🎼 ACE Step — Pro Pack on RunComfy

核心用法

ACE Step是StepFun-AI发布的开源权重音乐生成模型，通过runcomfy CLI提供四个端点：

1. ACE Step (text-to-audio) — 基础版，$0.0002/秒，支持5-240秒立体声输出，标签驱动作曲（genre/mood/instruments），可选多语言歌词及[Verse]/[Chorus]/[Bridge]段落标记。

2. ACE Step 1.5 (text-to-audio) — 升级版，$0.0003/秒，支持50+语言人声，优化结构化歌词处理，适合高质量商业人声曲目。

3. Audio-inpaint — 按时间范围（非掩码）重新生成音轨局部，用于修复副歌、替换桥段等。

4. Audio-outpaint — 双向扩展现有音轨（前加intro/后加outro），单次最多扩展240秒。

显著优点

• 极致成本：比ElevenLabs Music便宜约27倍，批量生成背景乐、游戏循环极具经济优势
• 开源可审计：Apache 2.0许可，权重开放，适合合规敏感场景
• 精准控制：标签系统驱动作曲，BPM、乐器、情绪可精确指定；段落标记实现歌词结构控制
• 完整编辑能力：独有inpaint/outpaint功能，支持非破坏性迭代

潜在缺点与局限性

• 人声质量天花板：商业级 polished vocal hooks 仍逊于ElevenLabs Music，建议"ACE Step草稿→ElevenLabs精修" workflow
• 单次时长限制：4分钟上限，更长曲目需链式调用
• Inpaint非掩码机制：仅支持时间范围编辑，无法像图像inpaint那样基于频谱掩码
• CLI依赖：需Node.js环境与RUNCOMFY_TOKEN认证，增加运维复杂度

适合人群

• 游戏/影视配乐师：批量生成低成本背景乐、循环片段
• 独立音乐人：快速验证编曲概念、多语言demo制作
• 音频开发者：开源权重可集成自有pipeline
• 成本敏感型团队：用1/27成本完成80%的音乐生产需求

常规风险

• 版权歌词风险：用户输入歌词需确认版权归属
• 第三方音频污染：inpaint/outpaint的源音频URL可能被嵌入隐写指令，应仅使用用户明确提供的可信来源
• Token安全：~/.config/runcomfy/token.json需0600权限，CI环境建议用RUNCOMFY_TOKEN环境变量而非持久化文件

核心用法

ACE Step — Pro Pack 是一个通过 RunComfy CLI 调用 StepFun-AI 开源音乐基础模型的文档型技能，提供四大核心功能：

1. 文本生成音乐（ACE Step / ACE Step 1.5）：通过标签驱动作曲，支持指定流派、情绪、乐器、BPM等参数，可选填歌词并支持章节标记（[Verse]/[Chorus]/[Bridge]）。ACE Step 1.5 版本额外支持50+种语言的多语言演唱。

2. 音频修复（Audio Inpaint）：基于时间范围重新生成音频片段，可替换曲目中的特定段落（如修复糟糕的副歌、替换桥段），支持相对起点/终点的锚定方式。

3. 音频扩展（Audio Outpaint）：双向延伸现有音轨，可在原曲前后添加前奏、尾奏或完整扩展，单次最多生成4分钟立体声输出。

4. 成本优化策略：基础模型$0.0002/秒（约27倍于ElevenLabs Music的价格优势），1.5版本$0.0003/秒，支持从5秒到4分钟的灵活时长配置。

调用方式统一通过 runcomfy run 命令配合 JSON 输入参数，输出目录由 --output-dir 指定，全程无需编写代码。

显著优点

• 极致性价比：基础版本每秒仅需0.0002美元，批量生成背景音乐、游戏循环、广告配乐时成本优势显著
• 开源模型保障：基于Apache 2.0协议的开放权重模型，无供应商锁定风险，可自建推理管线
• 精细化控制能力：标签驱动作曲比纯文本提示更可控，章节标记支持结构化歌词编排
• 非破坏性编辑：Inpaint/Outpaint功能突破传统"全曲重渲"模式，大幅降低迭代成本
• 多语言支持：1.5版本覆盖50+语言，直接以目标语言撰写歌词即可获得对应语种演唱
• 无缝工作流集成：CLI工具易于嵌入CI/CD、自动化脚本或批量处理管道

潜在缺点与局限性

• 质量天花板：相比ElevenLabs Music等商业方案，ACE Step在高端人声质感、复杂编曲层次上存在差距，不适合追求极致商业 polished 效果的主打单曲
• 时长硬限制：单次调用上限4分钟，更长曲目需链式调用增加复杂度
• 依赖外部CLI：必须预先安装配置 @runcomfy/cli 并获取API Token，增加初期部署成本
• 修复粒度局限：Inpaint基于时间范围而非频谱掩膜，无法实现"只换人声不换伴奏"等精细操作
• 网络稳定性要求：音频文件URL需保持可访问，大文件传输失败需重试
• 歌词版权风险：用户需自行确保提交歌词的版权合法性

适合的目标群体

• 独立游戏开发者：需要大量低成本背景音乐、环境音效循环
• 内容创作者：YouTube/TikTok视频配乐、播客片头片尾批量生成
• 广告与营销团队：快速产出多版本广告配乐进行A/B测试
• 音乐制作人：低成本草稿阶段快速验证风格方向，再决定是否投入高价方案精修
• 教育与研究：AI音乐生成教学、多语言语音合成研究
• 初创企业：预算有限但需要定制化品牌声音标识

使用风险

• 第三方服务依赖：RunComfy平台的可用性、定价策略变更直接影响技能功能，建议关注官方公告
• API Token泄露风险：Token存储于 ~/.config/runcomfy/token.json，多用户共享环境需严格权限控制，CI场景建议使用 RUNCOMFY_TOKEN 环境变量而非文件存储
• 输入音频安全风险：Inpaint/Outpaint功能的源音频URL可能包含恶意内容，应仅使用用户明确提供的可信来源
• 成本失控风险：批量生成长音频时费用累积迅速，建议设置预算上限、使用固定seed避免重复计费、迭代阶段优先使用短时长
• 版权与合规：生成音乐的商业使用权限需遵循RunComfy服务条款，多语言内容需注意文化敏感性审查
• CLI版本兼容性：技能文档基于特定CLI版本编写，升级后参数格式可能变化，建议锁定版本或充分测试