私的AI研究会 > ComfyUI9e
「ComfyUI」を使ってローカル環境でのAI音楽生成を検証する
| 「ACE-Step 1.5」を使って音楽を作成してみる |
| 機能 | 詳細 |
| 生成速度 | A100: 0.5〜2秒 / RTX 3090: 10秒以内 |
| 生成時間 | 10秒〜10分（600秒）対応 |
| バッチ生成 | 最大8曲同時生成 |
| 対応言語 | 歌詞50言語以上 |
| スタイル | 1000+の楽器・スタイルに対応 |
| VRAM | 4GB未満で動作 |
| 商用利用 | 可（ライセンス準拠データで学習） |
| クリエイティブモード | ① テキストから音楽生成（Text to Music） ② 既存曲のスタイル変換（Cover） ③ 楽曲の特定セクションの再生成（Repaint） ④ 楽器レイヤーの重ね録り（Lego） ⑤ 音源の楽器分離（Extract） ⑥ ボーカルへのバッキング追加（Complete） |
| 特徴 | ACE-Step 1.5 | ACE-Step 1.5 XL |
| 発表時期 | 2026年2月3日 | 2026年4月3日 |
| 概要 | 初期リリース版。PC上でローカル動作し、4GB未満のVRAMでも高速に音楽生成ができる点が大きな話題となる | 音楽生成の品質を司るDiT（Diffusion Transformer）部分を4Bパラメーターにパワーアップさせた強化版。無印版と互換性があり、よりクリーンなボーカルや楽器の分離を実現している |
| DiTパラメータ数 | 2B | 4B |
| 必要なVRAM | 4GB未満〜 | 12GB〜24GB |
| メリット | 多くの環境で手軽に実行可能 | より高音質で複雑な楽曲表現が可能 |
| このプロジェクトで作成するワークフローと関連データは下記にアップロードしている（更新されている場合は再度ダウンロードのこと） |
📂ComfyUI
├─📂input ← ワークフローに含まれる入力画像
└─📂user
└─📂default
└─📂workflows ← ワークフローの保存場所
├─📂_audio
:
・解凍してできる「ComfyUI/」フォルダを「StabilityMatrix/Data/Packages/ComfyUI」へ上書きコピーする| ワークフロー | 機 能 | モデル | CPU | CPU | |||||
| RTX 4070 | RTX 4060 | RTX 4060L | RTX 3050 | GTX 1050 | i7-1260P | i7-1185G7 | |||
| 6101_ace_step_1_5_checkpoint | 音楽生成ワークフロー (AIO) | AIO | 01:16.75 | 03:13.45 | 08:08.99 | ||||
| 6102_ace_step_1_5_split | 音楽生成ワークフロー | 1.7B | 01:14:48 | 03:43.06 | 06:30.50 | ||||
| 6103_ace_step_1_5_split_4b | 音楽生成ワークフロー(4BのLLM) | 4B | 01:27.38 | 05:36.77 | 37:19.58 | ||||
| 6104_ace_step1_5_xl_turbo | 音楽生成ワークフロー(XL Turbo) | XL/4B | 03:54.29 | 14:50.27 | × | ||||
| モデル名 | ファイル名（.safetensors） | 配置先（/StabilityMatrix/Data/） | ダウンロード URL | 共通で使用 | |
| checkpoint | ace_step_1.5_turbo_aio | Models/ | StableDiffusion/ | ace_step_1.5_turbo_aio.safetensors | |
| diffusion_models | acestep_v1.5_turbo | DiffusionModels/ | acestep_v1.5_turbo.safetensors | ||
| acestep_v1.5_xl_turbo_bf16 | acestep_v1.5_xl_turbo_bf16.safetensors | ||||
| acestep-v15-xl-fp8 ※ | acestep-v15-xl-fp8.safetensors | ||||
| text_encoders | qwen_0.6b_ace15 | TextEncoders | qwen_0.6b_ace15.safetensors | ||
| qwen_1.7b_ace15 | qwen_1.7b_ace15.safetensors | ||||
| qwen_4b_ace15 | qwen_4b_ace15.safetensors | ||||
| vae | ace_1.5_vae | VAE/ | ace_1.5_vae.safetensors | ||
| フォルダ | ワークフロー名 (.json) | モデル | 機能 (参照ページ) | 特記事項（同じ機能のワークフロー .json） |
| ACE-Step | 6101_ace_step_1_5_checkpoint | All In One | 音楽生成ワークフロー (AIO) | (audio_ace_step_1_5_checkpoint) |
| 6102_ace_step_1_5_split | 1.7B | 音楽生成ワークフロー | (audio_ace_step_1_5_split.json) | |
| 6103_ace_step_1_5_split_4b | 4B | 音楽生成ワークフロー(4BのLLM) | (audio_ace_step_1_5_split_4b.json) | |
| 6104_ace_step1_5_xl_turbo | XL Turbo / 4B | 音楽生成ワークフロー(XL Turbo) | (audio_ace_step1_5_xl_turbo.json) |
| 種類 | テンプレートの説明（AI による日本語訳） |
| ③ | ACE-Step 1.5 Music Generation AIOは、スタイルタグや歌詞を完全な曲に変換するテキストから音声へのComfyUIワークフローです。「モダンポップ、女性ボーカル、豊かなシンセ」といった短い説明と歌詞を伝えれば、グラフが残りをサンプリング、デコード、MP3のエクスポートを処理し、消費者向けハードウェアで数秒でアイデアをオーディションできます。明確なグループに整理されています。ステップ1:ロードモデル、ステップ2:持続時間、ステップ3:プロンプトなどで、チェックポイントの設定場所、トラックの長さ、モデルの歌声や音が常にわかります。 内部では、CheckpointLoaderSimpleがACE-Step 1.5のチェックポイント(ace_step_1.5_turbo_aio.safetensors)をロードします。TextEncodeAceStepAudio1.5は、あなたのスタイルタグや歌詞をACE固有の条件付けベクターに変換します。ConditioningZeroOutは、未使用の条件付けチャネルをクリーンに無効化するために使われます(例えば、二次プロンプトやネガティブプロンプトを提供していない場合など)、意図しないバイアスを防ぎます。EmptyAceStep1.5LatentAudioは、あなたが求める正確な期間だけ空の潜在音声キャンバスを作成します。ModelSamplingAuraFlowはACE-Step 1.5に適したサンプラー/スケジューラーの組み合わせを設定し、KSamplerはプロンプトに基づいて潜在要素を反復的に調整して一貫したトラックに仕上げます。VAEDecodeAudioは最終的な潜在音を波形音声に変換し、SaveAudioMP3はその結果をComfyUIの出力フォルダに書き込みます。PrimitiveNodeウィジェットは、ステップ、CFG、シード、秒などの実用的なノブを公開し、速度、品質、再現性を調整できます。 このセットアップは、速いソングライティングデモ、ジャンルの探求、コンテンツの整理に適しています。シードを通じて、持続時間を正確にコントロールでき、繰り返し可能なワークフローが実現します。グラフには合理的なデフォルトが付属しているので、ショートトラックを素早く生成し、ステップを上げたりスタイルタグや歌詞のフレージングを洗練させて品質を上げることができます。 |
| ④ | ACE-Step 1.5 Music Generation Workflowは、消費者向けハードウェアを用いてテキストプロンプトを数秒で高品質な音声曲に変換するよう設計されています。このワークフローはACE-Stepモデル、特に「acestep_v1.5_turbo.safetensors」を活用し、ユーザーが提供した音楽スタイルやオプションの歌詞の説明に基づいて音楽を解釈・合成します。TextEncodeAceStepAudio1.5やVAEDecodeAudioのような主要ノードは、それぞれテキスト入力のエンコードや生成された音声のデコードにおいて重要な役割を果たします。KSamplerノードは潜在空間のサンプリングに使用され、ModelSamplingAuraFlowノードは音声出力を洗練させ、高品質基準を満たすようにします。 このワークフローは効率性と音質の高さから特に有用です。ConditioningZeroOutやEmptyAceStep1.5LatentAudioのようなノードを使用することで、音声生成プロセスが効率化され、ユーザーの入力に集中していることが保証されています。SaveAudioMP3ノードの搭載により、最終製品を広く互換性のある形式で簡単にエクスポートできます。これにより、ワークフローは技術的に堅牢であるだけでなく、さまざまなアプリケーション向けに素早く音楽を生成するユーザーにとって非常に実用的です。 |
| ⑤ | このComfyUIワークフローは、ACE-Step 1.5の音楽生成モデルとその小型バリエーションを比較することに焦点を当てています。主な目的は、4Bモデル版の強化された音声理解と作曲能力を評価することです。テキストプロンプトを使って音楽を生成することで、ユーザーはモデル間の音質、複雑さ、音質の違いを探ることができます。このワークフローでは、KSampler、VAEDecodeAudio、TextEncodeAceStepAudio1.5などの様々なノードが用いられ、この比較を容易にしています。主な違いは、より複雑な作曲を扱う能力と、より豊かな音響テクスチャーを生み出す能力であり、特に長く複雑な音楽作品を生成する際に顕著です。 |
| ⑥ | このワークフローは、ACE-Step 1.5 XL Turboモデルを使って、平文のテキストプロンプトを完成した音楽に変換します。あなたのプロンプトはTextEncodeAceStepAudio1.5(DualCLIPLoaderのバックアップ)によって音声認識条件付けにエンコードされています。EmptyAceStep1.5LatentAudioは、選択した長さで空白の潜在音声キャンバスを作成し、UNETLoaderは蒸留された4B ACE-Stepチェックポイント(acestep_v1.5_xl_turbo_bf16.safetensors)を読み込みます。ModelSamplingAuraFlowはACE-Stepに合わせてサンプラーのスケジュールを設定し、KSamplerはわずか8つの拡散ステップで潜在音声を合成します。その後、VAELoader + VAEDecodeAudioで音声を再構成し、SaveAudioMP3で保存します。 このワークフローが実用的であるのは「ターボ」構成です。分類器フリーのガイダンス(CFG)は使用されず、ConditioningZeroOutが意図的に空にしたネガティブコンディショニングを供給することで可能になります。これにより、プロンプトはシンプルに保たれ(望むものだけに焦点を当て)、ModelSamplingAuraFlowやKSamplerは迅速かつ安定した結果を提供します。グラフは明確さのためにモデルグループとプロンプトグループに整理されており、シード、ステップ、持続時間の素早い編集にはPrimitiveInt/PrimitiveNodeを使用しています。その結果、バリエーションを繰り返し実行したり、再利用可能な部分グラフとして統合したりできる、タイトで教えやすいテキストから音楽へのパイプラインが完成します。 |
| 項目 | ③ ACE-Step 1.5 音楽生成AIO | ④ ACE-Step 1.5 音楽生成ワークフロー | ⑤ ACE-Step 1.5 音楽生成(4BのLLM) |
| ワークフロー | スタイルのタグや歌詞を入力して、完全な曲を生成します。このワークフローはACE-Step 1.5モデルを用いて、コンシューマ・ハードウェアで10秒未満で商用グレードの音楽を制作します。 | 音楽スタイルと任意の歌詞を説明するテキストプロンプトを入力してください。コンシューマ・ハードウェアで10秒以内に高品質な完全音声を生成できます。 | テキストプロンプトを入力して音楽を生成します。この4Bモデルは、小型のバリエーションと比べてより強力な音声理解と作曲能力を備えています。 |
 |  |  | |
| 「ACE-Step」audio_ace_step_1_5_checkpoint.json | 「ACE-Step」audio_ace_step_1_5_split.json | 「ACE-Step」audio_ace_step_1_5_split_4b.json | |
| 生成ファイル | ComfyUI/audio/audio_11_連番.mp3 | ComfyUI/audio/audio_12_連番.mp3 | ComfyUI/audio/audio_13_連番.mp3 |
| Caption (Prompt) | Neo-Soul: A warm, organic neo-soul track dripping with live instrumentation and effortless groove. A live drummer plays a loose, hip-hop influenced pocket—soft kick drum with lazy swing, snare hits that sit just behind the beat, and brushed hi-hats that breathe and shuffle with human imperfection. | K-Pop: A slick, maximalist K-pop track that genre-hops with precision and style. The production shifts seamlessly between sections—a hard-hitting trap-influenced verse with rapid-fire rapping, a softer R&B pre-chorus with breathy vocals and lush harmonies, then an explosive, synth-driven pop chorus with an ear worm hook. |
Rock: A powerful, high-energy modern rock track with a raw and rebellious edge. Driven by distorted electric guitars, punchy live drums, and a strong bassline. The song builds dynamically from tension to explosion, balancing aggression and emotion. |
| Neo-Soul：生楽器の響きと、肩の力の抜けたグルーヴが溢れる、温かくオーガニックなネオ・ソウルのトラック。生ドラムが、ヒップホップの影響を感じさせるルーズな「ポケット（心地よいノリ）」を刻みます。ソフトなキックはゆったりとしたスウィング感を持ち、スネアはビートのわずか後ろで鳴り、ブラシを使ったハイハットは、人間味あふれる不完全さを伴いながら、呼吸するようにシャッフルしています。 | K-Pop：精緻かつスタイリッシュにジャンルを横断する、洗練されたマキシマリストなK-POPトラック。楽曲の展開は極めてスムーズで、トラップの影響を受けた力強いヴァース（高速ラップをフィーチャー）から、息遣いを感じさせるボーカルと豊かなハーモニーが印象的な柔らかなR&B調のプレコーラスへと移行し、最後には中毒性のあるフックを伴った、シンセ主導の爆発的なポップ・コーラスへと雪崩れ込みます。 | Rock：荒々しく反骨精神に満ちた、パワフルでエネルギッシュなモダンロックトラック。 歪んだエレキギター、力強い生ドラム、そして重厚なベースラインが楽曲を牽引する。 緊張感から爆発へとダイナミックに展開し、攻撃性と感情のバランスが絶妙だ。 | |
| Lyrics (歌詞) |
[Intro - Guitar Riff & Drums] mm… yeah… let it breathe… [Verse 1] Late night glow on your skin Window cracked, city hums again Coffee rings on the table top Time don’t rush, it just drops Loose kick drum, heart runs slow Snare talks back, says “take it low” Every step just slightly late Still we land right on the faith [Verse] Your laugh swings behind the beat Barefoot dancing on the street Nothing polished, nothing tight Feels more real that way tonight Brush those hats, let them slide Leave some space where truth can hide If it falls, let it fall That’s the soul inside it all [Pre-Chorus] No count-in for this kind of love We don’t line it up We just lean and trust [Chorus] Stay right there, don’t pull it straight I love how we arrive late Off the grid but locked in time That lazy swing feels like mine Yeah we bend, we drift, we sway Let tomorrow wait its turn today If love lives just off the line Soft kick drum, your hand in mine [Verse] Vinyl spins, the room exhales Every scar tells its tale Your voice cracks, but I don’t care That’s the truth living in there Heartbeat talks through wood and wire Low-end warmth, a quiet fire Nothing perfect, nothing clean Still the best thing I’ve ever seen [Bridge] Brush it light, let it breathe Leave a little space for me Every miss is part of it That’s how soul was always meant Behind the beat, but dead-on true Every swing just sounds like you If the night don’t find a end I’ll stay right here, count me in [Chorus] Stay right there, don’t pull it straight I love how we arrive late Off the grid but locked in time That lazy swing feels like mine Yeah we bend, we drift, we sway Let tomorrow wait its turn today If love lives just off the line Soft kick drum, your hand in mine [Outro - Guitar Riff & Final Chord] no rush… no rush… just groove… |
[Intro - Synth Rise & Vocal Chop] yeah— uh turn it up [Verse 1 - Trap Rap] Click-clack, camera flash, we don’t miss Run the board, every move calculated Big bass hit when I step in the frame Too fast, they can’t even say my name Radar locked, yeah I’m on that lane Drip so sharp, cut through champagne Talk cheap, but my sound heavyweight Countdown tickin’, watch me detonate [Verse 2 - Trap Rap] 808 talk, let it shake the floor All eyes on me when I hit that door Too bold, too cold, no rehearsal Built this crown from universal Chain reaction when I breathe that fire One line, whole room go higher No pause, no fear, full ignition This that global transmission [Pre-Chorus - R&B] Pull me closer, slow it down Heartbeat under the sound When you whisper my name like that I forget where the edges are Lights go low, voices melt Every note just how I felt Hold your breath, let it bloom Something ’bout to break real soon [Chorus - Pop Explosion] Boom, boom, feel it in your chest When the beat drop, we the best Hands up high, don’t overthink Say my name, make the whole world blink Flash, flash, colors collide We don’t wait, we ignite Round and round, stuck in your brain This that hook you won’t escape [Post-Chorus - Chant] Hey! Turn it l |
[Verse 1] Static in the air, I feel it in my bones Every step I take, I’m carving out my own No more shadows telling me who to be I draw the line, now watch me break free [Pre-Chorus] Hear the sound, it’s getting louder Pressure turning into power I won’t wait, I won’t fall back This is the moment, this is the attack [Chorus] Shout it out, I’m alive tonight Burning bright in the dead of night Hands up, feel the ground shake This is everything I’m gonna take [Bridge] Silence hits before the storm Heart beats fast, I transform [Final Chorus] Shout it out, I’m alive tonight No more fear, no need to hide Turn it up, let the walls break This is the fire you can’t escape |
| 生成楽曲再生 |
| 項目 | ⑥ ACE-Step 1.5XL 音楽生成 | ||
| ワークフロー | 精製4B ACE-Stepモデルを用いてテキストプロンプトから高品質な音楽を生成します。CFGなしでわずか8ステップの推論で商業用音声を生成します。 | ||
 | |||
| 「ACE-Step」audio_ace_step1_5_xl_turbo.json | |||
| 生成ファイル | ComfyUI/audio/audio_14_連番.mp3 | ||
| Caption (Prompt) | Late Night Trap, 95 BPM, Heavy 808 Bass, Wet Synths, Female Background Vocals, Male Rap Vocals + Seductive Female Vocals, Dark Bedroom Production, Atmospheric Club Vibes, Breathy Whispers, Slap Bass, Deep Sub Bass, Cinematic R&B Soundtrack Feel | ||
| レイトナイト・トラップ、95 BPM、ヘヴィな808ベース、ウェットな質感のシンセ、女性のバックボーカル、男性ラップ＆官能的な女性ボーカル、ダークで親密なベッドルーム・プロダクション、雰囲気のあるクラブ・バイブス、吐息混じりのウィスパー、スラップベース、ディープなサブベース、シネマティックなR&Bサントラ風のサウンド | |||
| Lyrics (歌詞) |
[Verse 1] Open up the canvas, blank slate on my screen Drag a checkpoint loader, you know what I mean KSampler in the middle, VAE on the right Clip text encode, yeah I'm building tonight [Chorus] Connect the nodes, run the queue Watch the latent flow right through Green dot to green dot, link it up Positive prompt in my cup [Verse 2] Empty latent image, set the width and height Plug it to the sampler, get the settings right CFG at seven, steps at twenty-two Hit that Queue Prompt button, render coming through [Bridge] Upscale node, ControlNet in the chain Lora stacked on Lora driving me insane Save image at the end of every single flow Red wire means broken — fix it, let it go [Outro] Nodes connected, workflow clean Best AI pipeline you ever seen ComfyUI, yeah we building art | [Verse 1] キャンバスを開き、画面は真っ白な状態 Checkpoint Loaderをドラッグ、何をするか分かるだろ？ 中央にKSampler、右にはVAE CLIP Text Encodeも配置、今夜は作品を作り上げるのさ [Chorus] ノードをつなぎ、キューを実行 Latent（潜在表現）が流れていくのを見つめる 緑の点と緑の点をリンクさせて ポジティブプロンプトをそこに注ぎ込む [Verse 2] Empty Latent Image、幅と高さを設定して サンプラーにつなぎ、設定をきっちり合わせる CFGは7、ステップ数は22 「Queue Prompt」ボタンを押せば、レンダリングが始まる [Bridge] Upscaleノード、ControlNetを組み込んで LoRAを重ねまくって、もう夢中さ 一連の流れの最後で画像を保存 赤い線はエラーの印――直して、走らせよう [Outro] ノードはつながり、ワークフローは完璧 これぞ最高のAIパイプライン ComfyUI、そう、僕らはアートを創り出しているんだ | |
| 生成楽曲再生 | |||
| 項目 | ACE-Step 1.5 音楽生成AIO | 作例１：Jポップバラード | |
| Caption (Prompt) |
A melancholic J-pop ballad with soft piano and lush string arrangements. Female vocals with a breathy, emotional delivery. Slow tempo with a cinematic feel. The track builds gradually from a sparse piano intro to a full orchestral outro. | ||
| 柔らかなピアノと豊かなストリングスアレンジが印象的な、メランコリックなJ-POPバラード。 息遣いを感じさせる、情感豊かな女性ボーカル。ゆったりとしたテンポで、映画のような雰囲気を醸し出す。 シンプルなピアノのイントロから始まり、壮大なオーケストラのアウトロへと徐々に盛り上がっていく楽曲。 | |||
| Lyrics (歌詞) |
[Intro] La la la... [Verse 1] 窓の外の雨が降る あなたのことを思い出す 消えない記憶の中で また泣いている [Pre-Chorus] もう会えないと知りながら それでも声が聞こえる [Chorus] あなたがいた日々を 永遠に忘れない この痛みさえも 愛しているよ [Verse 2] 色あせた写真の中 微笑むあなたが眩しい 時間は過ぎても 想いは変わらない [Pre-Chorus] もう戻れないと知りながら それでも夢を見ている [Chorus] あなたがいた日々を 永遠に忘れない この痛みさえも 愛しているよ [Bridge - whispered] さよならも言えなくて ただ空を見上げていた [Chorus - anthemic] あなたがいた日々を 永遠に忘れない この痛みさえも 愛しているよ [Outro] La la la... |  「ACE-Step」6101_ace_step_1_5_checkpoint.json  「Krea/」8201_krea2_turbo_t2i.json | |
| 生成楽曲再生 | |||
| 画像生成モデル | CDジャケット画像生成プロンプト |
| Krea 2 | A melancholic and cinematic album cover design. A grand piano sitting in a vast, misty European style hall, with soft rays of light streaming through a large window. Delicate, glowing strings of light float gracefully from the piano into the air, symbolizing rich orchestral music. Soft, muted color palette with deep blues, warm ambers, and soft grays. Emotional, moody, high-end photography, cinematic composition, film grain, photorealistic, 8k resolution. --ar 1:1 MainTitle is 'モノクロームのピアノ'. Sub Text is 'メランコリックなJ-POPバラード','Music by ACE-Step 1.5'. |
| 項目 | ACE-Step 1.5 音楽生成ワークフロー | 作例２：Jポップバラード（女性ボーカル） | |
| Caption (Prompt) | female voice, clean vocals, j-pop, acoustic guitar, piano, melodic, bright, slow tempo, 90 bpm | ||
| 女性ボーカル、クリーン・ボーカル、J-POP、アコースティック・ギター、ピアノ、メロディアス、明るい、スローテンポ、90 BPM | |||
| Lyrics (歌詞) |
[ja] [verse] 白い雲が流れる空の下で 君と出会ったあの日を思い出す [chorus] ラララ 風が吹く街角で 未来の約束をそっと交わしたね [outro] ずっとずっと忘れないよ |  「ACE-Step」6102_ace_step_1_5_split.json | |
| 生成楽曲再生 | |||
| 項目 | ACE-Step 1.5 音楽生成(4BのLLM) | 作例３：Jポップ（女性ボーカル） | |
| Caption (Prompt) | pop, female voice, acoustic guitar, relaxing, 100 bpm, warm | ||
| ポップ、女性ボーカル、アコースティックギター、リラックス、100 BPM、温かみのある | |||
| Lyrics (歌詞) |
[Intro] [Verse 1] 窓辺に見える街並み コーヒーの香りが広がって [Pre-Chorus] いつもの朝が動き出す 新しい一日が始まるよ [Chorus] 青い空に向かって手を伸ばそう きっといいことがあるはずだから [Outro] ラララ... |  「ACE-Step」6103_ace_step_1_5_split_4b.json | |
| 生成楽曲再生 | |||
| 項目 | ACE-Step 1.5 音楽生成(4BのLLM) | 作例４：Jポップ（女性ボーカル） | |
| Gemini 依頼テキスト | これから音楽生成AI「ACE-Step 1.5」で曲を作ります。 以下のテーマに基づいて、曲のタイトル名と下記の2つを出力してください。 【テーマ】 夏の終わりの切ないJ-POP、失恋したOLが泣きながら飲む夜のバラード 【出力①】Style Prompt（英語で出力すること） ACE-Stepが理解しやすいように、以下の要素を含めてください。 ・ジャンル（例: J-POP, city pop, ballad） ・BPM（例: 80 BPM） ・使用楽器（例: piano, acoustic guitar, strings） ・ボーカルの声質（例: female vocal, soft and emotional） ・録音クオリティのタグ（例: High-quality, Studio recording, Professional mix） 【出力②】歌詞（日本語） ・Aメロ、Bメロ、サビの構成で書いてください ・韻を踏む箇所を意識してください ・合計30〜50行程度にしてください ・タグは[Aメロ]のように[]で囲んで出力してください | ||
| Caption (Prompt) | Emotional J-POP, sad ballad, 72 BPM, slow tempo, melancholic piano, delicate acoustic guitar, subtle strings, soft and emotional female vocal, expressive singing, high-quality, studio recording, professional mix | ||
| エモーショナルなJ-POP、切ないバラード、BPM72、スローテンポ、哀愁漂うピアノ、繊細なアコースティックギター、控えめなストリングス、優しく感情豊かな女性ボーカル、表現力豊かな歌声、高品質、スタジオ録音、プロフェッショナルなミックス | |||
| Lyrics (歌詞) |
[Aメロ] 濡れたグラスに浮かべた氷が カランと鳴って夜に消えていく エアコンの風 冷えた部屋の中 あなたの残像を探している 終電まぎわの駅のホームで 最後に繋いだ手は冷たくて 「またね」と言ったあなたの声が エンドロールみたいに繰り返す [Bメロ] ぬるくなったカクテルを飲み干せば 胸の奥で痛みが目を覚ます 仕事帰りの小さな部屋で 私はひとり、解けてゆく 強がりな笑顔も 重ねた嘘も あなたを守るためじゃなかったの？ 素直になれないままの手で スマートフォンの画面を伏せた [サビ] 夏の終わりを告げる風が吹いて 愛した記憶を遠くへ奪うの 涙が落ちる音さえ隠して 飲み干す夜に 溺れてゆく すれ違うたび重ねた言葉も 約束した来年の海も ぜんぶ波にさらわれてくように 残されたのは 氷の溶ける音 [Aメロ] ヒールを脱ぎ捨て倒れ込むベッド 明日のアラームだけが現実で 社会人のフリをして生きる私を 誰も抱きしめてはくれない [Bメロ] 「大丈夫」なんて言わなきゃよかった 引き止めれば未来は変わってた？ 答えのない問いをかき混ぜて 冷たいグラスを握りしめる [サビ] 夏の終わりを告げる風が吹いて 愛した記憶を遠くへ奪うの 涙が落ちる音さえ隠して 飲み干す夜に 溺れてゆく もう戻らないあの日の温もり 優しすぎたあなたの声も すべて幻だった気がして 静かな部屋に 夜が満ちていく |  「ACE-Step」6104_ace_step1_5_xl_turbo.json  Gemini が作成した CD タイトル画像  「HiDream-O1/」7100_hidream_o1_agent_dev | |
| 生成楽曲再生 | |||
| 画像生成モデル | CDジャケット画像生成プロンプト |
| HiDream-O1 | CD album cover art, cinematic photograph, high-quality. A young Japanese office lady (OL) in her late 20s, with disheveled short dark hair, sits alone at a dark wooden table in a dimly lit, quiet bar on a late rainy summer night. She wears a navy blue blouse. She is crying silently, tear streaks visible, looking down at her glass. She is holding a rocks glass filled with whiskey and melting ice; visible condensation on the glass. The camera angle is from slightly outside the bar through a wet, window pane covered in raindrops, creating beautiful bokeh from the distant city lights and hanging bistro lights inside. The atmosphere is profoundly melancholic, lonely, and intimate. Warm tungsten lighting creates deep shadows. The frame is moody and textured. Main title is '氷の溶ける音'.Sub text is '夏の終わりの切ない JPOP', '失恋したOLが泣きながら飲む夜のバラード'. |
| 項目 | 作例５：夏の終わりの切ないJ-POP、失恋したOLが泣きながら飲む夜のバラード | ||
| Gemini 依頼テキスト | これから音楽生成AI「ACE-Step 1.5」で曲を作ります。 以下のテーマに基づいて、下記の2つを出力してください。 【テーマ】 夏の終わりの切ないJ-POP、失恋したOLが泣きながら飲む夜のバラード 【出力①】Style Prompt（英語で出力すること） ACE-Stepが理解しやすいように、以下の要素を含めてください。 ・ジャンル（例: J-POP, city pop, ballad） ・BPM（例: 80 BPM） ・使用楽器（例: piano, acoustic guitar, strings） ・ボーカルの声質（例: female vocal, soft and emotional） ・録音クオリティのタグ（例: High-quality, Studio recording, Professional mix） 【出力②】歌詞（日本語） ・Aメロ、Bメロ、サビの構成で書いてください ・韻を踏む箇所を意識してください ・難しい漢字はひらがなで書いてください（この時、元の文字は出力しないで） ・合計30〜50行程度にしてください ・タグは[Aメロ]のように[]で囲んで出力してください | ||
| Caption (Prompt) | J-POP ballad, city pop, 78 BPM, melancholic and emotional mood, late summer night atmosphere. Acoustic piano, warm bassline, gentle acoustic guitar, swelling strings orchestra, subtle 80s synthesizer pad. Female vocal, soft and emotional, breathy, sorrowful, expressive, clear Japanese pronunciation. High-quality, Studio recording, Professional mix, crystal clear audio, high definition, mastering. | ||
| J-POPバラード、シティ・ポップ、BPM 78。哀愁と情感が漂う、夏の終わりの夜のような雰囲気。アコースティック・ピアノ、温かみのあるベースライン、柔らかなアコースティック・ギター、壮大に盛り上がるストリングス・オーケストラ、控えめな80年代風シンセ・パッド。女性ボーカルは、柔らかく情感豊かで、ブレスを交えた切ない歌声。表現力に富み、明瞭な日本語の発音。高品質なスタジオ録音、プロフェッショナルなミックス、極めてクリアな音質と高解像度なマスタリング。 | |||
| Lyrics (歌詞) |
[Aメロ] ぬるいかぜが まどをたたく ひとりきりの よるがひらく つくえのうえ のこるぐらす とけたこおり ゆれておちる きみのすきな うたをながし なみだのわけ さがしだし しゃつのでぐち にぎりしめて ゆめのみつぎ おもいだすの [Bメロ] なつがすぎてゆくように 恋（こい）もきえてしまうのね かわしたことばの あつささえ いまはもう つめたいかぜ はんぶんこした あのひのあい いまはひとりで あびるくらい のみほすおさけの にがさだけが わたしのこころを みたしてゆくの [サビ] さよならね まだすきだけど なつのおわり なみだあふれて きみのにおい よるにきえてく ひとりきりの ほしをみあげて もうにどと もどれないひび むねのおくで ひかるひみつ なきながら のみほすよるに あいをそっと おわらせるの [Aメロ] あおいかんを あけるおとが しずかすぎる へやにひびく きみのうそを おもいだせば むねのいたみ またうずくの [Bメロ] あきがちかづく けはいに わたしおいてけぼりのまま あまいなつのおもいでたち あわのように はじけて消（き）えた [サビ] さよならね まだすきだけど なつのおわり なみだあふれて きみのにおい よるにきえてく ひとりきりの ほしをみあげて もうにどと もどれないひび むねのおくで ひかるひみつ なきながら のみほすよるに あいをそっと おわらせるの | 音楽生成ワークフロー：6101_ace_step_1_5_checkpoint ① 8201_krea2_turbo_t2i.json  ② 4102_ernie_image_t2i_general.json | |
| 生成楽曲再生 | |||
| 画像生成モデル | CDジャケット画像生成プロンプト |
| ① Krea2 | 「夏の終わりの切ないJ-POP、失恋したOLが泣きながら飲む夜のバラード」の楽曲の CDジャケット |
| ② ERNIE-Image | CD album cover art, a melancholic young Japanese woman in office attire sitting by a window in a dimly lit modern apartment room at late summer night. She is looking down sadly, holding a glass of whiskey on the rocks. Warm city lights and faint stars bokeh in the background through the window. Late summer mood, emotional and lonely atmosphere, cinematic lighting, soft focus, subtle blue and amber color palette, retro J-POP aesthetic, highly detailed, 8k resolution, photorealistic, shot on 35mm lens --ar 1:1 Main title is '夏の終わりの夜'. Sub text is '切ない JPOP バラード','Music by ACE-Step 1.5'. |
| 作品の質を大きく左右する重要な要素のプロンプトについてのまとめ 引用：→ https://note.com/rikunarita/n/n5c9d53950b27 |
| カテゴリ | 例 |
| ジャンル・サブジャンル | indie folk, heavy metal rock, J-pop, lo-fi hip hop |
| 楽器 | acoustic guitar, electric guitar, piano, synth pads, 808 drums, strings |
| ボーカルスタイル | soft female vocals, breathy female voice, powerful male vocals, screaming vocals |
| 雰囲気・感情 | melancholic, uplifting, aggressive, dreamy, intimate, heartbreaking |
| プロダクションスタイル | lo-fi, polished, live recording, bedroom pop, orchestral |
| 音色・テクスチャ | warm, dark, crisp, distorted, ethereal |
| 時間的要素の説明として、歌詞内容・楽曲構造の変化・ボーカルの変化・歌い方や演奏スタイル・曲の始まりと終わりのスタイル・アーティキュレーションなど |
| インストゥルメンタルの場合は [Instrumental] |
| スタイルが衝突する場合は、時間的スタイルの進行として表現する。「ソフトなストリングスで始まり、中間でノイジーなダイナミックなメタルロックになり、終盤でヒップホップに変わる」というように |
| テンポ・BPM・キー・拍子などのメタデータ情報はCaptionに書かないことが推奨されている これらは専用のメタデータパラメーター（bpm, keyscale, timesignature など）で設定する |
| Caption は BPM や キーではなく、スタイル・感情・楽器・音色などの音楽的特性にフォーカスする |
| ❌ 悪い例 | ✅ 良い例 |
| a sad song | melancholic piano ballad with soft female vocals, gentle string accompaniment, slow tempo, intimate and heartbreaking atmosphere |
| 物悲しいピアノ・バラード。柔らかな女性ボーカルと穏やかなストリングスの伴奏、スローテンポで、親密かつ胸を締め付けられるような雰囲気。 | |
| rock song | rock song with crunchy rhythm guitar, punchy snare, and gravelly male vocals, high energy |
| ザクザクとしたリズムギター、パンチの効いたスネア、そしてダミ声の男性ボーカルをフィーチャーした、エネルギッシュなロック・ソング。 | |
| heavy metal, 160bpm, D minor | heavy metal rock with heavily distorted electric guitars, aggressive double bass drumming, powerful screaming vocals, fast tempo, high energy, intense dark atmosphere |
| 激しく歪んだエレキギター、アグレッシブなダブルバス・ドラミング、力強いスクリーム・ボーカル、高速テンポ、高いエネルギー、そして強烈でダークな雰囲気を特徴とするヘヴィメタル・ロック |
| テンプレート | 実例 |
| [ジャンル] + [主要楽器] + [ボーカルスタイル] + [雰囲気/感情] + [プロダクションスタイル] + [時間的変化（任意）] |
A high-energy J-pop track with synthesizer leads, punchy electronic drums, and bright female vocals. The song opens with a catchy synth intro, builds through energetic verses with layered harmonies, and peaks at an anthemic chorus. The production is polished and modern with lush reverb on the vocals. |
| シンセサイザーのリード、パンチの効いた電子ドラム、そして明るい女性ボーカルが特徴の、エネルギッシュなJ-POPナンバーです。 キャッチーなシンセのイントロで幕を開け、ハーモニーを重ねたエネルギッシュなヴァースを経て、アンセムのようなサビで最高潮に達します。ボーカルには豊かなリバーブが施され、洗練されたモダンなサウンドに仕上がっています。 |
| タグ | 役割 | エネルギー |
| [Intro] | イントロ・雰囲気の設定、多くはインストゥルメンタル | 低〜中 |
| [Verse] / [Verse 1] / [Verse 2] | メインのストーリーテリングセクション | 中 |
| [Pre-Chorus] | コーラス前の緊張感の盛り上がり | 中〜高 |
| [Chorus] | 感情的なピーク・最もエネルギーが高い | 最高 |
| [Bridge] | 異なるメロディ・異なる感情へのシフト | 変化 |
| [Instrumental] / [inst] | ボーカルなし・楽器のみ | 自由 |
| [Outro] | 曲の締めくくり、フェードアウトも | 低下 |
| [Drop] | EDM等のドロップセクション | 爆発 |
| [Build] | 盛り上がりへの構築 | 上昇 |
| タグ | 意味 |
| タグには修飾子を付けてパフォーマンスの方向性を指定できる | |
| [Chorus - anthemic] | 壮大なコーラス |
| [Bridge - whispered] | ウィスパーのブリッジ |
| [Intro - slow acoustic guitar] | ゆったりとしたアコースティックギターのイントロ |
| [Verse 1 - soft and intimate] | 柔らかく、親密な 第1節 |
| [Chorus - anthemic, full band] | コーラス — アンセム風、フルバンド |
| [Bridge - whispered] | ブリッジ ― 囁き |
| [Chorus - big and explosive] | コーラス ― 壮大で爆発的 |
| [Outro - fade out] | アウトロ - フェードアウト |
| 大文字を使うと強調やシャウトを表現できる 例：[Verse] で walking through the empty streets（通常の強度） [Chorus] で WE ARE THE CHAMPIONS!（高強度・シャウト） 括弧 () 内のコンテンツはバックグラウンドボーカルやハーモニーとして処理される（ただし効果は不安定で、無視されたり発音が乱れることもある） |
| 言語タグ | 言語 | 記法 |
| [zh] | 中国語（ピンイン） | [zh]wo3ai4ni3 |
| [ko] | 韓国語（ローマ字） | [ko]saranghae |
| [ja] | 日本語 | [ja]あなたが好き |
| [es] | スペイン語 | [es]te quiero |
| [fr] | フランス語 | [fr]je t'aime |
| [en] | 英語 | [en]I love you |
| [de] | ドイツ語 | [de]ich liebe dich |
| 多言語ミックス例 | ||
| [verse] [zh]wo3zou3guo4shen1ye4de5jie1dao4 [zh]leng3feng1chui1luan4si1nian4de5piao4liang4wai4tao4 [chorus] [ko]saranghae, saranghae [bridge] [es]te quiero, mi amor [fr]je t'aime pour toujours [chorus] | ||
| 1行あたり 6〜10音節が最適。モデルは音節をビートに合わせて配置するため、1行が6音節で次が14音節では、リズムがおかしくなる 同じ位置（例：各バースの1行目）の音節数は近くなるよう揃える（±1〜2のブレは許容） |
| ❌ 悪い例 | ✅ 良い例 |
| 私は毎日あなたのことを考えて眠れない夜がある（25音節） あなた（3音節） | 夜が来るたびに（6音節） あなたを思い出す（7音節） 消えない記憶（5音節） |
| ACE-Stepはおよそ1秒あたり2〜3語を歌う。47秒のトラックであれば、合計90〜140語程度を目安にする。歌詞が多すぎると急ぎ足に聞こえ、少なすぎると長い間があく |
| [instrumental] または [inst] |
| パラメーター | 説明 | 例 |
| bpm | テンポ（推奨：Captionに書かずこちらで設定） | 120 |
| keyscale | キー | C major, A minor, D major |
| timesignature | 拍子 | 4（4/4拍子）, 3（3/4拍子）, 6（6/8拍子） |
| language | ボーカル言語 | ja, en, zh, ko |
| duration | 長さ（秒） | 180（3分） |
| メタデータを手動設定したのに生成結果が合わない場合は、Caption/Lyricsとの矛盾がないか確認する 例：Captionに「スローバラード」と書いて bpm=160 に設定するとモデルが混乱する | ||
| 1分間に何回ビート（拍）を刻むかを表す単位。数値が大きいほどテンポが速くなる。一般的なポップスは BPM 120前後、激しいダンスミュージックでは BPM 130〜150以上になることもある |