ACE-Step 1.5: własna muzyka z AI na komputerze – instalacja, interfejs ze zrzutami ekranu, pierwszy utwór i jak pisać opisy i teksty (2026)

ACE-Step 1.5 to otwarty model, który tworzy kompletne piosenki z tekstem i wokalem, na własnym komputerze, bez chmury, bez abonamentu i bez limitów. Wpisujesz opis stylu i słowa, klikasz „Generate Music”, a po kilkudziesięciu sekundach masz plik MP3. Ten przewodnik prowadzi od zera: co to jest i co potrafi, jaki komputer jest potrzebny, jak zainstalować na Macu, Windows i Linuksie, co znaczą pola w interfejsie (ze zrzutami ekranu z działającej instalacji), jak zrobić pierwszy utwór, jak pisać opisy i teksty, żeby wychodziło dobrze, i co dalej: remiks, przemalowanie fragmentu, własny styl przez LoRA. Wszystko po polsku, prostymi słowami.

Ostatnia weryfikacja: 7 września 2026. Materiał informacyjny. ACE-Step rozwija się szybko: nazwy pól, modele i wymagania zmieniają się z wersji na wersję; zrzuty ekranu pochodzą z wersji pobranej z repozytorium 29 sierpnia 2026, uruchomionej na Macu z Apple Silicon. Aktualna dokumentacja: github.com/ace-step/ACE-Step-1.5.

W skrócie

Co to jest ACE-Step, prostymi słowami

ACE-Step to program, który z opisu słownego robi nagranie muzyczne. Piszesz, jaki styl chcesz („ciepły folk z gitarą akustyczną i pianinem, nostalgicznie, wolno”), dopisujesz tekst piosenki z oznaczeniem zwrotek i refrenów, a model tworzy gotowy utwór: aranżację, instrumenty, wokal śpiewający Twój tekst. To odpowiednik komercyjnych serwisów jak Suno czy Udio, z tą różnicą, że działa na Twoim komputerze, jest darmowy i nic nie wysyła do chmury.

W środku pracują dwa „mózgi”, i warto to zrozumieć, bo tłumaczy pola w interfejsie (samouczek projektu):

Co potrafi

Funkcja	Co robi	Tryb w interfejsie
Piosenka z opisu	Jedno zdanie, model dopisuje resztę	Simple
Piosenka z opisu i tekstu	Pełna kontrola: styl, tekst z tagami, tempo, tonacja, długość	Custom
Utwór instrumentalny	Bez wokalu, np. podkład, muzyka do filmu	Simple lub Custom, pole „Instrumental”
Remiks / cover	Zachowuje melodię i strukturę nagrania, zmienia styl	Remix
Przemalowanie fragmentu	Generuje od nowa wybrane sekundy, reszta bez zmian; do poprawek i wydłużania	Repaint
Nagranie jako wzór stylu	Podajesz plik, model naśladuje brzmienie	Custom, pole „Reference Audio”
Rozdzielanie ścieżek, dokładanie instrumentów	Wyciągnij wokal lub perkusję, dołóż gitarę	Extract, Lego, Complete (tylko model base)
Własny styl	Nauka na kilku Twoich nagraniach (LoRA)	Zakładka LoRA Training
Tekst z czasem	Plik LRC z synchronizacją słów	Auto LRC

Jaki komputer jest potrzebny

Wymagania według instrukcji projektu (INSTALL): Python 3.11 lub 3.12, około 10 GB miejsca na dysku na modele, karta graficzna NVIDIA zalecana, ale obsługiwane są też Apple Silicon (MPS i MLX), AMD (ROCm), Intel i sam procesor. Pamięć karty decyduje, co uruchomisz:

Pamięć karty (VRAM) lub pamięć wspólna Maca	Co wybierze program	Czego się spodziewać
do 6 GB	Tylko wykonawca 2B turbo, bez planera; kwantyzacja INT8 i przenoszenie do pamięci procesora	Działa, ale bez trybu Simple i bez „Think”; opis i tekst piszesz sam
6–8 GB	2B turbo + planer 0,6B	Pełne funkcje, wolniej
8–16 GB	2B turbo lub sft + planer 0,6B lub 1,7B	Wygodna praca
16–24 GB	Modele XL (4B) z lepszą jakością dźwięku	Wysoka jakość
24 GB i więcej	XL sft + planer 4B	Najlepsza jakość, wszystko w pamięci

Program sam wykrywa sprzęt i ustawia „poziom” (tier) z odpowiednimi domyślnymi ustawieniami; w ustawieniach można go nadpisać. Na Macu z Apple Silicon liczy się pamięć wspólna: Mac z 16 GB zachowuje się jak karta z kilkunastoma GB, Mac z 64 GB wchodzi w najwyższy poziom. Dlaczego pamięć wspólna Maca jest do takich zadań wygodna, wyjaśniamy w przewodniku po Ollamie; zasada jest ta sama.

Ile to trwa: autorzy podają poniżej 2 sekund na całą piosenkę na karcie A100 i poniżej 10 sekund na RTX 3090. Na Macu z Apple Silicon w naszym teście 30-sekundowy utwór instrumentalny w trybie Custom z włączonym „Think” powstał w 31,6 sekundy: 17,4 s planer, 14,2 s wykonawca. Pierwsze uruchomienie po starcie programu jest wolniejsze, bo modele ładują się do pamięci.

Instalacja krok po kroku

Są dwie drogi: gotowa paczka (rozpakowujesz i uruchamiasz skrypt) albo instalacja z repozytorium (trzy polecenia w terminalu). Obie opisuje instrukcja projektu.

Droga 1: gotowa paczka (Mac z Apple Silicon, Windows)

1. Pobierz paczkę

   Linki do paczek dla macOS i Windows są w sekcji Quick Start w repozytorium (pliki ACE-Step-1.5.zip dla Maca i .7z dla Windows, z zainstalowanymi zależnościami). Pobieraj tylko z repozytorium na GitHubie; projekt ostrzega przed podrobionymi stronami.

2. Rozpakuj do folderu bez polskich znaków i spacji

   Np. Dokumenty/ACE-Step-1.5. Paczka waży kilka GB, a modele pobiorą się przy pierwszym starcie (około 10 GB).

3. Uruchom skrypt startowy

   Mac: w terminalu wejdź do folderu i uruchom skrypt dla macOS (polecenia niżej). Windows: dwukrotnie kliknij start_gradio_ui.bat.

4. Poczekaj na pobranie modeli i otwórz przeglądarkę

   Przy pierwszym starcie skrypt pobiera modele; potem w terminalu pojawi się adres. Wpisz w przeglądarce http://127.0.0.1:7860.

Skrypt dla macOS sam ustawia silnik MLX, czyli natywne przyspieszenie na Apple Silicon, i port 7860 (instrukcja). Macbook z procesorem Intel działa tylko na procesorze i bardzo wolno; ACE-Step ma sens na M1 i nowszych.

Droga 2: z repozytorium (Mac, Windows, Linux)

Polecenia z dokumentacji projektu. Wklejasz po kolei do terminala (Mac: program Terminal; Windows: PowerShell; Linux: dowolny terminal). Potrzebny jest git; na Macu system zaproponuje instalację narzędzi deweloperskich przy pierwszym użyciu.

Na Macu zamiast polecenia 3 lepiej użyć skryptu start_gradio_ui_macos.sh z poprzedniej sekcji, bo włącza MLX. Po starcie w terminalu pojawi się adres; otwórz http://127.0.0.1:7860 w przeglądarce. Zamykasz program klawiszami Ctrl+C w terminalu.

Ustawienia startowe: plik .env

Zamiast wpisywać opcje w poleceniu, tworzysz w folderze programu plik .env (kopia pliku .env.example) i wpisujesz w nim, jaki model wykonawcy i planera ładować, jaki port i język interfejsu. Plik przetrwa aktualizacje programu (dokumentacja).

Przy 64 GB pamięci i więcej można wpisać planer acestep-5Hz-lm-1.7B, a na mocnych kartach NVIDIA model XL. Aktualizacja programu: skrypt check_update.sh w folderze albo polecenie git pull i ponowne uv sync.

Interfejs: co gdzie jest

Po otwarciu adresu w przeglądarce widzisz jedną stronę z trzema częściami: zwinięte „Settings” (ustawienia), zakładki „Generation” i „LoRA Training”, a niżej wyniki. Zrzuty ekranu poniżej pochodzą z działającej instalacji na Macu.

Element	Do czego
Settings (na górze, zwinięte)	Wybór modeli, urządzenia, ustawienia jakości i formatu pliku. Na start nie trzeba tam wchodzić; program ustawia domyślne wartości dla Twojego sprzętu.
Generation Mode	Simple, Custom, Remix, Repaint. Przy modelu base także Extract, Lego, Complete.
Source Audio	Nagranie wejściowe do trybów Remix i Repaint. W trybie Custom może zostać puste.
Reference Audio	Nagranie jako wzór brzmienia (opcjonalnie).
Music Caption	Opis stylu: gatunek, instrumenty, nastrój, tempo, wokal. Najważniejsze pole.
Lyrics	Tekst piosenki z tagami [Verse], [Chorus], [Bridge]. Pole „Instrumental” wyłącza wokal.
Enhance Caption, Enhance Lyrics	Planer rozbudowuje Twój krótki opis lub tekst.
Kostka „Click Me”	Losowy przykład opisu i tekstu, dobry do nauki, jak pisać.
Optional Parameters	Tempo (BPM), tonacja, metrum, język wokalu, długość w sekundach, liczba wersji (Batch Size). Domyślnie „Auto”.
Think	Włącza planer: model sam dobiera tempo, tonację, długość i rozpisuje szkic. Zostaw włączone, chyba że masz mało pamięci.
Auto Score, Auto LRC, AutoGen	Automatyczna ocena jakości, plik z synchronizacją tekstu, automatyczne generowanie kolejnych partii w tle.
Results	Odtwarzacze dla każdej wersji, przyciski Send To Remix, Send To Repaint, Save, lista plików do pobrania i czasy generowania.

Pierwszy utwór w trzy minuty: tryb Simple

1. Wybierz „Simple”

   W wierszu Generation Mode kliknij Simple.

2. Opisz piosenkę jednym lub dwoma zdaniami

   Po angielsku działa najpewniej, ale możesz też po polsku. Skopiuj przykład z ramki niżej.

3. Ustaw język wokalu

   W polu Vocal Language wybierz „pl”, jeśli chcesz śpiew po polsku, albo zaznacz Instrumental, jeśli bez wokalu.

4. Kliknij „Create Sample”

   Planer ułoży opis stylu, tekst i parametry; zobaczysz je w rozwiniętych polach. Możesz je poprawić ręcznie.

5. Kliknij „Generate Music”

   W polu Generation Status pojawi się postęp, a w Results odtwarzacze. Domyślnie powstają dwie wersje.

6. Posłuchaj, zapisz, powtórz

   Przycisk Save zapisuje plik i parametry; „All Generated Files” daje MP3 i plik JSON z ustawieniami. Nie podoba się? Kliknij Generate Music jeszcze raz: każda próba używa innego losowego ziarna.

Pełna kontrola: tryb Custom

W trybie Custom sam piszesz dwa pola: Music Caption (opis stylu) i Lyrics (tekst z tagami). Reszta może zostać na „Auto”. Samouczek projektu nazywa opis „najważniejszym czynnikiem wpływającym na muzykę”, a tekst „scenariuszem w czasie” (samouczek).

Jak pisać opis stylu (Music Caption)

Opis może być listą słów po przecinku albo zdaniem. Dobry opis łączy kilka wymiarów naraz; samouczek projektu wymienia je w tabeli:

Wymiar	Przykłady (po angielsku działają najpewniej)
Gatunek	pop, rock, jazz, electronic, hip-hop, folk, classical, lo-fi, synthwave, disco polo
Nastrój	melancholic, uplifting, energetic, dreamy, dark, nostalgic, intimate
Instrumenty	acoustic guitar, piano, accordion, synth pads, 808 drums, strings, brass
Brzmienie	warm, bright, crisp, airy, punchy, lush, raw, polished
Epoka	80s synth-pop, 90s grunge, 2010s EDM, vintage soul
Produkcja	lo-fi, live recording, studio-polished, bedroom pop
Wokal	female vocal, male vocal, breathy, powerful, raspy, choir, duet
Tempo	slow tempo, mid-tempo, fast-paced, groovy, driving
Struktura	building intro, catchy chorus, dramatic bridge, fade-out ending

Zasady z samouczka: konkret bije ogólnik („sad piano ballad with female breathy vocal” zamiast „a sad song”); łącz kilka wymiarów; przymiotniki o brzmieniu (warm, crisp, punchy) naprawdę wpływają na miks; im mniej napiszesz, tym więcej model wymyśli sam; unikaj sprzeczności („classical strings” i „hardcore metal” naraz), a jeśli chcesz zmiany stylu w utworze, opisz ją jako przebieg w czasie: „starts soft, builds into…”.

Jak pisać tekst (Lyrics) z tagami

Tekst dzieli się na sekcje tagami w nawiasach kwadratowych. Tag mówi modelowi, czym jest dana część i jak ją zaśpiewać. Najczęstsze według samouczka: [Intro], [Verse], [Pre-Chorus], [Chorus], [Bridge], [Outro], a także [Build], [Drop], [Breakdown], [Instrumental], [Guitar Solo], [Piano Interlude], [Fade Out]. Tag można doprecyzować myślnikiem, np. [Chorus - anthemic] albo [Bridge - whispered], ale bez stosów określeń: [Chorus - anthemic - stacked harmonies - epic] mylą model i bywają zaśpiewane jako słowa. Opis stylu i tekst nie mogą sobie przeczyć (skrzypce w opisie i [Guitar Solo] w tekście to konflikt).

Przycisk „Enhance Lyrics” prosi planer o rozbudowanie Twojego szkicu tekstu; „Enhance Caption” robi to samo z opisem. Warto ich użyć, gdy nie wiesz, jak zacząć, i potem poprawić wynik ręcznie.

Optional Parameters: tempo, tonacja, długość, liczba wersji

• BPM, Key, Time Signature: tempo, tonacja (np. „C Major”, „A minor”), metrum (2, 3, 4, 6). Zostaw Auto, chyba że wiesz, czego chcesz; przy ustawieniu ręcznym odznacz odpowiednie „Auto”.
• Vocal Language: język wokalu; „pl” dla polskiego. Auto zwykle wykrywa język z tekstu.
• Audio Duration: długość w sekundach, od 10 do 600; -1 lub Auto oznacza, że planer sam dobierze długość do tekstu. Na początek 30–60 sekund: szybciej zobaczysz efekt.
• Batch Size: ile wersji naraz, od 1 do 8. Każda wersja to inne losowe ziarno; przy 2–4 wybierasz najlepszą. Więcej wersji to proporcjonalnie więcej pamięci i czasu.

Wyniki: co zobaczysz po kliknięciu Generate Music

• Odtwarzacz dla każdej wersji, z falą dźwiękową i regulacją prędkości.
• Send To Remix wysyła wynik jako nagranie źródłowe do trybu Remix (nowy styl, ta sama melodia); Send To Repaint do trybu Repaint (poprawa fragmentu). Save zapisuje wersję z parametrami.
• Score & LRC & LM Codes: ocena jakości (jeśli włączone Auto Score), plik z synchronizacją tekstu (Auto LRC) i „kody” planera, które można wkleić ponownie, żeby zachować melodię przy zmianie stylu.
• Apply These Settings to UI przywraca do pól parametry tej partii; z zapisanym ziarnem (seed) odtworzysz ten sam utwór.
• All Generated Files: MP3 (domyślnie 128 kbps, 48 kHz; format i jakość zmienisz w Settings) i JSON z pełnymi parametrami.

Pliki lądują też w folderze gradio_outputs w katalogu programu.

Ustawienia: co warto znać, a czego nie ruszać

Ustawienie	Co robi	Rada dla początkującego
UI Language	Język interfejsu: angielski, chiński, japoński, portugalski, hebrajski	Zostaw angielski; polskiego jeszcze nie ma
GPU Tier Override	Ręczne ustawienie poziomu sprzętu	Nie ruszaj; program wykrywa sam
Main Model Path	Wykonawca: turbo (8 kroków, szybki), sft i base (50 kroków), XL (lepsza jakość, więcej pamięci)	Na start turbo
5Hz LM Model Path i Backend	Planer 0,6B, 1,7B lub 4B; silnik pt, vllm (NVIDIA), mlx (Mac)	Mniejszy planer na słabszym sprzęcie; na Macu mlx
Initialize 5Hz LM	Ładuje planer; potrzebny do trybu Simple i „Think”	Włączone, jeśli sprzęt pozwala
Offload to CPU, INT8 Quantization, Compile Model	Oszczędzanie pamięci i przyspieszanie	Program włącza je sam na słabszych kartach
MLX DiT (Apple Silicon)	Natywny silnik Apple dla wykonawcy	Na Macu włączone
Initialize Service	Ładuje modele po zmianie ustawień	Kliknij po każdej zmianie modelu; status pokaże, czy się udało

Parametry wykonawcy według samouczka: Inference Steps 8 dla turbo (więcej kroków to dokładniej i wolniej; base używa 32–100); Guidance Scale działa tylko z modelami base i sft (wyżej = ściślej trzyma się opisu); Shift 3.0 zalecane dla turbo; Seed to losowe ziarno: przy Random Seed każda próba jest inna, przy wpisanym numerze ta sama. Samouczek radzi: gdy testujesz wpływ jednego parametru, ustaw stały seed, bo inaczej losowość zamaskuje zmianę.

Dalsze kroki: remiks, przemalowanie, własny styl

Remix – wgraj nagranie (albo kliknij Send To Remix przy własnym wyniku), wpisz opis nowego stylu, ustaw siłę (wyżej = bliżej oryginalnej struktury) i generuj. To tryb do coverów i „tej samej piosenki w innym gatunku”.

Repaint – wgraj nagranie, podaj sekundy od i do (-1 = do końca), opisz, co ma być w tym fragmencie, wybierz tryb conservative, balanced lub aggressive i siłę. Do poprawiania nieudanego refrenu bez ruszania reszty i do wydłużania utworu.

Reference Audio – w trybie Custom wgraj nagranie jako wzór brzmienia; model naśladuje barwę i charakter, nie melodię.

Wiele wersji i automatyczna ocena – samouczek zaleca: ustaw Batch Size 2–8, włącz Auto Score i AutoGen, a program będzie w tle generował kolejne partie z nowymi ziarnami i oceniał je; przeglądasz wyniki i wybierasz najlepsze. Autorzy szczególnie polecają wynik „DiT Lyrics Alignment”, który mówi, jak dokładnie wokal trafia w tekst.

LoRA: własny styl – w zakładce LoRA Training wskazujesz folder z kilkoma własnymi nagraniami (np. 8 utworów), program je opisuje, przetwarza i trenuje mały „adapter”, który potem ładujesz w Settings. Według dokumentacji na karcie RTX 3090 z 12 GB trwa to około godziny; na Macu dłużej. Adaptera nie da się załadować przy włączonej kwantyzacji INT8 (przewodnik po interfejsie, samouczek LoRA). Ucz na nagraniach, do których masz prawa.

Prawo i uczciwość: co możesz zrobić z utworem

Najczęstsze problemy

Objaw	Przyczyna i co zrobić
Strona 127.0.0.1:7860 się nie otwiera	Program jeszcze się ładuje albo nie wystartował. Patrz w okno terminala: adres pojawia się po załadowaniu; błędy też. Port zajęty? Zmień PORT w pliku .env.
„Generate Music” nic nie robi	Modele niezaładowane. Rozwiń Settings, kliknij Initialize Service i poczekaj na status „[OK] Model initialized”.
Tryb Simple albo „Think” niedostępne	Za mało pamięci na planer; program wyłączył go automatycznie. Pisz opis i tekst sam w trybie Custom albo wybierz mniejszy planer 0,6B.
Wokal śpiewa po angielsku, choć tekst jest polski	Ustaw Vocal Language na „pl” i odznacz Language Auto; dopisz w opisie „Polish lyrics, Polish vocal”.
Wokal wyśpiewuje nazwy tagów	Za dużo określeń w tagach. Zostaw [Chorus - anthemic], resztę przenieś do opisu stylu.
Utwór urywa się albo jest za krótki	Ustaw Audio Duration ręcznie (odznacz Duration Auto) albo skróć tekst; do wydłużenia użyj Repaint od końca.
Bardzo wolno	Za duży model dla sprzętu. Wróć do turbo i planera 0,6B, zmniejsz Batch Size do 1, skróć długość. Na Macu sprawdź, że MLX DiT jest włączone.
Brak miejsca na dysku	Modele to około 10 GB, a każda wersja to nowy plik w gradio_outputs. Czyść folder wyników.

Najczęściej zadawane pytania

Czy to naprawdę za darmo?

Tak. Program i modele są otwarte na licencji MIT; nie ma konta, abonamentu ani limitów. Płacisz sprzętem i prądem. Autorzy prowadzą też bezpłatną wersję online, ale ten poradnik jest o wersji lokalnej.

Czy śpiewa po polsku?

Tak, polski jest wśród obsługiwanych języków; jakość wymowy bywa różna i najlepsza jest w największych językach. Pomaga ustawienie języka „pl”, poprawny tekst z polskimi znakami i unikanie skrótów.

Mac czy PC?

Oba działają. Mac z Apple Silicon i 16 GB lub więcej daje pełne funkcje bez konfiguracji, dzięki MLX; utwór 30-sekundowy w około pół minuty. PC z kartą NVIDIA jest szybszy (kilka sekund na utwór na mocnej karcie) i pozwala na modele XL przy 20 GB i więcej. Mac z procesorem Intel jest za wolny.

Czym różni się turbo od base i sft?

Turbo tworzy dźwięk w 8 krokach i jest najszybszy, o wysokiej jakości; sft i base w 50 krokach, base jest najbardziej „twórczy” i jako jedyny obsługuje rozdzielanie i dokładanie ścieżek. Na co dzień turbo; do eksperymentów base.

Co to jest „Think”?

Przełącznik planera. Włączony: model sam dobiera tempo, tonację, długość i rozpisuje szkic utworu, co poprawia spójność. Wyłączony: wykonawca pracuje bezpośrednio z Twojego opisu i tekstu, szybciej i przy mniejszej pamięci. W trybach Remix i Repaint jest pomijany.

Czy mogę używać wyników w filmach na YouTube albo w reklamie?

Licencja pozwala. Autorzy proszą o sprawdzenie oryginalności i oznaczenie udziału AI; platformy mają własne zasady dla treści z AI. Przy użyciu komercyjnym skonsultuj się z prawnikiem, zwłaszcza jeśli utwór naśladuje rozpoznawalny styl.

Czy potrzebuję umieć programować?

Nie. Instalacja to wklejenie trzech poleceń albo rozpakowanie paczki; potem wszystko dzieje się w przeglądarce.

Podsumowanie fact-check

Źródła

Źródło	Typ	Wiarygodność
ACE-Step 1.5 – repozytorium i dokumentacja główna	Oficjalne	Wysoka
ACE-Step 1.5 – instrukcja instalacji	Oficjalne	Wysoka
ACE-Step 1.5 – przewodnik po interfejsie Gradio	Oficjalne	Wysoka
ACE-Step 1.5 – samouczek (opis, tekst, parametry)	Oficjalne	Wysoka
ACE-Step 1.5 – samouczek treningu LoRA	Oficjalne	Wysoka
ACE-Step 1.5 – strona projektu	Oficjalne	Wysoka
ACE-Step 1.5 – modele na Hugging Face	Oficjalne	Wysoka
ACE-Step 1.5 – raport techniczny	Publikacja naukowa	Wysoka
uv – menedżer pakietów Pythona	Oficjalne	Wysoka