GPT
הוספת כלי
A

acestep-v15-xl-sft

קוד פתוח

ACE-Stepmit2026-04-02

  • transformers
  • safetensors
  • acestep
  • feature-extraction
  • audio

מודל ליצירת אודיו מטקסט בגודל חמישה מיליארד פרמטרים, שמכוון לאיכות צליל מקסימלית על חשבון מגוון. הוא מגיע תחת רישיון פתוח לחלוטין ואומן על דאטה חוקי לשימוש מסחרי.

  • 5Bפרמטרים
  • 32,768טוקנים בהקשר
  • 18.6 GBמשקל הקבצים
  • 6,376הורדות בחודש

מה זה

מדובר בגרסת ה־SFT של משפחת ACE-Step 1.5, ארכיטקטורת DiT עם 32 שכבות שממירה הנחיות טקסט ישירות למוזיקה. בשונה מגרסאות הבסיס של הפרויקט, כאן הדגש הוא על איכות שמע גבוהה והיצמדות הדוקה להוראות בזכות תמיכה ב־CFG, מה שמאפשר לכוונן בדיוק כמה המודל מקשיב לפרומפט לעומת חופש יצירתי.

ההבדל העיקרי מול מודלים אחרים בתחום הוא מאגר האימון. היוצרים השתמשו רק במוזיקה ברישיון, קטעים מנחלת הכלל ודאטה סינתטי מבוסס MIDI, כך שאין חשש מתביעות זכויות יוצרים על התוצרים. המודל מתחבר למודלי שפה תואמים של הפרויקט, בגדלים שבין 0.6B ל־4B, שאחראים על הבנת הקומפוזיציה לפני שלב יצירת השמע עצמו.

מתאים ל

  • הפקת מוזיקה למשחקים

    מאפשר לייצר פסי קול ייעודיים ובטוחים מתביעות זכויות יוצרים, עם שליטה מדויקת באופי הקטע באמצעות פרומפטים.

  • יצירת רקעים לסרטונים

    מתאים לעריכת וידאו מסחרית שדורשת איכות צליל נקייה מאוד וללא תלות בספריות מדיה קיימות.

  • בניית אפליקציות שמע מקומיות

    הרישיון החופשי מאפשר להטמיע את המודל ישירות בתשתיות פנימיות ללא מגבלות הפצה.

איפה זה נופל

המחיר של כוונון עדיף לאיכות הוא ירידה מובהקת במגוון התוצאות לעומת גרסת הבסיס. בנוסף, המודל מוגבל למשימות יצירה סטנדרטיות בלבד, והוא לא תומך במשימות מורכבות יותר שקיימות בגרסת הבסיס כמו חילוץ אלמנטים או השלמת קטעים קיימים. ריצה של 50 צעדים עם קבצים ששוקלים כמעט תשעה עשר גיגה גם מייצרת צוואר בקבוק של שיהוי כבד שלא מתאים לכל מוצר.

אותה משפחה

acestep-v15-xl יצא ב־2 גרסאות שיש להן עמוד כאן. אלה האחרות, לפי כמה מורידים אותן.

acestep-v15-xl-base1,607

שאלות
נפוצות

האם כדאי לבחור בגרסה הזו או בגרסת הטורבו?

אם שיהוי הוא מדד קריטי עבורכם, גרסת הטורבו מייצרת שמע בשמונה צעדים בלבד לעומת חמישים בגרסה הזו. מצד שני, גרסת הטורבו מוותרת על CFG, כך שאם אתם חייבים דיוק מירבי לפי הפרומפט ואיכות צליל קפדנית, הגרסה הזו עדיפה.

האם אפשר להסתפק בכרטיס מסך ביתי רגיל?

אפשר להריץ אותו גם על כרטיס של 12 גיגה זיכרון, אבל תצטרכו להפעיל דחיסה לשמונה ביט ולהעביר חישובים למעבד המרכזי. בפועל זה אומר שזמן היצירה יתארך משמעותית, ולכן לסביבת עבודה שוטפת מומלץ כרטיס עם 20 גיגה לפחות.

איך מריצים

כדי להריץ אותו בלי שום פשרות ובאיכות מלאה יחד עם מודל שפה של 4B, תצטרכו כרטיס מסך עם לפחות 24 גיגה זיכרון. אם יש לכם 20 גיגה אפשר להריץ אותו בלי עזרים חיצוניים, ובכרטיסים של 16 או 12 גיגה תהיו חייבים להפעיל offload למעבד או קוונטיזציה של שמונה ביט, מה שיאט את הריצה בצורה מורגשת.

זמן היצירה דורש 50 צעדי הסקה בכל יצירה בגלל השימוש ב־CFG. אם אתם צריכים זמני תגובה מיידיים עבור משתמשים חיים, גרסת הטורבו שמסתפקת בשמונה צעדים תתאים יותר, או שעדיף לפנות לפתרון מנוהל אם אין לכם גישה לכרטיסים מקצועיים ייעודיים.

from transformers import pipeline

pipe = pipeline("text-to-audio", model="ACE-Step/acestep-v15-xl-sft")
print(pipe("שלום"))

הקבצים

12 קבצים במאגר, 18.6 GB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.

הרישיון

הקוד והמשקלים מופצים תחת רישיון MIT. המשמעות היא חופש פעולה מלא לכל מטרה, כולל שילוב במוצרים מסחריים סגורים ומכירת התוצרים, ללא תשלום תמלוגים. התנאי היחיד הוא שמירה על הצהרת זכויות היוצרים ונוסח הרישיון המקורי בקבצי ההפצה שלכם.

  • שימוש מסחרי
  • שינוי הקוד
  • הפצה מחדש

הרישיון המלא בעמוד המודל ↗