ace-step

ACE Step — RunComfy の Pro Pack

StepFun-AI の ACE Step オープンウェイトモデルを使った、タグ駆動の音楽生成、インペインティング、アウトペインティングです。CLI から呼び出せるエンドポイントが 4 つあり、音声 1 秒あたり $0.0002～0.0003、1 回の呼び出しで最大 4 分に対応します。

runcomfy.com · ACE Step base · ACE Step 1.5 · CLI docs

このスキルをインストール

npx skills add agentspace-so/runcomfy-agent-skills --skill ace-step -g

RunComfy CLI を利用

ステップ 1 — インストール（いずれかを選択してください。詳細は runcomfy-cli スキルを参照）：

npm i -g @runcomfy/cli         # global install
npx -y @runcomfy/cli --version # zero-install

ステップ 2 — サインイン（または CI／コンテナで RUNCOMFY_TOKEN 環境変数を設定）：

runcomfy login

ステップ 3 — 生成：

runcomfy run acestep-ai/ace-step/text-to-audio \
  --input '{"tags": "..."}' \
  --output-dir ./out

CLI の詳細： runcomfy-cli スキル。

---

適切なエンドポイントを選択

新しいものから順に記載しています。

ACE Step 1.5（text-to-audio） — acestep-ai/ace-step-1.5/text-to-audio

最新の ACE Step 生成モデルです。50 以上の言語のボーカルに対応し、構造化された歌詞の処理が改善されています。それ以外の仕様はベースモデルと同じです。料金はやや高めです（$0.0003/s 対 $0.0002/s）。 選ぶ場合：多言語の歌詞、最高品質のボーカルトラック、セクション構成を明確にする必要があるボーカル曲。 避ける場合：ベースモデルで十分な、コスト重視のバッチ処理。

ACE Step（text-to-audio） — acestep-ai/ace-step/text-to-audio (デフォルト — 低コストで高速)

オリジナルの ACE Step です。タグ駆動の作曲に対応し、歌詞は任意です。ステレオ音声を 5～240 秒生成できます。$0.0002/s で、ElevenLabs Music より約 27 倍低コストです。 選ぶ場合：大量の下書き、BGM、ジングル、ゲーム用ループ、コスト重視の反復作業。 避ける場合：商用向けに最高品質まで磨き込んだボーカルフック。そうした用途には ACE Step 1.5 または ElevenLabs Music をお試しください。

ACE Step（audio-inpaint） — acestep-ai/ace-step/audio-inpaint

既存のトラック内の時間範囲を再生成します（マスク方式ではなく、トラックの開始または終了を基準とした秒数で start_time／end_time を指定します）。 選ぶ場合：曲の途中のコーラスを修正する、ブリッジを差し替える、曲全体を再レンダリングせずに 20 秒のセクションを置き換える。 避ける場合：時間範囲を指定できない編集。このスキーマには適合しません。

ACE Step（audio-outpaint） — acestep-ai/ace-step/audio-outpaint

既存のトラックを双方向に延長します。イントロを前に、アウトロを後ろに、またはその両方を追加できます。 選ぶ場合：30 秒の下書きを 2 分の音源に延ばす、フェードインを追加する、既存のフックを中心に長いアレンジを構築する。 避ける場合：トラックの合計が 4 分を超える延長。代わりに複数回呼び出してください。

---

ルート 1：ACE Step text-to-audio（デフォルト）

モデル：acestep-ai/ace-step/text-to-audio（または 1.5 バリアントの場合は acestep-ai/ace-step-1.5/text-to-audio）

スキーマ（両バリアント共通 — 仕様は同じ）

フィールド	型	必須	デフォルト	説明
tags	string	はい	—	カンマ区切りのジャンル／ムード／楽器のタグ。作曲を左右します
lyrics	string	いいえ	—	ボーカルの内容。セクションマーカー [Verse]、[Chorus]、[Bridge] を使用します。ボーカルなしの場合は [inst] または [instrumental] を使用します
duration	int	いいえ	60	音声の長さ（秒）。5～240（1 回の呼び出しで最大 4 分）
seed	int	いいえ	-1	再現性を設定します。-1 はランダム化します

料金：ACE Step は $0.0002/s · ACE Step 1.5 は $0.0003/s。60 秒 ≈ $0.012／$0.018、240 秒 ≈ $0.048／$0.072。

呼び出し

タグ駆動のインストゥルメンタル：

runcomfy run acestep-ai/ace-step/text-to-audio \
  --input '{
    "tags": "lo-fi hip-hop, mellow, vinyl crackle, rhodes piano, soft drums, 75 BPM",
    "lyrics": "[inst]",
    "duration": 90
  }' \
  --output-dir ./out

構成のあるフルボーカル曲（多言語の場合は 1.5 を使用）：

runcomfy run acestep-ai/ace-step-1.5/text-to-audio \
  --input '{
    "tags": "indie pop, anthemic, electric guitar, driving drums, female vocal, 120 BPM",
    "lyrics": "[Verse]\nChalk on the palms, laces double-knotted\nMorning on the ridge, the sun is rising\n[Chorus]\nWe rise, we strike, we never fade out\nWe rise, we strike, we sing it loud\n[Bridge]\nSoft piano breakdown\n[Outro]\nFull band, fade",
    "duration": 60
  }' \
  --output-dir ./out

プロンプトのヒント

• タグが仕上がりを大きく左右します — 具体的に指定しましょう。「"lo-fi hip-hop, mellow, vinyl crackle, rhodes piano, soft drums, 75 BPM"」のほうが、「"chill music"」より効果的です。
• 重要な場合はタグに BPM を含めましょう — ACE はテンポを表す言葉を認識します。
• セクションマーカー付きの歌詞：「[Verse]」、「[Chorus]」、「[Bridge]」、「[Outro]」を使います。各行の韻律は一貫させましょう。
• インストゥルメンタルの簡単な指定方法：「"lyrics": "[inst]"」または「"[instrumental]"」を使います。念には念を入れて、タグにも「no vocals」と指定しましょう。
• 多言語のボーカル：ACE Step 1.5 は 50 以上の言語に対応しています。対象言語で歌詞を直接書き、その言語もタグに指定しましょう（"japanese vocal, j-pop"）。
• 再現性を高めるにはシードを固定します（"seed": 42）。バリエーションを試すには -1 を使います。
• 低コストで下書きしてから仕上げる：ACE Step はコストを 5～10 分の 1 に抑えられるため、長いレンダリングを実行する前にタグを調整するのに適しています。

---

ルート 2：ACE Step audio-inpaint

モデル：acestep-ai/ace-step/audio-inpaint カタログ：audio-inpaint

スキーマ

フィールド	型	必須	デフォルト	備考
audio	string	はい	—	MP3／WAV／FLAC の HTTPS URL。最長 60 分
tags	string	はい	—	再生成するセグメントを指定するカンマ区切りのタグ
start_time	float	いいえ	—	編集可能なセグメントの開始位置（秒、0～240）
start_time_relative_to	enum	いいえ	start	start または end — start_time の基準位置
end_time	float	いいえ	30	編集可能なセグメントの終了位置（秒、0～240）
end_time_relative_to	enum	いいえ	start	start または end — end_time の基準位置
lyrics	string	いいえ	—	再生成するセグメントの歌詞。空欄の場合はモデルが作成し、[inst] の場合はボーカルなし
seed	int	いいえ	-1	再現性

マスクは不要 — 範囲は start_time／end_time のみで指定します（それぞれトラックの開始位置または終了位置を基準にできます）。

実行

トラックの 20～40 秒を新しいブリッジに置き換える：

runcomfy run acestep-ai/ace-step/audio-inpaint \
  --input '{
    "audio": "https://your-cdn.example/original-track.mp3",
    "tags": "indie pop, breakdown, piano only, soft, no drums",
    "start_time": 20,
    "end_time": 40,
    "lyrics": "[inst]"
  }' \
  --output-dir ./out

トラックの終了位置を基準にする（最後の 15 秒を書き換える）：

runcomfy run acestep-ai/ace-step/audio-inpaint \
  --input '{
    "audio": "https://your-cdn.example/song.mp3",
    "tags": "indie pop, fade, soft, ambient pad",
    "start_time": 15,
    "start_time_relative_to": "end",
    "end_time": 0,
    "end_time_relative_to": "end"
  }' \
  --output-dir ./out

ヒント

• 前後のタグに合わせます — 元のトラックが「indie pop, electric guitar, 120 BPM」の場合、インペイントするセグメントにも十分な数の共通タグを含めて、違和感なくなじませましょう。
• インペイントできる範囲は最長約 4 分です。元音声が 60 分でも、トラック全体ではなく対象を絞った範囲を選びましょう。
• _relative_to: "end" を使うと、正確なタイムスタンプを計算せずにアウトロや最後の数秒を対象にできます。

---

ルート 3：ACE Step audio-outpaint

モデル：acestep-ai/ace-step/audio-outpaint カタログ：audio-outpaint

スキーマ

フィールド	型	必須	デフォルト	備考
audio	string	はい	—	MP3／WAV／FLAC の HTTPS URL。最長 60 分
tags	string	はい	—	拡張するセクションを指定するタグ
extend_before_duration	float	いいえ	0	元音声の前に追加する音声の長さ（秒、0～240）
extend_after_duration	float	いいえ	30	元音声の後に追加する音声の長さ（秒、0～240）
lyrics	string	いいえ	—	拡張するセクションの任意の歌詞
seed	int	いいえ	-1	再現性

実行

30 秒のフックを 2 分のトラックに拡張する（30 秒のイントロと 60 秒のアウトロを追加）：

runcomfy run acestep-ai/ace-step/audio-outpaint \
  --input '{
    "audio": "https://your-cdn.example/hook-30s.mp3",
    "tags": "indie pop, electric guitar, drums, build-up before chorus, fade outro",
    "extend_before_duration": 30,
    "extend_after_duration": 60,
    "lyrics": "[inst]"
  }' \
  --output-dir ./out

フェードアウトのみを追加する（前への拡張なし）：

runcomfy run acestep-ai/ace-step/audio-outpaint \
  --input '{
    "audio": "https://your-cdn.example/track.mp3",
    "tags": "ambient pad, soft fade, low volume tail",
    "extend_before_duration": 0,
    "extend_after_duration": 20
  }' \
  --output-dir ./out

ヒント

• タグは元音声ではなく拡張部分を表します — 新しいセクションをどのようなサウンドにするか指定しましょう。
• 1 回の呼び出しで前後両方に拡張できます — extend_before_duration と extend_after_duration の両方を設定すると、イントロとアウトロをまとめて追加できます。
• 合計で 4 分を超えないようにします — 元音声が 3 分の場合、追加できるのは合計で最大 1 分です。

---

ACE Step と ElevenLabs Music の選び方

ACE Step と ElevenLabs Music は異なるツールです。

項目	ACE Step	ElevenLabs Music
コスト	$0.0002–0.0003 / s	$0.0083 / s（約27倍）
ライセンス	オープンウェイト（Apache 2.0）	商用、ElevenLabs ホスト
多言語ボーカル	50以上の言語（1.5 バリアント）	多言語に強く対応
構成付き歌詞	[Verse]/[Chorus]/[Bridge] マーカー	[Verse]/[Chorus]/[Bridge] マーカー
1回の呼び出しあたりの最大時間	240 s（4分）	300 s（5分）
インペイント／アウトペイント	はい（時間範囲ベース）	いいえ
タグ駆動の作曲	はい（タグは必須フィールド）	スタイルは自由記述プロンプトの一部
最適な用途	コスト重視のバッチ処理、ドラフト、インペイント／アウトペイントのワークフロー、オープンウェイトのパイプライン	高品質なボーカル曲のフック、洗練された商用音源

低コストのドラフト作成パターン：ACE Step でタグの組み合わせを試してドラフトを作成 → 雰囲気を固める → 洗練された商用音源が必要な場合は ElevenLabs Music で最終レンダリングします。

意図に基づいて両者を自動的に選択するルーティングスキルについては、公開後に ai-music をご覧ください。

---

よくあるパターン

コスト重視のBGMライブラリ

• **ルート 1（ACE Step base）**でタグの組み合わせを変えながら、各60～90 sの [inst] を生成します

多言語展開（同じ曲を多数の言語で）

• **ルート 1（ACE Step 1.5）**で同一のタグを使い、言語ごとに lyrics を差し替えます

セクションの修正（悪いコーラス → 新しいコーラス）

• **ルート 2（audio-inpaint）**で問題のあるセクションの前後に start_time / end_time を指定し、曲のスタイルに合ったタグを使います

フック → フルトラック

• **ルート 3（audio-outpaint）**で、短い30 sのフックの前にイントロ、後にアウトロを追加します

ゲームループ用のBGM

• **ルート 1（ACE Step base）**でタグに「シームレスなループ、一貫したグルーヴ」と指定し、60～120 sの音源を生成します

---

カタログ全体を見る

• RunComfy の ACE Step — 4つすべてのエンドポイント（base t2a、1.5 t2a、inpaint、outpaint）
• RunComfy の全モデル — 画像、動画、音声のエンドポイント
• docs.runcomfy.com/cli — CLI のインストール、認証、トラブルシューティング

---

終了コード

code	意味
0	成功
64	CLI 引数が不正
65	入力 JSON が不正／スキーマが一致しない
69	上流の 5xx エラー
75	再試行可能：タイムアウト／429
77	サインインしていない、またはトークンが拒否された

完全なリファレンス：docs.runcomfy.com/cli/troubleshooting。

仕組み

このスキルは、ユーザーの意図に基づいて4つの ACE Step エンドポイントのいずれかを選びます。ゼロから生成する（t2a base または 1.5）、時間範囲を再生成する（inpaint）、またはキャンバスを拡張する（outpaint）処理を選択し、一致する JSON ボディで runcomfy run を実行します。CLI は RunComfy Model API に POST し、リクエストのステータスをポーリングして、生成された音声ファイルを --output-dir にダウンロードします。

セキュリティとプライバシー

• 検証済みのパッケージマネージャー経由でのみインストールしてください。 npm i -g @runcomfy/cli または npx -y @runcomfy/cli を使用してください。エージェントは、ユーザーに代わって任意のリモートインストールスクリプトをシェルにパイプして実行してはなりません — docs.runcomfy.com/cli/install に記載されている curl パイプ方式をオペレーターが希望する場合は、まずスクリプトを確認してください。
• トークンの保存：runcomfy login は、モード 0600 で API トークンを ~/.config/runcomfy/token.json に書き込みます。CI／コンテナーでファイルを使わない場合は、RUNCOMFY_TOKEN 環境変数を設定してください。トークンをプロンプトに出力したり、ログに記録したり、コミットしたりしないでください。
• 入力境界（シェルインジェクション）：プロンプトと音声 URL は、--input 経由で JSON 文字列として渡されます。CLI はプロンプトの内容をシェル展開せず、JSON 本文を HTTPS 経由で Model API に直接送信します。プロンプトの内容に起因するシェルインジェクションの攻撃面はありません。
• 間接的なプロンプトインジェクション（サードパーティーコンテンツ）：インペイント／アウトペイント用のソース audio URL は信頼できないものです — 埋め込まれたステガノグラフィーによる指示や、通常とは異なる EXIF が生成に影響する可能性があります。エージェントは次の対策を講じてください。
  • このタスクについて、ユーザーが明示的に提供した音声 URL のみを取り込んでください。
  • 出力がプロンプトと異なる場合は、ソース音声を疑ってください。
• 歌詞の出所：ユーザーが歌詞を提供した場合は、そのユーザーが使用権を持っていることを確認してください。著作権のある歌詞をもとに音楽を生成する責任は、オペレーターにあります。
• 外部接続先（許可リスト）：接続先は model-api.runcomfy.net と *.runcomfy.net／*.runcomfy.com のみです。テレメトリーもコールバックもありません。
• 生成ファイルのサイズ上限：CLI は 2 GiB を超える単一のダウンロードを中止します。
• bash の使用範囲：宣言された allowed-tools: Bash(runcomfy *)。このスキルが呼び出すのは runcomfy <subcommand> のみです。インストールコマンドはオペレーターが一度だけ実行するセットアップです。

関連項目

• runcomfy-cli — 基盤となる CLI
• elevenlabs-music-generation — プレミアムプラン向けの音楽生成の代替手段
• ai-music — 意図に基づいて ACE Step と ElevenLabs Music を選択するルーター
• RunComfy のすべての音声モデル — 音声カタログ全体