～ACE-Step1.5-XLはSuno v4.5 を超えた〜 ACE-Step1.5-XL をComfyUI で動かしてみた・無料でダウンロードできる特製ワークフロー＆実際に生成された音楽を完全公開

こんにちは！
大変大変長らくお待たせいたしました（多分２ヶ月くらい）。

本日もどうぞよろしくお願いします。

概要

今回は、「ACE-Step1.5-XL-Turbo」を使用しています。
また、使用するVAEも標準のものではなく、「Ace-Step-1.5-ScragVAE-ComfyUI」を使用します（HuggingFaceで公開されています）。
ご注意ください。

ComfyUIでデフォルトで提供されているワークフローでは、ベンチマーク上ではSuno-v5 をも凌駕するみたいですが、
ComfyUIが提供しているデフォルトのワークフローでは、体感上はSuno-v3.5 よりも下でした。

どう考えてもSunoを上回るようには見えませんでした。
音程・リズムが滅茶苦茶で、楽器もスカスカ。歌詞も正しく読めていない。

そして何よりも、「曲の雰囲気」がSunoより圧倒的に劣っている。
音楽は、「正確な答えを解答する」分野ではありません。
たしかに、楽器を演奏し、歌詞を正確に歌い、音程を合わせるのも大切ですし、これは原点です。
でも、私も含め、あなたが求めている「音楽」は「歌詞を正確に歌っていて、プロンプト（Caption）通りに作られている音楽」だけではないでしょう。

本当の音楽は、「いかに感情を表現できるか」「いかに聴者の心に響くか」が求められます。
そして、それは、ベンチマークでは完全には正確に測れません。

そして、１ヶ月半以上試行錯誤を繰り返した結果、
私は、Suno-v4.5-all には勝てる方法・ノードの設定/組み方を見つけ出しました。
この記事では、そのワークフロー（ComfyUI Workflow）を完全に無料公開しています。

あと、作詞に慣れていないとか、Captionの書くコツがなかなか掴めない、最適なBPMやKey、Song Duration（曲の長さ）が見つけられないということもあると思います。
ですが、ご安心ください！
AIに全部書かせられるコンテキストファイル（AI Context）も独自作成しました！
一応、AnthropicのClaude前提に作成していますが、
ツール呼び出しが可能な環境（Ollama、llama.cpp、Unsloth Studioなど）なら、QwenやGemmaなどのオープンソースAIでもOKです！

（僕自身も、趣味で作詞作曲しているので作詞は得意ですがCaption書くのとか曲の長さを決めるとかいうのはしないため苦手です）
あと、Claudeを選定した理由も、「Claudeは日本語が自然でツール呼び出しがネイティブに使えるから」です。

しかも、ACE-Step1.5XLのLyricsの書き方のルール、プロ級の歌詞を作るコツを緻密に指定しているので、普通のAIでは出せないようなクオリティのLyricsが作れます！

注意事項：この記事の最後にComfyUI Workflow、AI Context のLicenseを記載しておりますので、必ずご確認ください。

それでは、
「AIでLyrics・Caption・設定 一括生成」→「ComfyUIでプロ曲生成」
までやり方を丁寧に解説していきます！

モデルの紹介

まずは、この記事で使用している / あなたが実際に使用するモデルのモデルカードを順番に見ていきましょう。

ACEStep-1.5-XL-Turbo

↑Turboモデルです。CFGは1.0に固定されています。
ACE-Step1.5-Turbo （XLでない方）と比べ、より多くの知識が詰まっているはずです。

ACEStep-1.5-XL-Turbo-SFT-merged-ta-0.5（記事でのみ使用）

↑これは、SFTモデルとTurboモデルをta 方式でマージしたモデルです。
このリポジトリ内に、ACE-Step1.5XL-Turbo とACE-Step1.5XL-SFT を1:1でマージしたモデルも含まれています。

Turboモデルの「低ステップで高速収束・安定」と、SFTの「CFG 1.0固定なし・豊富なディティール」を半分ずつ受け継いだモデルです。
今回は、このモデルも一応参考として使用します。

ACEStep-1.5-XL-ScragVAE

これも今回はかなり重要なものになります。
下の図のように、既存のVAEを調整してダイナミックレンジを拡張したものです。
特に、高音域の響きがとても改善されています。

ComfyUI Workflow （無料ダウンロード可）

Turbo用

Turbo-SFT-merged-ta-0.5用（参考用）

AI Context （無料ダウンロード可）

Suno超えにするための方法を徹底解説

以下に、Suno-v4.5 を超えさせるための方法をまとめました。

必要なもの

• ComfyUI（最新版推奨）

• （U-Net）
  https://huggingface.co/Comfy-Org/ace_step_1.5_ComfyUI_files/resolve/main/split_files/diffusion_models/acestep_v1.5_xl_turbo_bf16.safetensors

• （U-Net）（参考用）
  https://huggingface.co/Aryanne/acestep-v15-test-merges/resolve/main/xl/acestep_v1.5_xl_merge_sft_turbo_ta_0.5.safetensors

• （Text-Encoder）
  https://huggingface.co/Comfy-Org/ace_step_1.5_ComfyUI_files/resolve/main/split_files/text_encoders/qwen_0.6b_ace15.safetensors

• （Text-Encoder（Sampling LMです））
  https://huggingface.co/Comfy-Org/ace_step_1.5_ComfyUI_files/resolve/main/split_files/text_encoders/qwen_4b_ace15.safetensors

• （VAE）
  https://huggingface.co/megagrump/Ace-Step-1.5-ScragVAE-ComfyUI/resolve/main/ace_1.5_scrag_vae.safetensors

• ComfyUI Workflow
  (上記からダウンロードしてComfyUIにアップロードしておいてください)

• AI Context
  (上記からダウンロードしてComfyUIにアップロードしておいてください)

ComfyUIは起動されている前提で解説しています。
ComfyUIのセットアップ手順などは以下の記事を参考にしてください。

実例で解説

１．AI Context をアップロード

Claudeの「プロジェクト」機能で、「ACE-Step1.5XL共同作曲プロジェクト」などの名前でプロジェクトを作成してください。上記のコンテキストをダウンロードして「ファイル」に貼り付けてください。

もし、Ollamaやllama.cpp、Unsloth Studio などのツールを使っている場合は、普通に添付ファイルとして添付するだけで構いません。

２．曲のイメージを考えてAIに生成させよう

作りたい曲のイメージを入力します。
そして、Claudeの設定を「中」「思考なし」に設定し、送信してください。

OllamaやUnsloth Studio などのツールを使っている場合も同様です。

プロンプト例：

高揚感・疾走感のあるモダンなElectric-Japanese-Math-POP。
エモーショナルなメロディーとボーカルで、聴者のノリと共感を誘う。
ボーカルはgirlish（ロリボイス） で透明感があり、繊細で小刻みなビブラートを使用する。しゃくり・こぶしも適切に使用。きらきらとしていてアイドルのような感じのボーカル。
SFX・電子シンセ・16分音符の高速なゴーストノートが特徴的なドラムを主役としたアップテンポなメロディーに、リズムよく歌詞が絡みつく。
歌詞は、聴者の人生を励ますポジティブな雰囲気。

Claude-Sonnet-4.6 の生成結果：

この曲のプロダクションパッケージを作成します。まず作成過程を通して試行錯誤を重ねます。まずモーラ数を内部で検証するためのPythonスクリプトを用意してから、Caption・Lyricsの設計に入ります。## 作成過程（自己反復ログ）

**Step 1: ジャンル・感情空間の確定**
リクエストは「高揚感・疾走感のあるモダンなElectric-Japanese-Math-POP」。Math-POPの不規則拍子感とElectro-POPのシンセ感を融合し、girlish/ロリボイスのアイドル系ボーカルを乗せる方向で確定。感情空間は「聴者を元気づける」＋「スタジアム規模の高揚感」の中間。歌詞テーマは人生を励ますポジティブソング。

**Step 2: タイトル候補の検討**
- 「スターティングライン」→ 直接的すぎる
- 「グリッチハート」→ Math-POP感は出るが励ましのニュアンスが弱い
- 「フライトログ」→ 抽象的
- 最終候補：「ビートマイライフ」（拍動＝Beat と 人生＝My Life の二重の意味、Math-POPのリズム性とテーマの両方を表現）→ これを採用

**Step 3: Caption設計（4層構造で試行）**

第一稿を書いて文字数を計測します。924字（改行含む）。改行を除いた実質文字数も確認し、密度をさらに高める余地があるか検証します。923字、1000字以内に収まっています。5次元（ジャンル/Math-POP構造、ボーカル、ドラム、シンセ/SFX、プロダクション質感）も確保。**lolita-toned**という語が「ロリボイス」の直訳として技術的には伝わりますが、不要な含意を避け、より音楽的な語に置き換えます。また「girlish」「idol」「crystalline/sparkling」で十分にきらきら感とアイドルらしさは表現できるため、該当語を削除して自然な専門語に差し替えます。929字。安全圏に収まりました。これをCaption確定稿とします。

**Step 4: Lyrics設計**

構造は例2をベースに変形：`[Instrumental]`での導入→Verse→Pre-Chorus→Chorus→Verse2→Pre-Chorus→Chorus→Bridge→Chorus（2回がさね）→Outroの疾走感重視構成にします。Math-POPらしい「拍動・リズム・心拍」を比喩として全体に通す方針（リクエストにある「ジャンルの音楽的語彙を歌詞メタファーに使う」原則を適用）。

「輝く」「眩しい」等の抽象語は避け、「靴の紐」「踏切」「電車の窓」級の具体的situational detailを使う方向で下書きします。各行12-13モーラで揃っており、Verse1とVerse2の対応行（1行目12⇔13、4行目13⇔12）はわずかにズレがあります。1行目と4行目を13モーラに統一して完全一致させます。「それでも わたしは かけだすよ」(13)を採用。1行目は別アプローチで13モーラにします。「むすびなおす」（7モーラ）が大きいため、別語幹に切り替えます。12モーラで安定する案が多いので、むしろ全体を12モーラ統一に倒すほうが自然です。4行目も12モーラの「それでも わたしは かけだすよ」(13→12へ調整)を再検討します。「それでも まえへ かけだすよ」を採用（前向きな意味合いが明確）。Verse全体を12モーラ統一で再構成して最終確認します。1行目(12⇔13)と4行目(13⇔12)が逆転して食い違っています。1行目を13に統一します。4行目を13に揃える方向に倒します（「それでも まえへ かけだすよ」→13モーラ化）。「それでも まえへと かけだすよ」を採用（自然な助詞で読みやすい）。これで1行目12⇔13は不一致のままなので、1行目自体を再考します。「くつの ひもを きつく むすぶ」(12)に合わせるVerse2の1行目を作るほうが簡単です。「めざましを いっかい とめる」(12)を採用。最終的なVerse1・Verse2を再検証します。Verse1とVerse2、対応行が完全一致（12/13/13/13）しました。同様の手法でPre-Chorus、Chorus、Bridgeを設計し、検証を進めます。Pre-Chorusは1回しか使わないPre-Chorus2との比較が必要です。2回目用も同時に作成して揃えます。完全一致。次にChorus（曲の核、Math-POPの「拍動」メタファーを最大限活用）を設計します。Chorusは8行構成で2つの4行ブロック（コーラスA/B）に分けて揃えます。1行目同士(12⇔11)、3行目同士(14⇔13)などズレがあるため調整します。「だれかと くらべなくたって」(12)採用。1行目同士は12と11なので、こちらを揃えます。「むねの おくの どきどきが」(11)→12にするか、「このうたが わたしを はこぶ」(12)を11に揃えるか、12に統一する方が自然です。「このむねの どきどきが なる」(12)を採用。3行目（14⇔13）も12-13台に揃えます。「とまらない あしを ふみだして」(13)に合わせ、A3行も13モーラの別表現にします。Math-POPの「ビート＝心臓の拍動」メタファーを活かす「このビートが こたえなんだ」(12)を軸に、12モーラ統一の方向で全体を組み直すのが効率的です。Chorus全体を12モーラ基調で再構成します。ほぼ12モーラで統一。7行目だけ13なので12に揃えます。「とまらず あしを ふみだして」(12)を採用。Chorus全8行が12モーラで完全統一されました。Chorusは2回使うので歌詞は同一でOKです。次にBridgeを設計します。Bridgeは特に対句構造（1-2行目と3-4行目のペア）にしているため、各ペア内で揃えます。3-4行目を12-13台に調整します。「ぜんぶ わたしの りずむになる」(13)を採用すれば3行目(13)と一致します。全体構成は12/12/13/13で、ペア単位での均一性が取れています。これで全パーツが完成したので、Outroと合わせて全体を組み立てます。Outroの2行をモーラ検証し、漢字・カタカナ混入がないか全文を最終チェックします。Outroは12⇔13。Outroは2回しか使わない非対称セクションなので厳密一致は必須ではありませんが、揃えておきます。「わたしの あしたへ つづいて」(12)を採用。全行12モーラに統一できました。最終版に反映し、カタカナチェック（「リズム」「ビート」などはCaptionとの整合上カタカナのままで良いか確認）を行います。

待ってください——ルール①により**カタカナもひらがなに変換する**必要があります。「リズム」「ビート」をひらがな化します。純カタカナ汚染なし。Outro2行目をモーラ調整版（「あしたへ つづいて」）に置き換え、Chorus内の「びーと」のモーラ数を再確認します（小書き文字なし、長音「ー」は1モーラとして数える点を確認）。全行が対応するパートで一致しており、最終確認完了です。Verse1/2、Pre-Chorus1/2、Chorus（全3回同一）、Bridge内、Outro内すべて整合性が取れました。文体（押韻パターン）と陳腐な抽象語の不使用も確認します。

**自己批評：**
- 「むすぶ」「とめる」「わらう」「かけだす」など具体的situational行動が中心で、「輝く」「眩しい」系の抽象語は使用していません。✅
- Math-POPの音楽的メタファー（リズム・ビート・拍動＝心臓の音）がテーマと重なり、ジャンルアイデンティティを強化しています。✅
- 呼吸感：各行が「3+α」のフレーズ単位で分割されており、一息で歌える長さです。✅
- Caption側で「shakuri」「kobushi」を明記しているため、Lyrics側に重複明記は不要（Captionとの整合性確保）。

これ以上の有意な改善余地が見込めない水準に達したと判断し、最終出力に移ります。

---

# 曲名

**ビート・マイ・ライフ**

---

# 楽曲概要

「拍動」と「リズム」を、不安や比較からの解放と自己肯定のメタファーとして使うElectric Math-POPです。靴紐を結ぶ、目覚ましを止める、踏切の音、電車の窓に映る顔——日常の具体的な一場面から始まり、サビでは「このビートがこたえなんだ」と、自分自身の心臓の拍動＝生きているリズムこそが正解だという確信に変わります。Math-POPらしい変拍子的な揺らぎとグリッチSFX、16分音符のゴーストノートが疾走感を生み、girlishで透明感のあるアイドルボーカルがそのリズムに絡みつくように歌います。

構成は `[Instrumental]→Intro→Verse1→Pre-Chorus→Chorus→Instrumental→Verse2→Pre-Chorus→Chorus→Bridge→Instrumental→Chorus→Outro→Instrumental` で、サビを3回畳み込み高揚感を持続させつつ、間奏で一度クールダウンとビルドアップの呼吸を作っています。

---

# Caption

```
Energetic and exhilarating modern Electric Japanese Math-POP with intricate odd-meter rhythmic shifts and a driving fast-paced groove.
A girlish, youthful female idol vocal with a crystalline, sparkling timbre, delicate fine-grained vibrato, expressive shakuri pitch-bend entries, and subtle kobushi melisma ornamentation, sung in tight rhythmic syncopation locked to the beat.
A propulsive electronic drum kit drives the track, featuring punchy layered kicks, snappy claps, and dense sixteenth-note ghost-note hi-hat rolls and glitchy stutter-edits.
Bright arpeggiated synth leads, a deep punchy synth bass, glitch SFX risers, bitcrushed transition stutters, and shimmering pluck synth textures with a dense, richly layered, never sparse arrangement.
Polished high-fidelity studio production with crisp transient punch, tight sidechain pumping, and euphoric anthemic energy throughout, building into an explosive soaring chorus.
```

**Caption 和訳・解説:**

不規則な拍子の揺らぎを持つ、躊躇のないモダンなElectric Japanese Math-POP。girlishで透明感のあるアイドル系女性ボーカルは、きらきらとした音色、細かく繊細なビブラート、しゃくり（ピッチベンドでの入り）、こぶし（こまかな装飾）を持ち、ビートに密着したタイトなリズムで歌う。16分音符のゴーストノートを多用するハイハットとグリッチ編集が疾走感を作るドラム。アルペジオシンセ、パンチのあるシンセベース、グリッチSFX、ビットクラッシュのトランジション、きらめくプラックシンセが密に重なり、決してスカスカにならない。ポリッシュされたハイファイ制作で、サイドチェインを効かせながら高揚感のあるサビへと爆発的に展開する。

- **Layer 1（ジャンル）**: Math-POPの変拍子感＋Electric/シンセ主体の方向性を明示
- **Layer 2（技術的デリバリー）**: shakuri/kobushiを専門語として直接記述し、ボーカルとドラムの演奏技術を具体化
- **Layer 3（雰囲気）**: euphoric / anthemicでスタジアム規模の高揚感を演出
- **Layer 4（弱点補完）**: "dense, richly layered, never sparse" でスカスカ化を事前に防止

---

# Lyrics

```
[Instrumental - glitch synth]

[Intro - synth]

[Verse 1 - girlish]
くつの ひもを きつく むすぶ
こころの どきどき かぞえてる
すたーとの おとが きこえたら
わたしの ぺーすで かけだすよ

[Pre-Chorus - building energy]
しんぱい なんて すてて
そらに といかけてみる

[Chorus - anthemic]
はねろ はねろ このりずむで
このむねの どきどきが なる
このびーとが こたえなんだ
わたしだけの うたを ならせ
だれかと くらべなくたって
このうたが わたしを はこぶ
とまらず あしを ふみだして
あしたへと とびだして いく

[Instrumental - glitch synth]

[Verse 2 - girlish]
めざましを いっかい とめる
かがみの まえで ちょっと わらう
うまく いかない ひも あるけど
それでも まえへと かけだすよ

[Pre-Chorus - building energy]
なみだも ぜんぶ つれて
かぜに のっかって いく

[Chorus - anthemic]
はねろ はねろ このりずむで
このむねの どきどきが なる
このびーとが こたえなんだ
わたしだけの うたを ならせ
だれかと くらべなくたって
このうたが わたしを はこぶ
とまらず あしを ふみだして
あしたへと とびだして いく

[Bridge - whispered]
ふみきりの おとが きえても
でんしゃの まどに うつる かお
なんども つまずいた きのうも
ぜんぶ わたしの りずむになる

[Instrumental - synth build]

[Chorus - explosive]
はねろ はねろ このりずむで
このむねの どきどきが なる
このびーとが こたえなんだ
わたしだけの うたを ならせ
だれかと くらべなくたって
このうたが わたしを はこぶ
とまらず あしを ふみだして
あしたへと とびだして いく

[Outro - fade out]
このりずむが つづいて いく
わたしの あしたへ つづいて

[Instrumental - glitch synth]
```

> ※ 漢字・カタカナはひらがなにすること（長音「ー」は可）。日本語以外の言語はそのままでよい。英単語はアルファベット表記のまま使用可。出力テキストに音節数等の注釈を一切含めないこと。

---

# 推奨パラメータ（メタデータ）・参考

| パラメータ | 推奨値 |
|---|---|
| Vocal Language | Japanese（一部 `[en]` タグなし、純日本語） |
| Duration | 195秒（約3分15秒） |
| BPM | 168 |
| Key | F# Minor |
| Time Signature | 4/4（Math-POPのリズム感はドラムの16分音符ゴーストノートとシンコペーションで表現し、拍子自体は学習データの多いポピュラーな4/4を採用） |
| BPM | 168 |

> **解説:** Math-POP特有の「変拍子感」は、拍子記号自体を5/4や7/8のような珍しい表記にするより、4/4のままドラムのゴーストノートやシンコペーションのCaption記述で表現するほうが、学習データの少ない拍子表記による生成崩壊を避けられ、品質が安定します。BPM168は「高速ラップ寄りの疾走感」と「girlish vocalの歌唱可能性」の両立点として選定。Durationは8セクションの歌詞密度と3回のChorus・複数のInstrumentalブロックを考慮し、195秒を中庸点としました。

---

## 品質評価（最終チェック）

| 項目 | 評価 |
|---|---|
| ユーザー指示との整合性 | ✅ Math-POP・疾走感・girlish/ロリボイス・shakuri/kobushi・SFX/シンセ/ゴーストノート・励ましの歌詞、すべて反映 |
| CaptionとLyricsの整合性 | ✅ Captionの"anthemic" "building"等とセクション修飾語が一致 |
| 歌唱可能性 | ✅ 全行3〜4語単位の息継ぎ可能な分割 |
| 音節リズム（モーラ） | ✅ 対応行すべて12〜13モーラで完全一致を検証済み |
| 独創性 | ✅ 「靴紐」「目覚まし」「踏切」「電車の窓」の具体的描写、抽象語は排除 |
| 商業音楽レベルの完成度 | ✅ Pre-Chorus→Chorusのエネルギー上昇構造、3回のChorus畳み込みでフック性を強化 |

ハイクオリティだと思います！
プロ級の歌詞ができましたね（少なくとも僕にはそう感じます）。

※実際はCaption文字計測やLyrics音節数測定など、途中で大量にツール呼び出し（コード実行）をしていますが、ツール呼び出し部分は文字数節約のため上記では省略しています。

最終的な結果は以下の通りです。

曲名：

ビート・マイ・ライフ

Caption：

Energetic and exhilarating modern Electric Japanese Math-POP with intricate odd-meter rhythmic shifts and a driving fast-paced groove.
A girlish, youthful female idol vocal with a crystalline, sparkling timbre, delicate fine-grained vibrato, expressive shakuri pitch-bend entries, and subtle kobushi melisma ornamentation, sung in tight rhythmic syncopation locked to the beat.
A propulsive electronic drum kit drives the track, featuring punchy layered kicks, snappy claps, and dense sixteenth-note ghost-note hi-hat rolls and glitchy stutter-edits.
Bright arpeggiated synth leads, a deep punchy synth bass, glitch SFX risers, bitcrushed transition stutters, and shimmering pluck synth textures with a dense, richly layered, never sparse arrangement.
Polished high-fidelity studio production with crisp transient punch, tight sidechain pumping, and euphoric anthemic energy throughout, building into an explosive soaring chorus.

Lyrics：

[Instrumental - glitch synth]

[Intro - synth]

[Verse 1 - girlish]
くつの ひもを きつく むすぶ
こころの どきどき かぞえてる
すたーとの おとが きこえたら
わたしの ぺーすで かけだすよ

[Pre-Chorus - building energy]
しんぱい なんて すてて
そらに といかけてみる

[Chorus - anthemic]
はねろ はねろ このりずむで
このむねの どきどきが なる
このびーとが こたえなんだ
わたしだけの うたを ならせ
だれかと くらべなくたって
このうたが わたしを はこぶ
とまらず あしを ふみだして
あしたへと とびだして いく

[Instrumental - glitch synth]

[Verse 2 - girlish]
めざましを いっかい とめる
かがみの まえで ちょっと わらう
うまく いかない ひも あるけど
それでも まえへと かけだすよ

[Pre-Chorus - building energy]
なみだも ぜんぶ つれて
かぜに のっかって いく

[Chorus - anthemic]
はねろ はねろ このりずむで
このむねの どきどきが なる
このびーとが こたえなんだ
わたしだけの うたを ならせ
だれかと くらべなくたって
このうたが わたしを はこぶ
とまらず あしを ふみだして
あしたへと とびだして いく

[Bridge - whispered]
ふみきりの おとが きえても
でんしゃの まどに うつる かお
なんども つまずいた きのうも
ぜんぶ わたしの りずむになる

[Instrumental - synth build]

[Chorus - explosive]
はねろ はねろ このりずむで
このむねの どきどきが なる
このびーとが こたえなんだ
わたしだけの うたを ならせ
だれかと くらべなくたって
このうたが わたしを はこぶ
とまらず あしを ふみだして
あしたへと とびだして いく

[Outro - fade out]
このりずむが つづいて いく
わたしの あしたへ つづいて

[Instrumental - glitch synth]

推奨パラメータ（メタデータ）・参考：

|パラメータ | 推奨値 |
|---|---|
| Vocal Language | Japanese |
| Duration | 195秒 |
| BPM | 168 |
| Key | F# Minor |
| Time Signature | 4/4 |

３．まずはガチャで大量生成！

生成された「曲名」、「Caption」、「Lyrics」、「その他の設定項目（メタデータ）」を、上記のワークフローを使って、適切な欄にClaudeからコピペし、TurboモデルでSeed値を変えて４つ以上は生成するといい曲が１つはできます。

Seed値は１，２，３，４，… にするのがおすすめです
（末尾が「曲名_生成番号_」というファイル名になるので、Seed値と生成番号を一致させるとわかりやすいため）。

ポイント：
いいものが出るまで延々と生成を続けてください。
諦めなければ、いつかはあなたの好みの楽曲が必ず出ます。

以下に、生成された音楽（Seed１〜５）を掲載しています。

Seed１：

↑初音ミクみたいなボーカルですね。一部歌詞が怪しいところはあります。

生成結果（Seed２）：

↑全体的に2000s っぽく音程も好みではないです。

生成結果（Seed３）：

↑全体的な音程およびChorusのリズムがあまり良くないですね。

生成結果（Seed４）：

↑個人的に構成・音程が大変素晴らしいと感じます。楽器数やアレンジは少なめですが。

生成結果（Seed５）：

↑豊富なディテールやいろんなアレンジが入っているところは評価できますが、音程が変ですね。

私は、最も音程と全体的な構成が良いものがSeed 4だと感じましたが、皆さんはどうでしょうか？是非コメント欄でお伝えください。

４．Turbo-SFT-merged-ta-0.5でも生成してみる（参考程度に）

今度は、マージモデルとマージモデル用のワークフローを使ってSeed値を先ほど選んだ４に設定して生成してみました。
さて、品質は上がるのでしょうか？
当然ですが、「Prompt＆Setteings」内の他の設定項目は「３．」と同じに設定しています。

生成結果：

変なノイズ（？）が混ざっていますね…。音程もなんか変ですし。
RedditやGitHubなどで、「SFTは不安定で低品質」と噂されていたとおりでした。
つまり、SFTモデル（およびTurbo-SFT-merged-ta-0.5などのマージモデル）はステップ数が多いだけ（＝無駄に時間がかかる）ので使用はおすすめしません。

Sunoと比較

Sunoの生成結果

Created with Suno AI

曲調がYOASOBIみたいな感じですね。

では、それぞれを評価していきましょう。

当然、SunoではBPMやKey、曲の長さの指定はできませんが、Caption・Lyricsは同じものを使用しています。

Sunoの批評

良い点：

1. 楽器の音数・種類・ディテールが豊富で曲が綺麗に聴こえる。

2. ボーカルの抜けが良い。

3. 歌詞の歌い間違いは聴いたところなさそう
   （多分です。もしあればコメント欄でお伝えください。）

悪い点：

1. 全体的に、ボーカルの音程がおかしいところが多々見受けられる。

2. サビの「このうたが わたしを はこぶ」の「を」と「はこぶ」のボーカルが2層に分かれてしまっており、片方は中音域、片方は高音域を歌っている。
   （よく聴いたらわかります。）

3. 聴いた感じ、楽器のメロディが多重層で良さそうだが、
   伴奏やコード進行の工夫が足りない。
   スタッカートの短いシンセ伴奏やストリングス伴奏はありますが、ここで私が求めているのは、シンセサイザー（シンセリード）の、最低でも二分音符以上の長さがある伴奏のことです。

ACE-Step1.5XLの批評（Seed４の楽曲を評価しています）

良い点：

1. ボーカルの抜けが良い。

2. 目立った歌唱ミスはない。

3. 楽器の種類・音数は少ないながらも、「引き算の美学」が活かされており、非常に洗練されたミュージック。

4. 伴奏が裏で隠し味として働いており、曲がとても綺麗に聴こえる。
   （聞こえないという方は、音量を上げて聴いてみてください。特に、アウトロの部分で活躍しています。）

悪い点：

1. 全体的に、ボーカルの音程がおかしいところが多々見受けられる。

2. 聴く人によっては「ぜんぶ わたしの りずむになる」の「り」に薄っすらと「よ」が混じって聴こえる可能性あり。

3. もう少し楽器のディテールが豊富だと、よりプロのような曲になっていたかも。

こうやって比較してみると、ACE-Step1.5XLもSunoには負けていません。
この曲では、"互角" といったところでしょうか。

他の生成例

他の様々な生成例も見ていきましょう。
ここからもSunoとの比較は続けますよ。

生成例2. 「幕の向こうで」

「エモさ」の表現力が試されます。
どれだけ聴者の心を揺さぶるような曲にできるかです。

プロンプト：

ジャンル：
エモーショナルなJ-POP。

ボーカル：
若々しい低くない男性のボイス。使いこなされたミックスボイスと高速で繊細で小刻みな美しいビブラートが特徴。裏声も最高音は高く、エモーショナルな響きで、多用する。優しい雰囲気のボーカル。しゃくり・こぶしも適切に使用。

楽器：
歪んだ音色のエレキギター（メインに）・ベースギター、美しいグランドピアノ、ドラマチックなアコースティックドラム・パーカッション、後ろから楽曲を引き立たせるストリングス、各種シンセサイザー・FX。

歌詞：
以下を、各セクションへ個別に割り当てること。

・自分はいつも一人で本当の自分を出せない。
・人に話しかけたくても話しかけられない。
・本当は誰かと楽しくつながっていたいという思い。
・ずっといられなくても、「あなた」（←聴者に委ねる。例えば恋人・推し・友人など）のおかげで私は生きていけるという思い。

その他要件：
楽器の多重レイヤー・それぞれの楽器が奏でるメロディーの複雑さで曲をエモーショナルにすること。スカスカは絶対禁止。
Bridgeのあとには少なくともChorusを一回挟み、そのChorusでは前のChorusよりキー（音程）を上げて転調し、高揚感を出すことを明確にCaptionで指示。
セクション構造は、王道に縛られず、壮大な感じすること。
テンポはバラードではないので遅すぎないようにすること。

Caption：

Emotional J-pop anthem led by a soaring overdriven electric guitar with crunchy mid-gain distortion, a punchy fingered electric bass, a resonant grand piano with sweeping arpeggios, and a dramatic acoustic drum kit with tom-heavy fills and shaker percussion.
Young, gentle yet not-low male vocal with a masterfully controlled mix voice, fast delicate fine vibrato, soaring emotional head-voice falsetto, natural pitch-slide shakuri and melismatic kobushi.
Lush legato strings swell behind the band at emotional peaks, layered with shimmering analog synth pads and glittering FX textures.
Dense, richly interlocking countermelodies between guitar, piano and strings, multi-layered and never sparse.
After the bridge, the final chorus modulates up a key, a euphoric triumphant key-change lift surpassing the previous choruses.
Driving mid-tempo energy, not a ballad, intimate in the verses, swelling into a grand anthemic climax.

Lyrics：

[Intro - building]

[Verse 1 - intimate]
そでを　ひいた　てを　はなした
つくりがおだけ　じょうずになった
ほんとのこえは　のどで　つまった
こころのとびらは　しめたまま

[Verse 2 - yearning]
はなしかけたくて　のばした　てが
ぽけっとのなかで　とまったまま
きみのとなりで　すれちがうたび
ことばが　こぼれずに　きえてゆく

[Pre-Chorus - rising]
もしも　このまま
こえに　なったら
とどく　だろうか

[Chorus - emotional]
ただ　わらいあいたい　それだけなのに
てを　のばすことさえ　こわくなるんだ
きみと　たわいないはなしが　したくて
このよるが　ひとりじゃないと　おもうよ

[Instrumental - guitar]

[Verse 3 - vulnerable]
まわりのこえが　とおくにきこえる
わたしだけが　まくのなかにいるよ
さわれそうで　さわれない　ひかりが
まどのむこうで　ゆれて　きえていく

[Pre-Chorus - rising]
もしも　このまま
こえに　なったら
とどく　だろうか

[Chorus - emotional]
ただ　わらいあいたい　それだけなのに
てを　のばすことさえ　こわくなるんだ
きみと　たわいないはなしが　したくて
このよるが　ひとりじゃないと　おもうよ

[Bridge - whispered]
ずっとは　いられなくても　いいよ
それでも　いまは　ここにいたいよ
[building energy] きみが　くれたことばだけが　わたしを
あしたへ　つれてゆく　いきるちからだ

[Chorus - key change anthemic]
ただ　わらいあいたい　それだけだった
きみがいたから　ここまで　あるけたよ
ひとりじゃないと　はじめて　しれたから
このいのちで　うたうよ　ありがとうと

[Outro - fade out]

その他メタデータ：

| パラメータ | 推奨値 |
|---|---|
| Vocal Language | 日本語（一部に英語タグ使用可） |
| Duration | 約155〜165秒 |
| BPM | 132 |
| Key | B minor（転調後：D minor、全音上げ） |
| Time Signature | 4/4 |

Turboでの生成結果：

・Seed１

↑聴いただけだと、１番最後だけがほんの少し怪しい以外は、文句なしの完璧に聞こえます。
でも、実は、ラスサビの

きみがいたから　ここまで　あるけたよ
ひとりじゃないと　はじめて　しれたから
このいのちで　うたうよ　ありがとうと

の部分が、全部、

てを　のばすことさえ　こわくなるんだ
きみと　たわいないはなしが　したくて
このよるが　ひとりじゃないと　おもうよ

になってしまっています。

ベンチマークでは、大きく減点される部分ではありますが、
今回は、「どれだけ聴者に響く楽曲か」を重視したいため大減点にはしないでおきましょう。

・Seed２

↑音程もリズムも滅茶苦茶に狂っています。これは駄目ですね。

・Seed３

↑Aメロ完全に飛ばされましたね。音程もリズムもなんか微妙…。

・Seed４

↑音程が滅茶苦茶です。ダメ。

・Seed５

↑またもやAメロ飛ばされた…。
音程やリズムは一部怪しい点はありますがかなりエモくていいですね～。

あと、Seed１〜５全部に共通していることですが、実はラスサビで転調するように言っているのにもかかわらずしてません。
あと、BPMは132ですが、曲はハーフテンポですよね？これを「倍テンの逆」といいます。

Sunoの生成結果（２つ）：

Created with Suno AI

↑曲自体はすごく良いのですが、歌詞間違いやプロンプト無視がありますね。

Created with Suno AI

↑同じです。特にひどいです。

Sunoも、転調指示を守れていませんね。AIにとって「転調」は案外難しいのかな…？

Sunoと比較：

　Sunoの批評：
　　良い点：

1. 楽器の音数・種類・ディテールが豊富で曲が綺麗に聴こえる。

2. ボーカルの抜けが良い。

3. 「エモさ」の表現力が極めて高い

　　悪い点：

1. 「構造を破壊する」歌詞の間違いを多発している。

2. ところどころ、二人が歌っているような感じがある。また、変なところで声が裏返ったりしている。
   （よく聴いたらわかります。）

3. 転調の指示を無視している（プロンプト無視）。

　ACE-Step1.5XLの批評：
　　良い点：

1. ボーカルの抜けが良く、自然（息遣いなど）。

2. 曲の構造が安定している。

3. エモさの表現力は十分。

4. 楽器の種類・音数は少なめだが、一定の「引き算の美学」が活かされており、非常に洗練された楽曲。

5. 「目立つ歌唱ミス」はない

　　悪い点：

1. 大きく歌詞を欠落させている箇所がある。

2. 転調の指示を無視している。

3. もう少し楽器のディテールが豊富だと、よりプロのような曲になっていたかも。

やっぱり、同じ「歌詞読み間違い」でも、曲をだめにしてしまう間違いと、目立たない間違いであれば後者のほうがいいですよね。

というわけで、
今度は、ACE-Step1.5XLはギリギリSunoに勝ちました！
✧◝(⁰▿⁰)◜✧

生成例３．HAIRLINE-BREAK

これは、かなり「音楽センス」が試されます。また、モデルの個性が最も現れる試験でもあります。

プロンプト：

アップテンポなEDM混じりのエレクトロHip-Hop。
豊富な楽器編成で、多重層のシンセサイザー・ビートが特徴。FXも積極的に使用。
クールでノリとリズム感を最重視した男性ボーカル・英語歌詞。

Caption：

Uptempo electro hip-hop fused with festival EDM, driven by a punchy trap groove and layered stacked synthesizers.
Cool, confident male rap vocal, low-mid chest register, clipped consonant delivery, tight pocket flow snapping on the downbeat, shifting into a melodic half-sung hook with subtle auto-tune sheen.
Gritty distorted 808 sub bass with punchy transients, crisp layered trap hi-hats with rolling triplet fills, a snappy compressed snare, and a hard four-on-the-floor kick under the drop.
Dense supersaw lead stacks with wide unison detune, a plucky arpeggiated synth sequence, dark saturated bass stabs, and glossy pitched-down vocal chops.
Aggressive white-noise riser sweeps, reverse-cymbal buildups, glitchy stutter-edits, sidechain-pumped pads, and metallic impact hits on transitions.
Polished, club-ready production with tight low-end punch, wide stereo spread, crushing sidechain compression, and airy top-end sheen.
Never sparse, always dense and propulsive with relentless momentum.

Lyrics：

[Instrumental - synth build]

[Verse 1 - clipped flow]
Black leather jacket, cracked knuckle ring
Step to the mic and I own everything
Snare on the two, kick on the one
Cold in my eyes and the bassline sings

[Pre-Chorus - rising]
Watch how the pressure builds
Static under my heels

[Chorus - anthemic]
Drop it, drop it, feel the floor shake
Circuit heart running a hairline break
Cold blood, hot wire, watch me operate
Locked in the pocket, no hesitate

[Verse 2 - clipped flow]
Chrome on the mixer, sweat on the glass
Every bar landing, watch the crowd react
Snare on the two, kick on the one
Steady on the grid till the set is done

[Pre-Chorus - rising]
Watch how the pressure builds
Static under my heels

[Chorus - anthemic]
Drop it, drop it, feel the floor shake
Circuit heart running a hairline break
Cold blood, hot wire, watch me operate
Locked in the pocket, no hesitate

[Build - instrumental]

[Drop - instrumental]

[Bridge - low energy]
Cut the lights down, let the sub breathe
[whispered] count it off slow, one two three

[building energy]
Then we bring it, bring it back around
[explosive] slam it into the final sound

[Chorus - powerful]
DROP IT, DROP IT, FEEL THE FLOOR SHAKE
CIRCUIT HEART RUNNING A HAIRLINE BREAK
COLD BLOOD, HOT WIRE, WATCH ME OPERATE
LOCKED IN THE POCKET, NO HESITATE

[Outro - fade out]
(Locked in the pocket)
No hesitate
(Locked in the pocket)
No hesitate

その他メタデータ：

| パラメータ | 推奨値 |
|---|---|
| Vocal Language | English |
| Duration | 165秒（約2分45秒）※BPMとフロウ密度・展開数に対して過不足のない尺 |
| BPM | 128 |
| Key | A minor |
| Time Signature | 4/4 |

Turboでの生成結果：

Seed１：

↑OK！

Seed２：

↑ちょっと個性的ですね。私はこの音程が、あまり好みではありません。

Seed３：

↑文句なし！いろんなアレンジが楽しみどころです。

Seed４：

↑アレンジは良いですが、音程が好みではありません。

Seed５：

↑曲自体はとてもいいんですが、最後が収まりきれずに「ブツ」と切れてしまいました…残念。

Sunoの生成結果（２つ）：

Created with Suno AI

Created with Suno AI

SunoとACEStep-1.5-XLの比較ですが、どちらの個性も悪くないですね。

なので、今回は、あなた自身に比較してもらいたいと思います！
比較対象は、Sunoの「Circuit Heart」と、
ACEStep-1.5-XL-Turboの「HAIRLINE BREAK」のSeed 3です。
どちらが良かったか一言だけでも構いません。
ぜひコメント欄でお待ちしております！

ComfyUI Workflow & AI Context License

本記事で公開しているComfyUI WorkflowおよびAI Context（以下「本作品」）は、個人利用・商用利用を問わず自由に利用できます。

許可

• 利用

• 改変

• 商用利用

• 改変版の公開・再配布

禁止

• 本作品を無改変のまま、他のWebサイト等へ自作であると誤認される形で転載・公開・再配布すること。

改変版の公開・再配布条件

• この記事へのリンク、または作者名「Rikunarita」を記載してください。

• 変更・追加・削除した内容（改変箇所）を明記してください。

• 本ライセンスを掲載または同梱してください。

最後に

比較結果の他以外でも、改良案や質問があれば、ぜひコメントで教えてください。
さらに完成度の高いワークフローにアップデートしていきます。

この記事を気に入っていただけましたら、「♥︎」「フォロー」をよろしくお願いします！

次回予告

自己紹介を書いていなかったことに気づいたので、次の記事は自己紹介です。

実は今、「Anima」というアニメイラスト特化の画像生成AIの派生モデルをマージして究極の「Anima-illustron」を作る試みをやっていまして、その途中経過を次次回の記事に載せる予定です。お楽しみに！