一台 8GB 显卡也能跑：ACE-Step 1.5 Windows 本地部署与新手操作指南

想在自己的电脑上用 AI 生成歌曲，又不想把 Python、模型和缓存散落到系统盘？这篇文章记录一套已经实际跑通的 ACE-Step 1.5 Windows 部署方案：环境和模型尽量留在项目文件夹里，使用独立虚拟环境，支持 NVIDIA GPU，并把启动、停止、模型切换和清缓存都做成了可双击的批处理文件。

本文测试环境为 Windows 11、Python 3.12.7、PyTorch 2.7.1 + CUDA 12.8、NVIDIA RTX 3060 Ti 8GB。Web UI 已正常返回页面，CUDA 也能识别显卡。

项目仍在持续更新，模型能力和显存策略可能随版本变化。本文以 ACE-Step 1.5 和 2026 年 9 月的实测版本为准。

ACE-Step 1.5 能做什么

ACE-Step 1.5 是一个本地音乐生成项目。它既可以根据一句自然语言生成完整歌曲，也能接收歌词、BPM、调式和参考音频，完成翻唱、局部重绘、续写等工作。

常用模式可以这样理解：

公开分享生成音乐前，请确认歌词、参考音频和训练素材拥有合法使用权。不要把“本地生成”误解为“自动获得版权授权”。

为什么要做项目内隔离

很多 AI 项目会把依赖装到系统 Python，把模型写进用户目录，把缓存堆到 C 盘。项目一多，就容易出现依赖互相冲突、端口打架、模型重复下载，以及删项目后还残留几十 GB 文件的问题。

这套方案把主要内容都放在 ACE-Step 项目目录中：

<code class="language-text">ACE-Step-1.5/
├─ .venv/                 Python 独立虚拟环境
├─ .cache/                Hugging Face、ModelScope、Torch 等缓存
├─ models/checkpoints/    模型权重
├─ gradio_outputs/        生成的音频
├─ .env                   本项目配置
├─ 启动-WebUI.bat
├─ 停止-WebUI.bat
└─ 停止并清空缓存.bat
</code>

这样做的好处很直接：不改系统级 Python，不占用其他项目的模型目录，不覆盖全局环境变量，停止服务时也只处理本项目使用的端口。

开始前需要准备什么

官方要求 Python 3.11 或 3.12。Windows 用户推荐 NVIDIA 显卡；CPU 也能运行，但速度会慢很多。

本次部署中，模型目录约 15.16GB，虚拟环境约 6.14GB；缓存、下载文件和生成音频还会继续占用空间，所以不要只按模型大小准备磁盘。

新手部署方法

1. 获取项目源码

在准备好的目录中打开 PowerShell：

<code class="language-powershell">git clone https://github.com/ACE-Step/ACE-Step-1.5.git
cd ACE-Step-1.5
</code>

不熟悉 Git 的读者也可以下载源码压缩包并解压。路径尽量简短，避免放在需要管理员权限的系统目录中。

2. 创建独立环境

官方推荐使用 uv。本文配套部署将 uv 放在项目的 .toolsuv 中；使用原版源码的读者，也可以按官方说明安装 uv。无论采用哪种方式，都应让虚拟环境落在项目中的 .venv，不要把依赖安装进系统 Python。

<code class="language-powershell">uv sync
</code>

正常完成后，项目根目录会出现 .venv。本次 Windows 部署使用的是 Python 3.12.7 和 CUDA 12.8 版 PyTorch。

可以用下面的命令检查 GPU 是否被识别：

<code class="language-powershell">..venvScriptspython.exe -c "import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'CPU')"
</code>

看到 True 和自己的 NVIDIA 显卡名称，才表示 CUDA 路径真正可用。只看到网页能打开，并不等于模型已经在用 GPU。

3. 把缓存和模型锁在项目目录

在项目根目录创建 .env，核心思路如下。请把路径替换成自己的实际目录：

<code class="language-dotenv"># 主模型和 LM 都从本项目的模型目录读取。
ACESTEP_CHECKPOINTS_DIR=D:/AI/ACE-Step-1.5/models/checkpoints

# 8GB 显存优先使用速度快、占用较低的组合。
ACESTEP_CONFIG_PATH=acestep-v15-turbo
ACESTEP_LM_MODEL_PATH=acestep-5Hz-lm-0.6B
ACESTEP_LM_BACKEND=pt
ACESTEP_BATCH_SIZE=1

# 服务只监听本机；端口可根据本机占用情况调整。
SERVER_NAME=127.0.0.1
PORT=7861
ACESTEP_API_PORT=8001

# 不在启动时强制加载全部模型，网页起来后再初始化。
ACESTEP_NO_INIT=true

# 将常见缓存重定向到项目文件夹。
HF_HOME=D:/AI/ACE-Step-1.5/.cache/huggingface
MODELSCOPE_CACHE=D:/AI/ACE-Step-1.5/.cache/modelscope
TORCH_HOME=D:/AI/ACE-Step-1.5/.cache/torch
GRADIO_TEMP_DIR=D:/AI/ACE-Step-1.5/.cache/gradio-temp
</code>

这里用 7861 是因为本机的 7860 已被另一个项目占用。每个本地服务分配不同端口，就不会互相影响。

4. 准备模型

模型可以由程序首次运行时自动下载，也可以提前手动下载到：

<code class="language-text">modelscheckpoints
</code>

常用命令如下：

<code class="language-powershell"># 查看可下载模型。
..venvScriptsacestep-download.exe --list

# 下载适合 8GB 显存的 0.6B LM。
..venvScriptsacestep-download.exe --model acestep-5Hz-lm-0.6B --dir .modelscheckpoints

# 下载支持 Extract、Lego、Complete 的 Base 模型。
..venvScriptsacestep-download.exe --model acestep-v15-base --dir .modelscheckpoints
</code>

网络不稳定时，可以把模型文件直链交给 IDM 下载。下载结束后必须检查实际文件大小，不能只看 IDM 显示“完成”。如果其他项目中已有同版本、同目录结构的完整模型，也可以复制过来复用，但不要用半截下载文件覆盖完整权重。

8GB 显卡怎么选模型

ACE-Step 的主生成模型是 DiT，负责真正合成音乐；LM 更像“策划和理解助手”，负责扩写描述、生成歌词和元数据、理解音频等。两者不是同一个东西。

最稳妥的起步组合是：turbo + 0.6B LM + pt 后端 + 批量 1。遇到显存不足时，依次缩短时长、保持批量 1、关闭 LM、启用 CPU 卸载，不要一上来就换更大的模型。

双击脚本怎么用

为了让日常操作更简单，本文配套部署把常用命令做成了批处理文件。它们是本次部署额外增加的便捷工具，不是所有上游源码压缩包都自带：

清缓存脚本会保留 .venv、modelscheckpoints、.wheels 和 gradio_outputs，不会删掉模型和生成结果。它主要清理 .cache、.tmp、日志和下载临时目录。

第一次生成歌曲

1. 双击 启动-WebUI.bat。
2. 浏览器打开 http://127.0.0.1:7861。
3. 在网页中初始化服务，第一次加载模型需要耐心等待。
4. 新手先选 Simple 模式，输入“中文流行摇滚，男声，副歌有记忆点，120 BPM”一类描述。
5. 先生成 30-60 秒、批量 1 的样本，确认流程正常后再加长。
6. 生成结果到 gradio_outputs 中查找。

如果已经写好歌词，建议改用 Custom 模式。它减少了 LM 自由发挥的部分，歌词、曲风、速度和语言都更容易控制。

初始化失败怎么排查

网页能打开，但初始化一直失败

最常见原因是模型没有下载完整。检查 modelscheckpoints 中相应模型目录是否存在，以及大体积的 model.safetensors 是否真实落盘。只有配置文件、下载元数据或零字节文件，不能算模型完整。

下载反复中断

优先使用 IDM 或支持断点续传的下载器，并把目标直接放到项目模型目录。下载后再次核对文件大小。不要把浏览器下载失败留下的临时文件直接改名冒充权重。

提示端口被占用

用下面的命令检查端口：

<code class="language-powershell">netstat -ano | findstr :7861
</code>

如果这个端口属于其他项目，不要强行结束对方进程，直接在 .env 中给 ACE-Step 换一个空闲端口。

提示 CUDA 内存不足

先确认使用 0.6B LM、pt 后端和批量 1，再缩短生成时长。仍然不足时关闭 LM，仅使用 Custom 模式手动填写参数。8GB 显卡不建议同时追求 XL 主模型、1.7B/4B LM、长音频和高批量。

清缓存后还要重新下载吗

配套的“停止并清空缓存”脚本不会删除 modelscheckpoints，因此正常情况下不需要重新下载模型。手工清理时一定要分清“缓存”和“模型权重”。

最后给新手的几条建议

• 第一次先追求“完整跑通”，不要同时追求最长歌曲、最大模型和最高批量。
• 8GB 显卡优先使用 turbo + 0.6B LM + pt，这是稳定性和功能之间比较现实的平衡。
• 每个 AI 项目都使用自己的 .venv、模型目录、缓存目录和端口。
• 模型下载完成后检查真实文件，不要只相信下载器状态。
• 分享歌曲前检查歌词、参考音频和声音素材的授权范围。
• LoRA 训练通常需要更多显存；8GB 更适合推理和数据准备，完整训练建议使用 16GB 以上显卡或云 GPU。

把环境边界理清以后，ACE-Step 的日常使用其实很简单：双击启动、打开网页、初始化模型、填写描述、生成并试听。最费时间的是第一次准备依赖和模型，后面就会变成一个相对独立、可随时启动和停止的本地音乐工作台。

参考链接

• ACE-Step 1.5 官方项目