scenario-ace-step

Scenario ACE-Step 音乐

概述

Scenario 上的 ACE-Step 1.5 音乐制作系列将每种模式拆分为独立模型：文本生成音乐、翻唱和重绘各有 Turbo 与 Quality 两种版本，此外还有一组三个全质量编辑模型（添加音轨、完成曲目、提取分轨），编写本文时共九个成员。使用 search 发现它们，按模式名称选择成员，并将 model_schema_get 视为接口规范。

关于连接和核心循环，请参阅本仓库中的 scenario 技能；关于与模型无关的音频工作，请参阅 scenario-audio 技能。如果此处提及的同级技能不在你的可用技能中，请让用户安装它（npx skills add scenario-labs/skills --skill <name>）；无人值守时，根据工具架构继续操作，并指出这一缺失。

快速参考

模式	关键输入	行为
文本生成音乐	prompt 或 lyrics（任一即可）	完整歌曲；duration 为 10 到 600 秒（留空则由模型选择），以及 bpm、keyscale
翻唱	srcAudio（+ referenceAudio）	为歌曲重新设计风格，或用新的 lyrics 重新演唱；audioCoverStrength 设置原曲保留程度
重绘	srcAudio + 时间窗口	原位重新生成 repaintingStart 到 repaintingEnd 的部分，保持长度不变
添加音轨	srcAudio + trackName + prompt	添加一个与调性、速度和律动匹配的分轨，可选指定时间窗口
完成曲目	srcAudio + completeTrackClasses + prompt	围绕部分录音编排分轨（Vocal2BGM）
提取分轨	srcAudio + trackName	从混音中分离一个分轨

数值范围以编写本文时为准：请通过 model_schema_get 查看上限。分轨字段必须使用十二个固定值之一（人声、和声、鼓、贝斯、吉他、键盘、打击乐、弦乐、合成器、音效、铜管、木管），不能填写自由文本。srcAudio 是单个音频资源：先使用 upload_asset，或复用已生成的资源 ID。所有成员均支持：numOutputs（1 到 4）会按倍数增加费用，thinking（默认为 true，提取分轨除外）会执行规划步骤；如有 vocalLanguage，默认会自动检测。只有三个编辑模型支持 guidanceScale，只有翻唱支持 audioCoverStrength；repaintingEnd: -1 表示重绘至曲目结尾。

版本选择

Turbo 和 Quality 同级模型接受相同参数，但编写本文时，只有 Repaint Turbo 支持 audioFormat（mp3、wav、flac）。该系列中没有任何成员暴露 seed，所以对同一时间窗口进行两次重绘，就会得到两个不同版本，歌手也可能有所变化。重绘会重新生成该时间窗口；不要假设它会保留原始人声。使用 numOutputs 批量生成后再挑选，而不要为匹配效果反复运行；在重绘已唱出的歌词前，请先阅读下一节。其他系列中的某些片段编排器则恰好相反：它们支持 seed，但不支持 numOutputs；这一规则见 scenario-audio。Quality 是完整尺寸的检查点，针对保真度和提示词遵循度进行了调优；Turbo 则通过蒸馏提升速度，且编写本文时费用只有一半。先用 Turbo 反复调整（歌词、结构、时间窗口），再用选定版本的参数运行 Quality 同级模型。三个编辑模型都没有 Turbo 版本。duration 和 numOutputs 都会影响价格，因此生成长曲目或批量运行前，请使用 dry_run=true。

创作歌曲

将 prompt 保持为一行风格说明（流派、情绪、乐器、制作），并将歌词放在 lyrics 中，用分段标签组织，例如 [Verse]、[Chorus]，在标签内标注演唱指示，例如 [Bridge - whispered]，和声放在（括号）中，用大写字母表示高声演唱的歌词。无演唱的音乐应设置 instrumental: true，而不是在说明中写“no vocals”。速度和调性有专用字段（bpm、keyscale，例如 "C Major"），不要写在说明中。

无需重新生成即可编辑

• Cover 会保留可辨识的结构；audioCoverStrength 接近 1 时会忠实保留编曲，0.5 到 0.6 时会改变流派，同时保留钩子，约 0.2 时只会借鉴情绪。referenceAudio 可选地提供流派和感觉；改写后的歌词放在 lyrics 中。
• 如果要修正歌词，且必须保留源音频中的人声（例如唱错了一句，或必须改掉某个名字），可以尝试 Cover：将整段录音放在 srcAudio 中，将修正后的歌词放在 lyrics 中，将 audioCoverStrength 设为默认值 1，并将 numOutputs 设为最多 4，以便挑选录音版本。较高的强度会倾向于保留源音频，但不保证歌词、人声、演绎或时序都得到修正。仅凭波形差异既不能证明人声发生变化，也不能证明存在可听见的拼接。在编辑前，应将候选版本与母带试听对比，并在两段录音中定位替换片段的边界。如果无法试听，或没有候选版本符合要求，请交付候选版本供审核，并保持母带不变。验证后，只保留修正片段：使用 model_scenario-audio-cut（一个固定的一方 ID，是 Scenario 唯一确定性的音频裁剪器，因此发现它只会重新推导出该 ID）从选中的版本中剪出片段，使用 asset_download 下载该片段和母带，然后在本地拼接。没有 MCP 工具可以合并两个音频文件，因此拼接需要在下载的文件上进行，不应通过再次运行来填补缺口；如果该曲目配有视频，则由 scenario-video-assembly 中的合成器将片段作为音频层铺在视频片段上。
• 如果可以接受为 Repaint 窗口中的那一段重新录制，请以 "Repaint the selected section with new sung lyrics:" 开头填写 prompt，在 lyrics 中传入完整歌词，并将新段落放在对应位置，同时设置 thinking: false。请预期该段会使用新的人声录制版本。
• Complete Track 最适合处理旋律和节奏清晰的源音频。

示例：修正生成歌曲中的副歌

1. 使用 target="models"、query="ace-step"、public=true 进行 search。按模式名称选择成员，例如 model_ace-step-1-5-turbo-text-to-music 和 model_ace-step-1-5-turbo-repaint（撰写本文时可用的结果：每个会话都要重新发现）。
2. 运行前，先对每个 ID 调用 model_schema_get。
3. 对 Text to Music 成员调用 model_run，并设置 dry_run=true，以及 parameters={"prompt": "indie folk, warm, fingerpicked guitar, soft female vocals", "lyrics": "[Verse]\n...\n[Chorus]\n...", "duration": 90, "vocalLanguage": "en"}； 更改 duration 或 numOutputs 后重新估算。
4. 使用 wait=false 重复调用，然后通过任务 ID 调用 jobs_wait；超时时使用 pending_job_ids 再次调用，切勿再次调用 model_run。
5. 使用 asset_display 试听；记录副歌片段的时间范围，例如 24 到 52 秒。
6. 确定修正必须保留哪些内容。若要为副歌重新录制，且可以改变人声，请使用 Repaint 成员：调用 model_run，并传入 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>"}。 如果必须保持源人声的连贯性，请改用 Cover 成员：传入 parameters={"srcAudio": "<asset id>", "lyrics": "<full sheet with the new chorus in place>", "audioCoverStrength": 1, "numOutputs": 3}， 然后先试听，再按照“无生成即可编辑”一节中的说明剪切并拼接。
7. 再次试听，然后使用 asset_download 下载选中的版本（下载音频时省略 format）。

常见错误

• 期待一个模型自行推断模式：每种模式都是单独的成员；请从 search 中按名称选择。
• prompt 中的歌词单会限制在 512 个字符以内，并承载风格信息；歌词应放在 lyrics 中。
• 在 trackName 或 completeTrackClasses 中使用自由文本声部名称（“kick drum”）：只有十二个固定值有效。
• 不带配方就重新绘制新唱的歌词：哨兵提示词、包含新段落的完整歌词单，以及 thinking: false 必须搭配使用。
• 为修正一行演唱歌词而重新绘制，并期待歌手保持不变：没有种子值来固定一次演绎，而且窗口会重新生成，因此人声可能会变化。使用完整的 audioCoverStrength 和修正后的 lyrics 进行 Cover，可以提供供试听的候选版本，但无法保证演绎效果匹配。
• 在这些成员上查找 seed，或在有种子值的合成器上查找 numOutputs：在这里使用 numOutputs 批量生成；如果某个成员有 seed 但没有批量字段，就使用不同的种子值并行运行多次，每次运行单独计价。
• 期待 Repaint 改变音轨时长：窗口会在原位置重新生成。同一音轨的更长版本属于扩展流程，scenario-audio 技能会介绍这一流程，并由另一类成员执行；从头生成不同长度的音轨则需要重新运行 Text to Music。