ローカル音楽生成
ACE-Stepの曲をDAWで作成・編集する：VST3ローカルガイド
DAWで編集する前に、生成サーバーとVST3プラグインの役割を分けて確認します。
ACE-StepをDAW制作に組み込みたい場合、acestep.vst3は独立したC++17/GGMLバックエンドとJUCE 8プラグインをまとめた選択肢です。READMEにはApple SiliconのMetal1、LinuxのCPU2・CUDA3などのビルド経路があります。Q8_0 Turboのモデルファイル4個、計約7.7GBを準備し、まずローカルHTTPサーバーで短い音源を出力してからDAWプラグインを接続します。M2 Proで公表された18.3秒は86.8秒音声のVAE4デコード5のみで、曲全体の生成時間ではありません。
作曲アイデアをDAWトラックにする流れを確認します
短い動画用に20秒ほどの背景音をACE-Stepで作り、DAWで切り貼りして整えたい場面を考えます。acestep.vst3にはローカルモデルサーバー、Web UI、単体ツール、JUCE製VST3プラグインが含まれます。まずサーバーで生成を確認し、その後DAWにVST3を読み込めば、生成側とホスト接続側の問題を切り分けられます。
ACE-Stepという名称でも、ACE Studioの公式アプリとして紹介しないでください。READMEではC++17/GGMLによる独立実装であり、ACE-Step 1.5の重みを使うネイティブバックエンドと明記されています。コードとモデルのライセンス条件は異なる場合があるため、ビルドや再配布の前にそれぞれ確認します。
OSに合うバックエンドを選び、モデル4ファイルを準備します
Apple SiliconのmacOSでは、READMEのCMake手順でMetalが自動有効になります。Linux NVIDIAは`-DGGML_CUDA=ON`、Linux Vulkanは`-DGGML_VULKAN=ON`の例があります。ビルド例の`nproc`はmacOS標準シェルにない場合があるため、その場合は並列数を控えめに指定するか、利用可能なCPU数を調べるコマンドに置き換えます。Windowsはリリースバイナリと対応状況を確認し、macOS/Linux用コマンドをそのまま使わないでください。
READMEに記載されたモデル構成は、Qwen3-Embedding 0.6B Q8_0（約748MB）、ACE-Step 5Hz LM 4B Q8_0（約4.2GB）、Turbo DiT6 Q8_0（約2.4GB）、BF167 VAE（約322MB）です。合計約7.7GBは保存容量の目安であり、実行時のRAM/VRAMや一時領域も7.7GBで足りるという意味ではありません。各モデルのパスを確認し、初回生成は短く既定値で試します。
先にローカルサーバーで短い書き出しを確認します
READMEに沿ってリポジトリを取得し、サブモジュールを初期化してOSに合う設定でビルドします。`models.sh`はQ8_0 Turbo一式の取得手順として記載されています。4つのモデルパスを指定してサーバーを起動し、`http://localhost:8080`を開きます。画面が表示されるだけでは生成成功とは言えません。短い説明と歌詞を入力し、WAVファイルが実際に保存されるところまで確認します。
初回生成に失敗したら、エラーに出たモデル名とパスを`models/`内の実ファイル名と照合します。大文字小文字、TurboとSFT、Q8_0とBF16の取り違えを先に確認します。読み込み後に生成中のプロセスが終了する場合は、GPU8メモリとシステムメモリの不足を分け、重いアプリを閉じて短い出力で再試行します。サーバーログから初期化、`/lm`、`/synth`のどこで失敗したかを絞れます。
git clone https://github.com/ace-step/acestep.vst3.git
cd acestep.vst3
git submodule update --init
mkdir build && cd build
cmake ..
cmake --build . --config Release -j4
cd ..
pip install hf
./models.sh
./build/ace-server \
--lm models/acestep-5Hz-lm-4B-Q8_0.gguf \
--embedding models/Qwen3-Embedding-0.6B-Q8_0.gguf \
--dit models/acestep-v15-turbo-Q8_0.gguf \
--vae models/vae-BF16.gguf \
--port 8080
サーバー出力を確認してからVST3をDAWに接続します
サーバーでWAVが生成できたらプラグインをビルドします。READMEに従って`plugins/acestep_vst3`でCMake設定とビルドを行い、生成された`.vst3`バンドルをDAWがスキャンするユーザープラグインフォルダーにコピーします。DAWを完全終了して再起動し、プラグインを再スキャンします。システム共通フォルダーを使う場合は権限を確認し、見つからないからといって未確認バイナリのセキュリティ警告を無条件に回避しないでください。
DAWにプラグインが表示されたら新しいオーディオトラックに読み込み、サーバー接続を確認します。この構成ではVST3のUIがace-server API9と通信するため、サーバーを起動したままにします。health表示を確かめ、説明、歌詞、長さを入力して1回生成します。生成されたWAVをDAWトラックにドラッグし、冒頭から末尾まで聴きます。次の試行ではプロンプトか長さのどちらか1つだけ変更します。これは生成と編集を同じプロジェクトでつなぐ手順であり、どのDAWでもリアルタイム楽器として演奏できるという意味ではありません。
18.3秒を楽曲生成時間と読み違えないでください
リポジトリのM2 Pro 16GB表は、48kHzステレオの86.8秒音声をVAEでデコードする段階だけを比較しています。chunk 1024、overlap 16、`im2col_1d`条件で18.3秒と報告されています。言語モデル処理、DiTの8-step生成、プロンプト補助、サーバー起動、DAW編集は含みません。「M2 Proが20秒の曲を18秒で生成」と書き換えてはいけません。
自分の環境での所要時間を知るには、初回のモデル読み込みと2回目の生成を分けて記録し、歌詞、長さ、seed、バックエンド、出力時間を残します。CPU・Metal・CUDA・Vulkanの異なる経路の数値を直接比較しません。速度より先に、最後まで書き出せるか、編集可能なWAVができるかを確認します。
制作利用の前に更新状況とライセンスを確認します
READMEやリリースページは更新されるため、古い記事のバイナリ名や画面操作に頼らず、導入時点の最新アセットと既知の制限を確認します。VST3 WebView入力などホスト固有の挙動も確認し、複製したプロジェクトで試すのが安全です。モデルの利用条件、生成物の権利、プラグインや依存ライブラリのライセンスはそれぞれ別に確認してください。
VAEの速度値だけでDAWやGPUを選ばないでください。短いサーバー生成が成功し、プラグインがホストで安定して認識され、必要な音源を保存・編集できることを確かめてから構成を評価します。その後、実際の試行回数やプロジェクトの長さに合わせて別バックエンドや精度を比較します。
モデルと実行手順の原文資料
インストールとモデルの利用条件は以下の原文で確認できます。
用語の注釈
Metal — Apple機器でグラフィックスやGPUの並列計算を実行する低水準の技術です。モデルを選んで会話するアプリそのものではありません。
本文に戻るCPU — コンピューターで汎用のプログラム命令を実行する中央処理装置です。AI処理ではGPUなど他のプロセッサーと役割を分けることがあります。
本文に戻るCUDA — NVIDIA GPUで汎用計算を行うソフトウェア基盤です。CUDA向けのプログラムが他のGPUでそのまま動くとは限りません。
本文に戻るVAE — Variational Autoencoderの略です。入力を圧縮した潜在表現に変換したり、その表現から出力を復元したりします。
本文に戻るデコード — LLMでは入力処理後に出力トークンを生成する段階です。VAEやオーディオコーデックでは、圧縮表現や符号化データから元の形式を復元する処理を指すことがあります。
本文に戻るDiT — Diffusion Transformerの略です。Transformer構造を使い、拡散過程でノイズを含む表現を段階的に整えるモデル構造です。
本文に戻るBF16 — モデルの数値を保存・計算する16ビット浮動小数点形式です。利用可否はハードウェアと実行環境によります。
本文に戻るGPU — 多くの計算を並列に処理するプロセッサーです。AIモデルの実行ではモデル計算を担います。
本文に戻るAPI — 別のコードからプログラムの機能を呼び出すための決められたインターフェースです。APIという言葉だけで外部サーバーへの送信を意味するわけではありません。
本文に戻る