前言最近在测试本地端 AI 音乐生成方案ACE-Step-1.5 是一款支持 text2music 任务的开源音乐模型核心能力是输入带分段标记的歌词 风格描述一次性生成包含旋律、伴奏与人声演唱的音频。和网页在线音乐模型相比本地部署可以规避上传素材、生成次数限制等问题适合做原创音乐原型、短视频音频素材。本篇是纯技术实测笔记记录 Windows 环境下本地部署流程附带环境检测 Python 脚本、启动批处理、模型调用代码以及音频后处理 FFmpeg 命令实测最低硬件NVIDIA 8G 显存显卡内存 16G。前置说明本文仅为技术研究模型请从官方开源渠道获取自行遵守对应的开源协议商用需要单独确认授权。一、项目目录规划与环境预检脚本部署第一件事路径禁止中文、空格、特殊字符否则会出现权重加载、文件读写异常。 示例目录D:\dev\ai-music\ace-step-1.5ace-step-1.5/ ├─ webui.py # 网页服务入口 ├─ check_env.py # 硬件依赖检测脚本 ├─ model_weights/ # 模型权重存放目录 ├─ outputs/ # 生成音频输出目录 └─ cache/ # 模型临时缓存新建check_env.py执行脚本自动校验 CUDA、显存提前定位硬件问题import torch import os import platform print( ACE-Step-1.5 环境检测 ) print(fOS: {platform.system()} {platform.release()}) print(fPython Version: {platform.python_version()}) print(fTorch CUDA Available: {torch.cuda.is_available()}) if torch.cuda.is_available(): dev torch.device(0) gpu_name torch.cuda.get_device_name(dev) vram_total torch.cuda.get_device_properties(dev).total_memory / 1024**3 print(fGPU Name: {gpu_name}) print(fTotal VRAM: {vram_total:.2f} GB) if vram_total 8.0: print(✅ 显存满足最低运行条件) else: print(❌ 显存不足至少8GB会频繁OOM) else: print(❌ 没有可用CUDA设备无法在GPU运行) # 创建输出文件夹 out_dir outputs if not os.path.exists(out_dir): os.makedirs(out_dir) print(f✅ 输出目录 {out_dir} 已创建) print()在项目根目录打开 CMD 执行python check_env.py二、WebUI 服务启动脚本start.bat用来启动本地网页服务8G 显存设备需要增加显存分片环境变量控制 pytorch 显存分配策略。echo off chcp 65001 echo ACE-Step-1.5 WebUI Start echo Loading model weights, wait patiently... :: 显存分片优化8G显卡核心配置 set PYTORCH_CUDA_ALLOC_CONFmax_split_size_mb:512 set CUDA_VISIBLE_DEVICES0 :: 激活虚拟环境如果你使用venv call venv\Scripts\activate.bat :: 启动web服务lowvram开启显存分片加载 python webui.py --lowvram --listen --port 7860 pause参数解释PYTORCH_CUDA_ALLOC_CONF限制单次显存分配块大小缓解 8G 卡峰值爆内存--lowvram权重分模块加载牺牲少量速度换取显存可用性12G 显卡可以删除该参数--listen局域网可访问不需要就删掉--port 7860网页端口 启动成功后浏览器访问http://127.0.0.1:7860WebUI 界面选择任务类型text2music。三、底层 Python 调用示例text2music 歌词生成音频不打开 WebUI直接用脚本批量跑生成任务适合自动化批量测试不同曲风、种子、歌词。from ace_step import AceStepPipeline # 加载模型low_vram适配8G显存 pipeline AceStepPipeline( model_dir./model_weights, low_vramTrue, devicecuda ) gen_params { task_type: text2music, prompt: Chinese pop song, bright female vocals, clean instrumental accompaniment, KTV style, lyrics: [Verse1] 我们家在黄河边上他们家在机场高速 哪儿我们都去过所以一提北京都想吐 所有学校周围都有拉面馆和饭店 再往前走不到十米就是成人宝铺 [Verse2] 夜里能去楼下和哥儿几个喝一点 夏天游泳但是没买游泳裤衩儿 除了整天喝酒啥做不了干不了的 抽烟不抽别的点儿大中华烟, duration: 25, seed: 6688, guidance_scale: 7.0 } audio_result pipeline.generate(**gen_params) audio_result.save(./outputs/ace_test_01.wav) print(✅ 音频生成完成保存到 outputs/ace_test_01.wav)参数说明prompt音乐描述控制曲风、人声音色、配器英文提示词模型识别更稳定lyrics歌词[Verse]、[Chorus]分段标记会影响 AI 演唱断句建议严格按照格式写duration音频时长8G 显存建议≤25 秒过长直接触发 CUDA OOMseed随机种子固定种子可以复现完全相同的生成结果用来反复调优提示词guidance_scale提示词相关性取值范围 1~10数值越高越贴合 prompt但过高容易造成音频失真、爆音四、OOM 显存溢出问题修复代码 指令8G 显卡最容易碰到CUDA out of memory下面是几种工程上的处理手段。显存缓存清理脚本free_gpu.pyimport torch import gc torch.cuda.empty_cache() gc.collect() print(✅ GPU cache cleared)CMD 运行python free_gpu.py进阶环境变量追加到 bat启用可扩展显存分段set PYTORCH_CUDA_ALLOC_CONFexpandable_segments:True工程方案分段生成音频再使用 FFmpeg 拼接 不要一次性生成完整长歌曲拆成多段 20~25s 片段分别生成最后合并音频。五、FFmpeg 音频处理命令后处理模型默认输出 wav 无损音频体积很大这里提供批处理脚本做格式转换、音频拼接。脚本 1wav 批量转 mp3wav2mp3.batecho off for %%i in (outputs\*.wav) do ( ffmpeg -i %%i -c:a libmp3lame -b:a 192k -y outputs\%%~ni.mp3 ) echo 批量转换完成 pause脚本 2多段音频拼接concat_audio.batecho off echo file outputs/part1.wav audio_list.txt echo file outputs/part2.wav audio_list.txt echo file outputs/part3.wav audio_list.txt ffmpeg -f concat -safe 0 -i audio_list.txt -c copy outputs/full_song.wav del audio_list.txt echo 音频合并成功 pause六、硬件参数对照表实测表格硬件推荐配置注意事项8G NVIDIA 显卡low_vramTrue单次 duration≤25sguidance_scale 6~7.5长音频必须分段生成12G NVIDIA 显卡low_vramFalse单次 duration≤40sguidance_scale7~9生成速度更快音频细节更好七、常见问题排查命令找不到模型权重检查路径是否含中文查看当前目录cdPyTorch CUDA 版本查看python -c import torch;print(torch.version.cuda)端口占用修改 start.bat 里--port 7860替换为 7861 等空闲端口八、本地部署完整工作流总结拉取模型权重放置到纯英文路径执行check_env.py检测硬件环境配置虚拟环境安装 torch、transformers 等依赖包运行start.bat启动 WebUI浏览器访问本地服务选择 text2music 任务填写风格 prompt 带分段标记歌词设置生成参数生成音频保存到 outputs 目录用 FFmpeg 脚本做格式转换或者分段拼接调整 seed、guidance_scale、prompt 反复迭代优化演唱与编曲效果九、限制说明技术笔记重点8G 显卡只能生成短片段长歌曲必须分段拼接拼接处会有衔接断层中文歌词的咬字、断句偶尔出现错乱需要反复调整歌词分段标记模型偶尔会出现爆音、伴奏和人声音量失衡生成后需要用音频软件二次混音请遵守模型开源协议不要用于侵权、商用音乐需要确认授权。