ACE-Step 1.5XL SFT: Texto para Música
Gere música de alta qualidade a partir de prompts de texto usando um modelo SFT de 4B parâmetros. Controle a saída com CFG para aderência precisa ao prompt.
Experimente um exemplo
Sobre este fluxo de trabalho
Este fluxo de trabalho do ComfyUI transforma prompts de texto em músicas finalizadas usando o modelo ACE-Step 1.5XL SFT (4B). Ele segue um pipeline de difusão familiar adaptado para áudio: DualCLIPLoader e TextEncodeAceStepAudio1.5 convertem seu prompt (e prompt negativo opcional) em condicionamento; EmptyAceStep1.5LatentAudio cria uma tela latente de áudio para a duração escolhida; UNETLoader carrega o modelo ACE-Step 1.5XL SFT; e KSampler realiza a remoção iterativa de ruído guiada por CFG. ModelSamplingAuraFlow configura a estratégia de amostragem ajustada para áudio ACE-Step, enquanto VAELoader + VAEDecodeAudio convertem o latente final de volta para uma forma de onda que o SaveAudioMP3 grava em disco.
Tecnicamente, o CFG (classifier-free guidance) permite equilibrar criatividade e aderência ao prompt: valores baixos de CFG exploram mais, valores altos seguem o texto mais estritamente. ConditioningZeroOut fornece um ramo incondicional limpo se você não especificar um prompt negativo, garantindo orientação estável. Os grupos do fluxo de trabalho (Modelo, Duração, Prompt) facilitam a troca de checkpoints, definição de segundos e iteração nos prompts. O resultado é um pipeline prático e reproduzível de texto para música, que permite iterar rapidamente entre gêneros, humores, instrumentos e estruturas—ideal para ideação, trilhas temporárias e faixas de fundo.
Perguntas e respostas
KSampler realiza o processo de denoising usando seus steps, CFG e seed. ModelSamplingAuraFlow configura a estratégia/schedule de amostragem ajustada para áudio ACE-Step, para convergência estável e de alta qualidade sem ajuste manual de scheduler.
Use EmptyAceStep1.5LatentAudio no grupo Duration. Ajuste a duração ou parâmetros de frames (geralmente controlados por PrimitiveInt/PrimitiveNode conectados). Clipes mais longos exigem mais compute e memória.
Refine o prompt com descritores mais claros (gênero, instrumentos, clima, tempo, notas de mixagem) e adicione um prompt negativo (ex.: "distortion, artifacts, vocals"). Tente reduzir um pouco o CFG se o áudio estiver agressivo, ou aumentar moderadamente os steps se estiver sem detalhe. Mudar a seed também pode ajudar.
Este fluxo salva com SaveAudioMP3. Se você preferir WAV, adicione ou substitua por um nó SaveAudioWAV (se disponível no seu setup) após o VAEDecodeAudio e selecione o formato e caminho desejados.