ローカル音楽生成の速度とハードウェア比較：RTFの正しい読み方

テキストから短い効果音を作るモデル、歌詞を歌うモデル、既存のメロディーを拡張するモデルでは役割が違います。出力の長さや条件も異なるため、生成時間だけの一覧は誤解を招きます。比較する前に、用途、出力時間、ステレオ設定、ボーカルや歌詞の有無をそろえましょう。

たとえば「30秒のボーカルなしシンセポップのループ」が必要なら、各候補がテキスト条件付きの伴奏を生成できるか先に確認します。歌詞付きの曲専用経路と効果音生成経路を無理に同じ順位表に入れないでください。共通の用途に対応するモデルだけを測り、対象外の理由も記録すると購入判断に役立ちます。

出力に合った単位を選びます。1曲を作る場合は1曲あたりの時間と実際の長さを記録し、長い曲を複数区間でつなぐなら区間数と結合時間も記録します。バッチを増やすと1時間あたりの曲数が変わることがありますが、1曲の生成が速くなったとは限りません。1リクエストの待ち時間と全体処理量は別々に報告しましょう。

RTF（リアルタイムファクター）は、生成にかかった実時間を出力音声の再生時間で割った値です。60秒の音声を30秒で作ればRTFは0.5、つまり実時間の2倍速です。120秒かかればRTFは2で、実時間より遅くなります。リポジトリによっては逆数の「34倍」をRTFと呼ぶ場合もあります。定義と単位を読み、可能なら元の秒数から計算し直してください。

初回実行にはチェックポイント⁴読み込み、メモリ確保、コンパイルやカーネル準備が含まれることがあります。モデルを常駐させた後の連続生成ではこの費用が除かれるため、アプリを起動した利用者の待ち時間とは異なります。初回（コールドスタート）とウォームアップ後の実行を分け、利用者が感じる全体待ち時間も別に記録してください。

以下は公式リポジトリやモデルカードの数値ですが、根拠の詳しさには差があります。旧版ACE-Stepの表とACE-Step 1.5 READMEの速度主張は別バージョンの情報です。後者はプロファイラーで再現した機器別の結果表ではありません。空欄は遅いという意味ではなく、条件を確認できる数値が見つからなかったという意味です。

音楽生成には、テキストや歌詞の計画モデル、音声トークン⁵生成または拡散モデル⁶、ボコーダーやVAE⁷デコーダー、保存・変換処理が含まれる場合があります。エンドツーエンド時間は利用者の総待ち時間で、工程別時間はボトルネックを探す診断値です。ACE-Step 1.5の公式プロファイラーはLLM⁸計画、DiT⁹拡散、VAEデコード、音声保存、全体の実時間を分けて測れます。

YuE2公式モデルカードはRTX 4090で3つの生成モードを比較しています。RTX 4090の値はウォームアップ後32回の平均で、GPUメモリはNVMLによる全実行のピークです。音声秒数は各出力の長さ、生成秒数は同期されたpipeline¹⁰呼び出し時間です。表のRTFは参考値として生成秒数÷音声秒数で算出しました。カードの説明では初回のパス解決と保存時間を除外しているため、アプリ起動からファイル保存までの待ち時間ではありません。

同じプロンプトと歌詞、出力時間、サンプルレート、チャンネル、品質設定を使い、チェックポイント、コード版、バックエンド、精度、ステップ数を記録します。機器名だけでなくOSやドライバー／フレームワークの版も残してください。初回とウォームアップ後の実行を分け、複数回測定して中央値と範囲を報告します。失敗、メモリ不足、途中で切れた出力も記録に残します。

最初は小さな記録表で十分です。「モデル／リビジョン、機器、バックエンド、精度、長さ、steps、初回秒数、ウォームアップ後1〜5回の秒数、実際の出力時間、ピークメモリ、状態」を列にします。同じプロンプトと設定を各モデルのリクエストにコピーし、出力ファイルとログに同じ実験IDを付けます。設定を変えた実行は別の行にします。

初回が42秒、その後5回の中央値が18秒、出力が30秒だったとします。ウォーム実行¹¹の一般的なRTFは18÷30=0.60、リアルタイム倍率は約1.67倍です。初回を含む42秒の待ち時間は別に示します。出典が1.67倍と報告している場合は「RTF」という名称だけを写さず、何を何で割った値かも書けば、速度の方向を読み違えません。

測定後は一つの数値だけで勝者を決めず、用途に沿って解釈します。曲を作るたびにアプリを起動するなら初回待ちが重要です。サーバーを常時稼働させるならウォーム実行の中央値や処理量が重要になるでしょう。工程別時間を見れば、長い出力ではDiTや音声トークン生成が支配的か、短い出力では計画や読み込みの固定費が大きいかを確認できます。品質設定や長さを下げて得た速度は、元の条件と分けて示します。

音楽モデルでは計画工程だけがLLMで、音声そのものは拡散反復、自己回帰¹²型の音声トークン、デコードで作られることがあります。テキストトークン処理が速い機器でも、別工程が遅い可能性があります。音声生成では、音声フレーム¹³／トークン毎秒、拡散ステップ、出力時間、エンドツーエンド秒数を合わせて見てください。

NVIDIA CUDA¹⁴、Apple MPS、MLX¹⁵は互換の名称ではなく、各プロジェクトが実装・対応する必要のある実行経路です。ACE-Step 1.5はCUDA／MPSと、言語モデル向けのvLLM・PyTorch¹⁶・MLX経路を文書化していますが、性能は構成ごとに確認が必要です。

YuE2の文書ではLinuxと24GBのBF16¹⁷対応NVIDIA GPUが基準です。HeartMuLaの公式例はCUDAが既定です。

Macのユニファイドメモリ¹⁸やRTX 5090の仕様だけでは、未確認の対応状況や処理速度は判断できません。

歌詞の明瞭さ、プロンプトへの追従、曲の構成、音色を一つの普遍的な点数にまとめることはできません。短いサンプルを聴き、用途に合わせて判断してください。モデルの重みとコードでライセンスが異なる場合があります。配布や商用利用の前に該当版の条件と学習データの説明を確認し、権利者の許可がない歌詞・音源・著名人の声を入力・再現しないようにしましょう。