闭源商业产品：商业化驱动的“孤岛式”创新
以Yue（网易伏羲）、SongGen（OpenAI）为代表的闭源模型，凭借强大的歌词对齐能力和商业化资源迅速占领市场，但其局限性也十分明显：
封闭生态：模型权重不公开，开发者无法二次开发或定制化；
性能瓶颈：依赖单一模态输入（如纯文本），难以支持音频编辑或多语言场景；
成本高昂：推理速度慢（生成4分钟音乐需5分钟），中小团队难以负担算力成本。
另一类是以DiffRhythm（Meta）为代表的开源扩散模型，虽通过概率采样实现了快速生成，但仍存在结构性缺陷：
长尾问题：生成结果易出现节奏断裂或旋律重复；
可控性差：难以精准调整风格或歌词细节；
计算冗余：扩散过程的迭代特性导致生成效率低下。
在此背景下，ACE-Step（由中国团队阶跃星辰与ACE Studio联合开发）以开源开放为核心理念，通过架构创新与工程优化打破行业壁垒：
开源生态的崛起：ACE-Step的差异化之路
在此背景下，ACE-Step（由中国团队阶跃星辰与ACE Studio联合开发）以开源开放为核心理念，通过架构创新与工程优化打破行业壁垒：
技术突破：三模块协同架构
扩散模型加速引擎
融合Sana的Deep Compression AutoEncoder（DCAE），将音频压缩率提升300%，生成速度达20秒/4分钟音乐（A100 GPU），较闭源模型快15倍。语义-结构双对齐机制
通过MERT+m-hubert联合训练，实现歌词语义（REPA）与音乐结构的精准对齐，旋律-和声一致性准确率提升至92%（行业平均85%）。轻量化控制架构
基于线性Transformer的解码器支持歌词编辑、声纹克隆、风格迁移等细粒度控制
生态优势：开源社区的爆发力
相较于商业化产品的封闭性，ACE-Step通过以下方式重构音乐AI开发范式：
- 全链路开源
：模型权重、训练代码及ComfyUI工作流全面开放； - 低成本扩展
：支持LoRA微调（仅需100MB显存即可训练个性化模型）； - 多模态融合
：原生支持文本、音频、歌词标签（如 [verse]、[chorus]）的混合输入。
如此优秀的一个音乐生成模型，不仅能文生音乐，还能进行高级的控制生成，如语音克隆、歌词编辑、混音和音轨生成。目前comfyUI官方已原生支持这个模型。
comfyUI中的实现与体验
comfyUI官方实现的模型下载：
https://huggingface.co/Comfy-Org/ACE-Step_ComfyUI_repackaged/tree/main/all_in_one
下载这个模型后，放置在comfyUI/models/checkpoint中。
ACE-step 文生音频工作流搭建很简单，如下图示：
确保 Load Checkpoints 节点加载了 ace_step_v1_3.5b.safetensors 模型
在 TextEncodeAceStepAudio 的 tags 输入对应的音乐风格等等
在 TextEncodeAceStepAudio 的 lyrics 中输入对应的歌词，如果你不知道该输入哪些歌词
点击 Run 按钮，或者使用快捷键 Ctrl(cmd) + Enter(回车) 来执行音频的生成。
等待内容生成返回结果后，你可在 Save Audio 节点中查看生成的音频，你可以点击播放试听，对应的音频也会被保存至 ComfyUI/output/audio （由Save Audio节点决定子目录名称）。
这里，我尝试了文生音频：
其它语言我不试了，我只搞中文！用哥哥的《追》来玩玩：
这一生也在进取 这分钟却挂念谁 我会说是唯独你不可失去 好风光似幻似虚 谁明人生乐趣 我会说为情为爱仍然是对 谁比你重要 成功了败了也完全无重要 谁比你重要 狂风与暴雨都因你燃烧 一追再追 只想追赶生命里一分一秒 原来多么可笑 你是真正目标 一追再追 追踪一些生活最基本需要 原来早不缺少
要先转拼音啦，用大语言模型来转：
在工作流中，上面是风格，下面是歌词。我也详细写了一些填写要点：
听一下：
这一生也在进取 这分钟却挂念谁 我会说是唯独你不可失去 好风光似幻似虚 谁明人生乐趣 我会说为情为爱仍然是对 谁比你重要 成功了败了也完全无重要 谁比你重要 狂风与暴雨都因你燃烧 一追再追 只想追赶生命里一分一秒 原来多么可笑 你是真正目标 一追再追 追踪一些生活最基本需要 原来早不缺少
本地算力不够怎么办？
如果本地设备算力不好的小伙伴，推荐使用线上comfyUI来运行体验：runninghub.cn
