scenario-ace-step

Scenario ACE-Step Music

概要

Scenario の音楽制作ファミリーである ACE-Step 1.5 では、各モードがそれぞれ独立したモデルに分かれています。Text to Music、Cover、Repaint には、それぞれ Turbo と Quality の2つのレーンがあります。さらに、フル品質の編集モデルが3つ（Add Layer、Complete Track、Stem Extract）あり、作成時点では合計9モデルです。search で見つけ、モード名でモデルを選び、 model_schema_get を仕様として扱ってください。

接続と基本的な手順については、このリポジトリの scenario スキルを参照してください。モデルに依存しないオーディオ作業については、 scenario-audio スキルを参照してください。ここに記載されている兄弟スキルが利用可能なスキルに見つからない場合は、ユーザーに インストールを依頼してください（npx skills add scenario-labs/skills --skill <name>）。無人で実行する場合は、ツールスキーマに従って進め、不足しているスキルを明示してください。

クイックリファレンス

モード	主な入力	動作
Text to Music	prompt または lyrics（どちらか一方で十分）	フル楽曲を生成します。duration は10～600秒（空欄の場合はモデルが選択）、bpm、keyscale を指定できます。
Cover	srcAudio（および referenceAudio）	楽曲のスタイルを変えます。または、新しい lyrics で歌い直します。audioCoverStrength で元の楽曲をどれだけ残すかを設定します。
Repaint	srcAudio ＋ ウィンドウ	repaintingStart から repaintingEnd までをその場で再生成し、長さを維持します。
Add Layer	srcAudio ＋ trackName ＋ prompt	キー、テンポ、グルーヴに合わせたステムを1つ追加します。任意の範囲を指定することもできます。
Complete Track	srcAudio ＋ completeTrackClasses ＋ prompt	部分的な録音をもとにステムをアレンジします（Vocal2BGM）。
Stem Extract	srcAudio ＋ trackName	ミックスから1つのステムを分離します。

数値は作成時点のものです。上限は model_schema_get で確認してください。ステムのフィールドには12個の固定値（vocals、backing_vocals、drums、bass、guitar、keyboard、percussion、strings、synth、fx、 brass、woodwinds）のいずれかを指定します。自由入力はできません。srcAudio は単一のオーディオアセットです。まず upload_asset を使うか、生成済みのアセット ID を再利用してください。各モデルで、numOutputs（1～4）はコストを倍増させ、thinking （デフォルトは true。Stem Extract にはありません）は計画段階を実行します。vocalLanguage がある場合、デフォルトは自動検出です。guidanceScale は編集モデル3種のみに、audioCoverStrength は Cover のみにあります。また、repaintingEnd: -1 を指定するとトラックの最後まで再生成します。

レーンの選択

Turbo と Quality の兄弟モデルは、作成時点では Repaint Turbo のみにある audioFormat（mp3、wav、flac）を除き、同じパラメーターを受け取ります。このファミリーのどのモデルにも seed はないため、同じ範囲を Repaint しても別々のテイクとなり、歌い手が変わる場合があります。Repaint は指定範囲を再生成するものであり、元の歌声が維持されるとは限りません。一致するものを得るために何度も実行するのではなく、numOutputs でまとめて生成して選び、歌唱部分を修正するために Repaint する前に、次のセクションを読んでください。他のファミリーの一部のセクション作曲モデルでは逆の仕様になっており、seed を受け取る一方で numOutputs はありません。このルールについては scenario-audio を参照してください。Quality は忠実度とプロンプトへの適合性を高めるよう調整されたフルサイズのチェックポイントです。Turbo は速度重視の蒸留モデルで、作成時点のコストは半分です。Turbo で歌詞、構成、範囲を調整してから、採用する設定を Quality の兄弟モデルで再実行してください。編集モデル3種には Turbo レーンがありません。duration と numOutputs はどちらも価格に影響するため、長いトラックや複数の出力を生成する前に dry_run=true を実行してください。

曲を書く

promptにはジャンル、ムード、楽器、プロダクションを1行で記したスタイルの説明だけを入れ、歌詞はlyricsに入れて、[Verse]、[Chorus]などのセクションタグで構成します。指示は[Bridge - whispered]のようにタグ内に記し、バックボーカルは（括弧）で囲み、力強く歌い上げる行は大文字にします。ボーカルなしの楽曲は、説明文に「no vocals」と書くのではなく、instrumental: trueにします。テンポとキーには専用のフィールド（bpm、keyscale。例：「C Major」）があるため、説明文には記しません。

再生成せずに編集する

• Coverは構成を認識できる形で保ちます。audioCoverStrengthを1に近づけるとアレンジに忠実になり、0.5〜0.6にするとフックを維持しながらジャンルを変化させ、0.2前後にするとムードだけを取り入れます。referenceAudioは任意で、ジャンルや雰囲気を取り入れるために使えます。書き直した歌詞はlyricsに入れます。
• 元の声を維持する必要がある歌詞の修正（歌い間違えた行や、名前を変更する必要がある場合など）には、Coverを試してください。録音全体をsrcAudioに指定し、修正後の歌詞をlyricsに入れ、audioCoverStrengthはデフォルトの1のまま、候補から選べるようにnumOutputsを最大4にします。強度を高くすると元の音声が優先されますが、修正後の歌詞、歌手、歌い方、タイミングが保証されるわけではありません。波形の違いだけでは、声が変わったことも、音声が継ぎはぎされたことも証明できません。候補をマスターと聴き比べ、編集する前に両方の録音で差し替える境界を特定してください。試聴できない場合や、条件に合う候補がない場合は、候補をレビュー用に渡してマスターは変更しないでください。確認できたら、選んだテイクからmodel_scenario-audio-cut（固定のファーストパーティIDで、Scenarioが提供する唯一の決定論的な音声トリマーです。したがって、検出してもIDを再確認できるだけです）で修正部分だけを切り出し、切り出した音声とマスターをasset_downloadして、ローカルでつなぎ合わせます。2つの音声ファイルを結合するMCPツールはないため、結合は別の実行で補うのではなく、ダウンロードしたファイルを使って編集します。トラックが映像に合わせて流れる場合は、代わりにscenario-video-assemblyのコンポジターで、その部分を音声レイヤーとしてクリップに重ねます。
• 新しいテイクで問題ないセクションの歌詞をRepaintウィンドウ内で変更するには、promptを「Repaint the selected section with new sung lyrics:」で始め、全歌詞をlyricsに渡して、該当セクションを新しい歌詞に差し替え、thinking: falseに設定します。そのセクションは新しいテイクになる想定です。
• Complete Trackは、メロディーとリズムが明瞭なソースで最も効果を発揮します。

実例：生成した曲のサビを修正する

1. target="models"、query="ace-step"、public=trueを指定してsearchします。モード名で対象を選びます。例：model_ace-step-1-5-turbo-text-to-music、model_ace-step-1-5-turbo-repaint（執筆時点での検索結果です。セッションごとに再検出してください）。
2. 実行する前に、各IDに対してmodel_schema_getを実行します。
3. Text to Musicメンバーをmodel_runし、dry_run=trueにして見積もりを取得します。parameters={"prompt": "indie folk, warm, fingerpicked guitar, soft female vocals", "lyrics": "[Verse]\n...\n[Chorus]\n...", "duration": 90, "vocalLanguage": "en"}を指定します。durationまたはnumOutputsを変更した場合は、見積もりを取り直してください。
4. wait=falseで再実行し、続いてジョブIDを指定してjobs_waitを実行します。タイムアウトした場合は、pending_job_idsを指定して再度呼び出してください。model_runを2回目に実行してはいけません。
5. asset_displayで試聴し、サビの範囲（例：24〜52秒）を記録します。
6. 修正後も維持する必要がある要素を決めます。声も含めてサビを新しいテイクにする場合はRepaintメンバーを使います。model_runでparameters={"srcAudio": "<asset id>", "repaintingStart": 24, "repaintingEnd": 52, "thinking": false, "prompt": "Repaint the selected section with new sung lyrics:", "lyrics": "<full sheet with the new chorus in place>"}を指定し、声が変わることを許容します。元の声との連続性が重要な場合は、代わりにCoverメンバーを試してください。parameters={"srcAudio": "<asset id>", "lyrics": "<full sheet with the new chorus in place>", "audioCoverStrength": 1, "numOutputs": 3}を指定し、「再生成せずに編集する」のセクションに従って、切り出しと結合の前に試聴します。
7. もう一度試聴してから、採用する音声をasset_downloadします（音声の場合はformatを省略します）。

よくある間違い

• 1 つのモデルがモードを推測してくれると期待すること。各モードは別々のメンバーです。search から名前で選んでください。
• prompt の歌詞シートに歌詞を記載すること。512 文字が上限で、スタイルも含まれます。歌詞は lyrics に記載してください。
• trackName または completeTrackClasses に「キックドラム」のような自由記述のステムを指定すること。有効なのは固定された 12 個の値のみです。
• レシピなしで新しい歌詞を歌い直させること。センチネルプロンプト、新しいセクションを差し替えた歌詞シート全体、thinking: false をセットで指定します。
• 歌唱された 1 行を修正するために歌い直させ、同じ歌手が戻ってくると期待すること。テイクを固定するシードはなく、ウィンドウが再生成されるため、声が変わる可能性があります。修正した lyrics と最大の audioCoverStrength を指定したカバーでは、試聴できる候補が生成されますが、同じパフォーマンスが保証されるわけではありません。
• これらのメンバーに seed を、シードがあるコンポーザーに numOutputs を探すこと。ここでは numOutputs でバッチ処理します。メンバーに seed があり、バッチフィールドがない場合は、異なるシードを指定して複数回並列で実行してください。各実行は個別に料金が発生します。
• Repaint でトラックの長さが変わると期待すること。ウィンドウはその場で再生成されます。同じトラックの長いバージョンを作るには、scenario-audio スキルが教える別のファミリーのメンバーで実行する「拡張」レーンを使います。最初から異なる長さのトラックを作る場合は、新しい Text to Music 実行を行います。