
淡入淡出与导出
淡入淡出、音量修正都是常规操作。导出时 MP3 可选 128/192/256kbps，也可以只导出选中部分；追求音质就生成时直接选 FLAC 格式。
这套编辑器相当于把传统 DAW 里最常用的一小块搬进了浏览器：
打磨完这一轮，回到提示词和参数基线再迭代两三轮，产出会从"能听"跨到"能发"。🎵 把这套默认参数存进习惯，下一首歌的起点就是别人的终点。
ACE-Step UI 参数速查表
| 参数 | 建议值 | 作用 |
|---|---|---|
| 模型 | acestep-v15-turbo-shift3 | 流行向人声最佳平衡 |
| guidanceScale | 7.0–10.0，起点 9.0 | 提示词贴合度 |
| inferenceSteps | 12 起步，成品 16–20 | 质量/耗时 |
| duration | ≤240s，超长分段 | 单曲长度 |
| inferMethod | ode 求稳；sde 求变化 | 采样方式 |
| lmTemperature / lmCfgScale | 0.8 / 2.2 | 歌词生成 |
| audioCoverStrength | 0.8–1.2 | 参考音频强度 |
| loraScale | 0.7–1.0 | LoRA 影响强度 |
| batchSize / bulkCount | 2–4 / 1–10 | 批量出稿 |
环境不折腾、提示词写四维度、参数从默认起步、不满意就局部重绘、出稿靠批量加筛选。免费、本地、无限次——ACE-Step UI 这套工作流跑顺之后，AI 写歌就不再是抽卡，而是工程。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
