ACE-Step：AI音楽生成の新パラダイム — アーキテクチャ・学習手法・実践応用の完全分析

[AI音楽生成モデルの発展タイムライン]

2023               2024                2025                  2026
  |                  |                   |                     |
  v                  v                   v                     v
+----------+   +--------------+   +---------------+   +------------------+
| MusicGen |   | Stable Audio |   | ACE-Step v1   |   | ACE-Step v1.5    |
| MusicLM  |   | Suno v3      |   | (3.5B, DCAE   |   | (Hybrid LM+DiT,  |
| AudioLDM |   | Udio v1      |   |  + Linear DiT)|   |  DMD2, under 4GB) |
| Riffusion|   | JEN-1        |   | DiffRhythm    |   | Suno v5          |
+----------+   +--------------+   +---------------+   +------------------+

主要な転換点：        商用化：              オープンソースの飛躍：   ローカル実行時代：
- 自己回帰型         - テキストから楽曲    - Diffusion + DCAE      - 4-8ステップ生成
- スペクトログラム   - ボーカル + BGM      - Flow Matching         - LoRAパーソナライズ
  ベースの生成       - 多言語歌詞          - REPA学習              - 50言語以上対応

[ACE-Step v1 アーキテクチャ]

                    +---------------------------------------------+
                    |           Conditioning Encoders              |
                    |                                              |
                    |  +----------+ +----------+ +--------------+ |
                    |  |  Text    | |  Lyric   | |   Speaker    | |
                    |  | Encoder  | | Encoder  | |   Encoder    | |
                    |  |(mT5-base)| |(SongGen) | |(PLR-OSNet)   | |
                    |  | frozen   | |trainable | | pre-trained  | |
                    |  | dim=768  | |          | | dim=512      | |
                    |  +----+-----+ +----+-----+ +------+-------+ |
                    +-------+------------+---------------+--------+
                            |            |               |
                            +------+-----+               |
                                   | cross-attention      |
                                   v                      v
+-----------+    +----------------------------------------------+
|           |    |     Linear Diffusion Transformer (DiT)       |
|   DCAE    |    |                                              |
|  Encoder  |--->|  +-------------------------------------+    |
|  (f8c8)   |    |  |  24 Transformer Blocks               |    |
|           |    |  |  - AdaLN-single (shared params)      |    |
| mel-spec  |    |  |  - Linear Attention                  |    |
| to latent |    |  |  - 1D Conv FeedForward               |    |
| ~10.77Hz  |    |  |  - Cross-Attention (text+lyric)      |    |
|           |    |  |  - REPA at layer 8                   |    |
+-----------+    |  +-------------------------------------+    |
                 |                                              |
                 +------------------+---------------------------+
                                    |
                                    v
                 +----------------------------------------------+
                 |              DCAE Decoder                     |
                 |   latent to mel-spectrogram to waveform       |
                 |   (Fish Audio Vocoder, 32kHz mono)            |
                 +----------------------------------------------+

[DCAE圧縮プロセス]

入力: メルスペクトログラム（44.1kHz/32kHz音声からメル変換）
  |
  v
+---------------------------------------------+
|  DCAE Encoder                               |
|  - 残差オートエンコーディング               |
|  - 空間→チャネル変換                        |
|  - 8倍の時間圧縮                            |
|                                             |
|  出力: 潜在空間（~10.77Hz）                 |
|  4分の音楽 → ~2,584潜在トークン             |
+---------------------------------------------+
  |
  v （DiTで生成/変換される）
  |
  v
+---------------------------------------------+
|  DCAE Decoder + Vocoder                     |
|  - 潜在→メルスペクトログラム復元            |
|  - Fish Audio Universal Music Vocoder       |
|  - 出力: 32kHzモノラル波形                  |
+---------------------------------------------+

# テキストエンコーダ: Google mT5-base（凍結）
# - 出力次元: 768
# - 最大シーケンス長: 256トークン
# - 多言語対応（100言語以上）
# - 学習中は凍結状態を維持

# プロンプト例:
prompt = "upbeat K-pop dance track with synth bass, 128 BPM, female vocal, major key"

[歌詞エンコーダの処理パイプライン]

生の歌詞入力（韓国語、英語、日本語など）
  |
  v
非ローマ字 → 書記素-音素変換 → 音素表現
  |
  v
XTTS VoiceBPEトークナイザ（多言語対応）
  |
  v
SongGenアーキテクチャベースの歌詞エンコーダ（学習可能）
  |
  v
最大4,096トークンの歌詞埋め込み

# 話者エンコーダの設定
# - 入力: 伴奏を除去した10秒のボーカルセグメント（demucsで分離）
# - アーキテクチャ: PLR-OSNet（元は顔認識用、声質認識に適用）
# - 出力次元: 512
# - 学習時ドロップアウト: 50%（声質への過度な依存を防止）
# - 楽曲全体: 複数セグメントの埋め込みを平均化

# 声質クローニングのシナリオ:
# 1. 10秒のリファレンスボーカルセグメントを入力
# 2. demucsで伴奏を分離
# 3. 話者エンコーダで512次元の埋め込みを抽出
# 4. 生成時にDiTの条件として埋め込みを注入

[DiTブロック構造 (x24)]

入力: ノイズ付き潜在表現 z_t + 時間埋め込み t
  |
  v
+---------------------------------+
|  AdaLN-single                   |
|  (簡略化された適応的            |
|   レイヤー正規化)               |
|  - 全ブロックでパラメータ共有   |
|  - 時間ステップtで条件付け      |
+------------+--------------------+
             |
             v
+---------------------------------+
|  Linear Self-Attention          |
|  - O(n)の計算量（O(n^2)比較）  |
|  - RoPE位置エンコーディング     |
|  - 最大2,584メル潜在トークン    |
+------------+--------------------+
             |
             v
+---------------------------------+
|  Cross-Attention                |
|  - テキストエンコーダ出力(768次元)|
|  - 歌詞エンコーダ出力           |
|  - 話者エンコーダ出力(512次元)  |
|  - 結合してアテンション         |
+------------+--------------------+
             |
             v
+---------------------------------+
|  1D畳み込みFeedForward          |
|  - 2D Convを1Dに適応            |
|  - 時間的音声シーケンスに最適化 |
+------------+--------------------+
             |
             v
出力: 脱ノイズ予測
（REPAセマンティックアライメントはレイヤー8で抽出）

[Flow Matching学習プロセス]

時間 t ~ U[0, 1]
  |
  v
ノイズ z ~ N(0, I)         データ x_0 (DCAE潜在表現)
  |                            |
  +-------- 線形補間 --------+
            z_t = (1-t)*z + t*x_0
                  |
                  v
        +------------------+
        |   DiT(z_t, t, c) |  <- 条件付け c (テキスト、歌詞、話者)
        |                  |
        |  予測対象:        |
        |  v = x_0 - z     |
        |  (負の定数       |
        |   速度場)        |
        +--------+---------+
                 |
                 v
        L_FM = MSE(v_predicted, v_target)

推論:
  z_0 ~ N(0, I) -> ODE求解 -> z_1 ≈ x_0 -> DCAE Decoder -> 波形

L_Total = L_FM + lambda_SSL * L_SSL

ここで:
- L_FM: Flow Matchingロス（MSE）
- L_SSL: REPAセマンティックアライメントロス
- lambda_SSL = 1.0（学習の大部分で）
         -> mHuBERTコンポーネントは0.01に減少（最後の100Kステップ）

[REPA学習構造]

                    +-----------------------+
                    |   DiT レイヤー8出力    |
                    |   (中間表現)           |
                    +-----------+-----------+
                                |
              +-----------------+------------------+
              |                 |                   |
              v                 |                   v
+------------------+            |     +------------------+
|   MERT (凍結)    |            |     | mHuBERT (凍結)   |
|                  |            |     |                  |
| - 音楽表現       |            |     | - 多言語         |
|   学習           |            |     |   音声表現       |
| - 1024xT_M次元   |            |     | - 768xT_H次元    |
| - 75Hzフレーム   |            |     | - 50Hzフレーム   |
| - スタイル/      |            |     | - 歌詞/          |
|   メロディ精度向上|            |     |   発音           |
+--------+---------+            |     |   アライメント向上|
         |                      |     +--------+---------+
         v                      v              v
    +----------------------------------------------+
    |  L_SSL = avg(1 - cosine_sim(DiT_repr, SSL))  |
    |                                              |
    |  = 0.5 * L_MERT + 0.5 * L_mHuBERT           |
    +----------------------------------------------+

[データアノテーションパイプライン]

生の音声ファイル
  |
  +-> Qwen-ominiモデル -> スタイル/ジャンルキャプション生成
  |
  +-> Whisper 3.0 -> 歌詞書き起こし
  |      +-> LSHベースのIPA→データベースマッピングによる歌詞精緻化
  |
  +-> "All-in-one"音楽理解モデル -> 楽曲構造（イントロ、ヴァース、コーラスなど）
  |
  +-> BeatThis -> BPM抽出
  |
  +-> Essentia -> キー/スケール、スタイルタグ抽出
  |
  +-> Demucs -> ボーカル/伴奏分離（話者エンコーダ学習用）

# 学習環境
ハードウェア:        15ノード x 8 NVIDIA A100（計120 GPU）
グローバルバッチサイズ: 120（GPU当たり1）
学習期間:           ~264時間（約11日間）

# オプティマイザ
オプティマイザ:      AdamW
Weight Decay:        1e-2
Betas:               (0.8, 0.9)
学習率:              1e-4
LRスケジュール:      線形ウォームアップ（4,000ステップ）
勾配クリッピング:    最大ノルム 0.5

# REPA重み
lambda_SSL:          1.0（学習全体）
mHuBERT lambda:      0.01（最後の100Kステップで減少）

[ACE-Step v1.5 アーキテクチャ]

ユーザー入力（テキストプロンプト + 歌詞）
  |
  v
+----------------------------------------------------------+
|  Composer Agent（言語モデル、Qwenベース ~1.7B）           |
|                                                          |
|  Chain-of-Thought推論:                                    |
|  1. メタデータ生成（BPM、キー、長さ、構造）              |
|  2. 歌詞の精緻化と構造化                                 |
|  3. キャプション/スタイル指示の生成                       |
|  4. YAML形式の楽曲ブループリント出力                     |
|                                                          |
|  +----------------------------------------+               |
|  | bpm: 128                              |               |
|  | key: "C major"                        |               |
|  | duration: 210                         |               |
|  | structure:                            |               |
|  |   - intro: 0-15s                      |               |
|  |   - verse1: 15-45s                    |               |
|  |   - chorus1: 45-75s                   |               |
|  |   - verse2: 75-105s ...               |               |
|  | style: "energetic K-pop with synth"   |               |
|  +----------------------------------------+               |
+---------------------+------------------------------------+
                      | Song Blueprint
                      v
+----------------------------------------------------------+
|  1D VAE（自己学習トークナイザ）                           |
|  - 48kHzステレオ音声処理                                 |
|  - 64次元の潜在空間 @ 25Hz                               |
|  - 1920倍の圧縮比                                        |
|  - FSQ: 25Hz → 5Hz離散コード（~64Kコードブック）         |
|  - "Source Latent"生成（LM-DiTブリッジング）             |
+---------------------+------------------------------------+
                      |
                      v
+----------------------------------------------------------+
|  Diffusion Transformer（DiT、~2Bパラメータ）             |
|  - Source Latent + Blueprint条件での音響レンダリング      |
|  - DMD2蒸留: 50ステップ → 4-8ステップ                    |
|  - 200倍の高速化（240秒の楽曲を~1秒で生成、A100）       |
+----------------------------------------------------------+

[v1 vs v1.5 音声処理の比較]

ACE-Step v1:
  音声 -> メルスペクトログラム -> DCAE Encoder -> 潜在表現 (10.77Hz)
  潜在表現 -> DCAE Decoder -> メル -> Fish Audio Vocoder -> 32kHzモノラル

ACE-Step v1.5:
  音声 (48kHzステレオ) -> 1D VAE Encoder -> 潜在表現 (25Hz, 64次元)
  潜在表現 -> FSQ -> 5Hz離散コード ("Source Latent")
  DiT -> 潜在表現 -> 1D VAE Decoder -> 48kHzステレオ

改善点:
- 32kHzモノラル -> 48kHzステレオ（音声品質の向上）
- メルスペクトログラムの中間段階を排除（情報損失の削減）
- 1920倍の圧縮比でほぼ無損失の品質を維持

[DMD2蒸留プロセス]

教師モデル（50ステップDiT）
  |
  v 知識蒸留
生徒モデル（4-8ステップDiT）
  |
  +-- Dynamic-shift戦略: {1, 2, 3}ステップサンプリング
  |   -> 過学習防止のために多様なデノイジング状態に触れさせる
  |
  +-- Distribution Matchingロス
  |   -> 教師分布と生徒分布のアライメント
  |
  +-- 結果: 200倍の高速化
      - 50ステップ → 4-8ステップ
      - 240秒の楽曲をA100で~1秒で生成
      - RTF（Real-Time Factor）の劇的な改善

[強化学習ベースのアライメント構造]

DiTアライメント:
  +-- DiffusionNTFフレームワーク
  +-- Attention Alignment Score (AAS)
  |   -> クロスアテンションマップの合意度の測定
  +-- 音響品質とテキスト条件への適合性の向上

LMアライメント:
  +-- Pointwise Mutual Information (PMI)
  |   -> セマンティック適合性の測定
  +-- Song Blueprintの精度向上

最終報酬の重み:
  - 雰囲気: 50%
  - 歌詞: 30%
  - メタデータ: 20%

[v1.5 データアノテーション]

1. "Golden Set"の構築（5Mサンプル）
   +-- Gemini 2.5 Proによる初期アノテーション

2. ファインチューニング
   +-- Golden SetでQwen2.5-Omniをファインチューニング
   +-- GRPO最適化 -> ACE-Captioner、ACE-Transcriberの生成

3. 報酬モデルの学習
   +-- 4M対比ペアで学習

4. 段階的カリキュラム（3段階）
   +-- フェーズ1: 基盤事前学習（20Mサンプル）
   +-- フェーズ2: オムニタスクファインチューニング（17M、ステム分離トラック含む）
   +-- フェーズ3: 高品質SFT（2M厳選サンプル）

[AI音楽生成モデルの分類]

+-------------------------------------------------------------+
|                    オープンソースモデル                       |
+--------------+--------------+--------------+-----------------+
|  ACE-Step    |  MusicGen    |  Stable Audio|  Riffusion      |
|  (v1, v1.5)  |  (Meta)      |  Open        |                 |
|              |              |  (Stability) |                 |
|  Diffusion   |  自己回帰    |  潜在        |  画像Diffusion  |
|  + DCAE/VAE  |  + EnCodec   |  Diffusion   |  -> スペクトログラム |
|  3.5Bパラメータ|  1.5B/3.3B  |  1.1B        |  ~1B            |
+--------------+--------------+--------------+-----------------+
|                    商用モデル                                 |
+--------------+--------------+--------------+-----------------+
|  Suno        |  Udio        |  ElevenLabs  |  Google MusicLM |
|  (v3->v5)    |  (v1->v2)    |  Eleven Music|                 |
|              |              |              |                 |
|  フル楽曲    |  セグメント  |  ライセンス  |  実験的/        |
|  生成        |  単位作曲    |  商用利用OK  |  インストゥルメンタル |
|  パイプライン |              |              |  中心           |
+--------------+--------------+--------------+-----------------+

[MusicGenアーキテクチャ]

テキストプロンプト -> T5 Encoder -> 条件付け
                                    |
                                    v
                    +--------------------------+
                    |  自己回帰デコーダ         |
                    |  (Transformer LM)         |
                    |                          |
                    |  EnCodec 4コードブック    |
                    |  32kHz, 50Hzサンプリング  |
                    |                          |
                    |  ディレイパターンによる    |
                    |  複数コードブック同時生成  |
                    +----------+---------------+
                               |
                               v
                    +--------------------------+
                    |  EnCodec Decoder          |
                    |  トークン -> 波形          |
                    +--------------------------+

[音声表現方法の比較]

1. スペクトログラムベース
   +--------------------------------------------+
   | 波形 -> STFT -> メルスペクトログラム -> 画像 |
   |                                            |
   | 長所: 可視化が容易、画像モデルを活用可能    |
   | 短所: 位相情報の損失、ボコーダが必要        |
   | 採用: Riffusion、ACE-Step v1 (DCAE入力)     |
   +--------------------------------------------+

2. ニューラル音声コーデック（離散トークン）
   +--------------------------------------------+
   | 波形 -> エンコーダ -> RVQ -> 離散トークン    |
   | トークン -> デコーダ -> 波形                 |
   |                                            |
   | 長所: エンドツーエンド、高圧縮比             |
   | 短所: 長距離依存性が弱い                     |
   |       （音響トークン）                       |
   | 採用: MusicGen (EnCodec)、MusicLM           |
   |       (SoundStream)                         |
   +--------------------------------------------+

3. 連続潜在表現（VAE）
   +--------------------------------------------+
   | 波形 -> VAE Encoder -> 連続潜在表現          |
   | 潜在表現 -> VAE Decoder -> 波形              |
   |                                            |
   | 長所: Diffusionとの自然な統合                |
   | 短所: 圧縮比と品質のトレードオフ             |
   | 採用: ACE-Step v1.5 (1D VAE)、              |
   |       Stable Audio                          |
   +--------------------------------------------+

[EnCodec / SoundStreamアーキテクチャ]

入力: 生波形（24kHz/48kHz）
  |
  v
+---------------------------------+
|  Encoder（1D Conv + LSTM）      |
|  -> 連続的な埋め込み            |
+------------+--------------------+
             |
             v
+---------------------------------+
|  Residual Vector Quantization   |
|  (RVQ)                          |
|                                 |
|  コードブック1 -> 最も重要な     |
|                   情報          |
|  コードブック2 -> 残差          |
|  コードブック3 -> さらに細かい残差|
|  ...                            |
|  コードブックN -> 最終残差      |
|                                 |
|  各コードブック: 1024エントリ   |
|  サンプリングレート: 50Hz/75Hz  |
+------------+--------------------+
             |
             v
+---------------------------------+
|  Decoder（1D TransposeConv）    |
|  -> 復元波形                    |
+---------------------------------+

学習: 復元ロス + 敵対的ロス
      （マルチスケール判別器）

[音声Diffusion学習]

順方向プロセス（ノイズ付加）:
  x_0（元の音声潜在表現）
  -> x_1 -> x_2 -> ... -> x_T（純粋なガウスノイズ）

  x_t = sqrt(alpha_bar_t) * x_0 + sqrt(1-alpha_bar_t) * epsilon,  epsilon ~ N(0,I)

逆方向プロセス（脱ノイズ、学習対象）:
  x_T（ノイズ）-> x_{T-1} -> ... -> x_0（生成された音声潜在表現）

  p_theta(x_{t-1}|x_t) = N(x_{t-1}; mu_theta(x_t, t), sigma^2 I)

ロス: L = E_{t,x_0,epsilon} [||epsilon - epsilon_theta(x_t, t, c)||^2]
     （c = 条件付け: テキスト、メロディなど）

[CFGの適用]

epsilon_guided = epsilon_uncond + w * (epsilon_cond - epsilon_uncond)

ここで:
- epsilon_cond: 条件あり（テキスト、歌詞、話者）での予測
- epsilon_uncond: 条件なしでの予測（ドロップアウトで学習）
- w: ガイダンススケール（高い = 条件への適合性↑、多様性↓）

ACE-Stepの15%テキスト/歌詞ドロップアウト、50%話者ドロップアウトは
このCFGのための無条件学習を可能にする。

# 1. uvパッケージマネージャのインストール
curl -LsSf https://astral.sh/uv/install.sh | sh

# 2. リポジトリのクローンと依存関係のインストール
git clone https://github.com/ACE-Step/ACE-Step-1.5.git
cd ACE-Step-1.5
uv sync

# 3. Gradio UIの起動（Webインターフェース）
uv run acestep
# -> http://localhost:7860 でアクセス

# 4. またはREST APIサーバーの起動
uv run acestep-api
# -> http://localhost:8001 でAPI利用

# 5. 環境設定（任意）
cp .env.example .env
# .envファイルでモデルパス、ポート、GPU設定などをカスタマイズ

# API経由の音楽生成例（概念コード）
import requests

# 基本的なtext-to-music生成
response = requests.post("http://localhost:8001/generate", json={
    "prompt": "Bright and cheerful K-pop dance track, synth bass and electronic beats, "
              "128 BPM, female vocal, C major",
    "lyrics": """
[Verse 1]
Shining like stars tonight
Let's dance together
In this moment where music flows
We won't stop

[Chorus]
La la la shining night
La la la time together
May this moment last forever
""",
    "duration": 180,          # 3分
    "num_inference_steps": 8,  # DMD2蒸留済み
    "guidance_scale": 7.0,
    "seed": 42
})

# 出力音声の保存
with open("output.wav", "wb") as f:
    f.write(response.content)

[効果的なプロンプト構造]

1. ジャンル/スタイル    : "indie folk ballad", "aggressive metal", "lo-fi hip-hop"
2. 楽器編成            : "acoustic guitar, soft piano, light percussion"
3. ムード/感情         : "melancholic", "uplifting", "dreamy"
4. テンポ (BPM)        : "slow tempo 70 BPM", "fast 140 BPM"
5. キー                : "minor key", "E flat major"
6. ボーカルの特徴      : "female vocal, breathy", "male baritone, powerful"
7. プロダクションスタイル : "lo-fi with vinyl crackle", "clean studio production"

[良いプロンプトの例]
"Dreamy shoegaze rock with layers of reverbed electric guitars,
 ethereal female vocal, 90 BPM, D minor, lo-fi production
 with tape saturation and subtle noise"

[歌詞のフォーマット]
- [Verse]、[Chorus]、[Bridge]、[Intro]、[Outro]タグを使用
- 各セクションを明確に分離
- 1フレーズにつき1行

[LoRA学習プロセス]

1. データ準備
   +-- 最低3-5曲のリファレンス楽曲
   +-- 各楽曲のテキストプロンプト（キャプション）
   +-- （任意）歌詞ファイル

2. Gradio UIのLoRA学習タブにアクセス
   +-- 音声ファイルをアップロード
   +-- キャプションを入力
   +-- 学習パラメータを設定
   |   +-- 学習率: ~1e-4
   |   +-- エポック数: 50-200
   |   +-- LoRAランク: 8-64
   +-- 学習を開始

3. 学習済みLoRAの適用
   +-- 生成時にLoRA重みをロード
   +-- LoRAスケールの調整（0.0~1.0）
   +-- 既存のプロンプトと組み合わせてスタイルを適用

[ComfyUI ACE-Stepワークフロー例]

+----------+     +--------------+     +--------------+
|  テキスト |---->|  ACE-Step    |---->|  音声        |
|  プロンプト|     |  Generator   |     |  プレビュー  |
+----------+     |              |     +--------------+
                 |              |
+----------+     |              |     +--------------+
|  歌詞    |---->|              |---->|  WAV保存     |
|  入力    |     |              |     |  ノード      |
+----------+     +--------------+     +--------------+

[AI音楽の著作権認定スペクトラム]

完全にAI生成                                 完全に人間が創作
     <---------------------------------------->

     |                  |                  |
  著作権なし           判断が必要          著作権認定
                        |
                   人間が積極的に:
                   - メロディの修正
                   - 歌詞の執筆
                   - 構造の編曲
                   - AI出力の選択/編集
                   -> 「意味ある人間の著作行為」
                   -> 著作権が認められる可能性あり

[AI音楽生成の責任ある使用原則]

1. 透明性: 音楽がAI生成/アシストであることを明確に表示
2. 同意: 声質クローニングには元のアーティストの同意を取得
3. 帰属表示: AIツールの貢献と人間の貢献を明確に区別
4. 商用利用: 関連規制とライセンス条件を遵守
5. 教育: AIツールを音楽教育/学習の補助ツールとして活用
6. フェアユース: スタイルの模倣と既存音楽のコピーを区別

[AI音楽生成技術の発展ロードマップ]

2026年 現在                 2027年 予想               2028年以降 長期
    |                          |                          |
    v                          v                          v
+--------------+        +--------------+        +------------------+
| 現状         |        | 短期的       |        | 長期ビジョン     |
|              |        | 開発方向     |        |                  |
| - 4分の楽曲  |   ->   | - アルバム   |   ->   | - リアルタイム   |
|   生成       |        |   レベルの   |        |   インタラクティブ|
| - テキスト条件|        |   一貫した   |        |   音楽生成       |
| - LoRA       |        |   生成       |        | - 感情認識型     |
|   パーソナライズ|      | - マルチトラック|      |   適応音楽       |
| - 声質クローン|        |   同時生成   |        | - 映像-音楽      |
| - 50言語以上 |        | - リアルタイム|        |   同期           |
|              |        |   ストリーミング|      | - 完全自動       |
|              |        |   生成       |        |   プロダクション |
+--------------+        +--------------+        +------------------+

[ACE-Step Foundation Modelエコシステムのビジョン]

                    +-------------------------+
                    |  ACE-Step Foundation     |
                    |  Model (Base)            |
                    +----------+--------------+
                               |
          +--------------------+--------------------+
          |                    |                     |
          v                    v                     v
  +--------------+   +--------------+   +------------------+
  |  テキストから |   |  音声        |   |  音楽            |
  |  音楽生成     |   |  編集        |   |  理解            |
  |              |   |  & リミックス |   |  & 分析          |
  +--------------+   +--------------+   +------------------+
          |                    |                     |
          v                    v                     v
  +--------------+   +--------------+   +------------------+
  |  LoRA        |   |  声質        |   |  ステム          |
  |  スタイル     |   |  クローニング |   |  分離            |
  |  トランスファー|   |  & TTS       |   |  & 書き起こし    |
  +--------------+   +--------------+   +------------------+