ACE-Step ne fonctionne pas comme Suno. Il n'y a pas de boîte de texte magique où vous décrivez une chanson en espérant. À la place, il vous donne deux contrôles distincts : les tags qui façonnent le son, et les lyrics qui définissent la structure du morceau. Comprendre la répartition entre les deux fait toute la différence entre obtenir un rendu aléatoire et obtenir le morceau que vous avez vraiment en tête.
Pourquoi les prompts ACE-Step sont différents
La plupart des outils de musique IA acceptent une unique description en langage naturel. « Écris-moi une ballade de piano triste sur l'amour perdu » – et le modèle interprète tout d'un coup. Genre, ambiance, instruments, paroles, structure – tout emmêlé dans une seule phrase.
ACE-Step sépare ces préoccupations en deux champs qui n'interfèrent pas entre eux.
tags (caption) est une liste de mots-clés séparés par des virgules qui contrôle l'audio. Genre, ambiance, instruments, style vocal, qualité de production, BPM. Considérez cela comme une table de mixage : chaque tag est un fader.
lyrics porte le texte du morceau ainsi que les marqueurs structurels – [verse], [chorus], [bridge] – et les tags de langue comme [en] ou [ja]. Laissez-le vide et le modèle génère un instrumental.
Cela compte parce que vous pouvez changer intégralement de genre en éditant les tags tout en gardant les mêmes lyrics intacts. Une ballade folk devient un beat trap en quelques secondes, avec des paroles identiques sur un paysage sonore totalement différent.
Comment écrire les tags
Un bon jeu de tags compte 5-12 mots-clés. Au-delà de 15, ils commencent à se diluer mutuellement. L'ordre compte moins que la spécificité – grand piano surpasse piano, et fingerpicked acoustic guitar produit un résultat plus net que guitar.
La formule
Le genre toujours en premier
Le tag de genre ancre tout le reste. ACE-Step couvre un large éventail :
| Famille | Tags qui fonctionnent bien |
|---|---|
| Électronique | techno, progressive house, trance, drum and bass, breakcore, darkwave, synthwave |
| Hip-hop | trap, boom bap, drill, phonk, lo-fi hip-hop, cloud rap, uk drill |
| Rock | indie rock, post-rock, shoegaze, dream pop, post-punk, grunge, doom metal |
| Pop | synth-pop, city pop, k-pop, j-pop, indie pop, hyperpop |
| Jazz | bebop, fusion, smooth jazz, gypsy jazz, cool jazz |
| Orchestral | cinematic, trailer music, orchestral score, baroque, minimalist |
| Acoustique | indie folk, bluegrass, bossa nova, americana, sea shanty |
| Ambient | dark ambient, drone, new age, generative |
Vous obtenez des rendus brouillés avec un genre de niche comme darkwave ou breakcore ? Lancez le même prompt sur XL Turbo avant de réécrire vos tags. Le modèle plus large (~10B params) résout les genres de niche que les variantes 3.5B brouillent ensemble.
Nommez des instruments, pas des adjectifs
« Grand piano, upright bass, brushed drums » donne au modèle trois sources sonores concrètes à rendre. « Sophisticated, elegant, refined » ne lui donne rien à exploiter.
XL Turbo est aussi là où les instruments rares brillent. hammered dulcimer, theremin, shakuhachi, prepared piano – ceux-ci produisent des timbres distincts sur XL que les modèles 3.5B aplatissent en quelque chose de générique.
Les tags de production façonnent le mix
Ceux-ci contrôlent la « finition » sonore du morceau. Les tags de fidélité (hi-fi, lo-fi, dusty, polished) fixent la clarté générale. Les tags de caractère comme analog warmth, tape saturation et vinyl crackle ajoutent de la texture par-dessus. Les tags spatiaux (wide stereo, intimate, cinematic) définissent l'envergure perçue du morceau. Et les tags de dynamique – compressed, sidechain pumping – façonnent le comportement du loudness.
La différence est dramatique : lo-fi hip-hop, dusty, vinyl crackle, tape saturation et hip-hop, hi-fi, clean, wide stereo produisent des mixages totalement différents à partir de lyrics identiques.
Incluez toujours le BPM
Réglez-le à la fois dans les tags (par ex. 88 bpm) et comme paramètre bpm. Le modèle utilise les deux entrées, et la cohérence entre les deux resserre le rendu rythmique.
| Genre | Plage de BPM typique |
|---|---|
| Ballade / acoustique | 60-80 |
| Lo-fi hip-hop | 70-90 |
| Pop | 100-120 |
| House | 120-128 |
| Techno | 128-140 |
| Trap (half-time) | 130-145 |
| Drum and bass | 170-180 |
Trois erreurs de tags qui ruinent le rendu
« A beautiful melancholic piano piece about autumn in Paris » ressemble à un prompt raisonnable. Il ne l'est pas. Le modèle attend des mots-clés : piano ballad, melancholic, intimate, Parisian cafe, felt piano, 68 bpm.
Des tags contradictoires provoquent un autre type d'échec. aggressive, serene ou lo-fi, hi-fi, polished forcent le modèle à osciller entre les pôles au lieu de s'engager dans l'un ou l'autre.
Enfin, surveillez votre BPM. Tagger techno à 70 bpm trouble le modèle parce que le techno vit à 128-140. Lent et sombre ? C'est du dark ambient ou du downtempo, pas du techno lent.
Comment structurer les lyrics
Les lyrics ne sont pas que des mots – ils sont l'architecture du morceau.
Les marqueurs de section indiquent au modèle quoi jouer
Chaque marqueur va entre crochets, en minuscules :
| Marqueur | Rôle |
|---|---|
[intro] |
Ouverture instrumentale |
[verse] |
Couplet |
[pre-chorus] |
Montée de tension avant le refrain |
[chorus] |
Le refrain – répétez-le |
[bridge] |
Section contrastée |
[inst] |
Solo instrumental ou pause |
[build-up] |
Tension montante (électronique) |
[drop] |
Pic de libération d'énergie (EDM) |
[breakdown] |
Réduction de l'énergie (électronique) |
[outro] |
Fin |
Un marqueur sans texte en dessous devient un passage instrumental. C'est ainsi que vous créez des solos, des interludes et des transitions sans aucun chant.
Marqueurs de langue pour les morceaux multilingues
ACE-Step prend en charge 19 langues. Les 10 principales fonctionnent le mieux : [en], [zh], [ru], [es], [ja], [de], [fr], [pt], [it], [ko]. Les autres (dont [pl]) fonctionnent mais peuvent être moins performants.
Placez le marqueur de langue au début d'une section, jamais en milieu de ligne. Des couplets en anglais avec un refrain en japonais dans un style j-rock est une combinaison qui fonctionne particulièrement bien sur XL Turbo.
Gardez des lignes courtes
Le modèle mappe les syllabes sur les temps. Les lignes de 4-8 syllabes coulent naturellement. À 12 syllabes et plus, le rythme vocal se fracasse – le modèle essaie de caser trop de mots dans trop peu de temps.
Répétez le refrain. Cela aide le modèle à se caler sur une mélodie cohérente. Les schémas de rime AABB ou ABAB sonnent plus naturels que le vers libre, mais la rime n'est pas obligatoire.
Instrumentaux
Deux façons de partir sur du totalement instrumental :
Laissez les lyrics vides et ajoutez
no vocalsouinstrumentalaux tagsUtilisez uniquement des marqueurs de section sans texte :
[intro]→[inst]→[outro]
Ajouter no vocals dans les tags tout en écrivant du texte dans les lyrics crée de la confusion – le modèle peut produire d'étranges vocalises sans mots. Choisissez une approche et tenez-vous-y.
Trois variantes, un format de prompt
FilmoTvor.AI exécute trois modèles ACE-Step 1.5. Les trois acceptent le même format de tags et de lyrics – la différence réside dans la qualité, la vitesse et le contrôle :
| Turbo (3.5B) | XL Turbo (~10B, INT8) | Base (3.5B) | |
|---|---|---|---|
| Steps | 8 (fixes) | 8 (fixes) | 5-100 (réglables) |
| Guidance (CFG) | 1 (fixe) | 1 (fixe) | 3-20 (réglable) |
| Durée min | 10s | 10s | 30s |
| Genres de niche | Parfois manqués | Bien gérés | Parfois manqués |
| Format long (200s+) | Perte de cohérence | Tient ensemble | Tient ensemble |
| Clarté vocale | Adéquate | Propre | La plus propre |
Le flux de travail : esquissez sur Turbo (générez 5-10 variantes rapidement, trouvez l'arrangement qui marche), affinez sur XL Turbo (meilleure qualité sonore, la plupart des morceaux se font ici), peaufinez sur Base avec steps=40-60 (fidélité maximale pour les rendus critiques).
Pour Base spécifiquement, deux paramètres comptent :
Les steps contrôlent le compromis qualité vs. vitesse. 27 est le bon compromis pour la plupart des travaux. En dessous de 15 vous obtenez des brouillons façon Turbo. Au-dessus de 60, les gains deviennent imperceptibles.
La Guidance (CFG) contrôle la rigueur avec laquelle le modèle suit vos tags. À 5-7, il joue de façon souple et musicale. À 10-12, il suit vos tags de près. Au-dessus de 15, il devient rigide et peut introduire des artefacts. Les prompts complexes bénéficient d'un CFG plus élevé ; les prompts simples à un genre sonnent mieux à des valeurs plus basses.
5 exemples complets de prompts
1. Lo-fi hip-hop (boom bap, jazzy)
tags :
lyrics :
bpm : 88 · durée : 180s
Le [inst] avant l'outro laisse de la place pour un solo d'influence jazz – sur XL Turbo, attendez-vous à une trompette sourde ou à une improvisation au piano flottant au-dessus de la boucle boom bap.
2. Dark progressive techno (instrumental)
tags :
lyrics :
bpm : 134 · durée : 240s
La séquence [build-up] → [drop] est essentielle pour la musique électronique. Le modèle lit ces marqueurs comme des consignes dynamiques : monter, puis relâcher. Deux cycles de ce motif créent un arrangement complet adapté au DJ.
3. Chamber folk ballad (acoustique, intime)
tags :
lyrics :
bpm : 68 · durée : 210s
Le matériel acoustique bénéficie le plus de Base à steps=40+. La guitare en fingerpicking et les harmoniques du violoncelle ont besoin d'étapes d'échantillonnage supplémentaires pour être rendues proprement. Prototyper d'abord l'arrangement sur XL Turbo, puis passer à Base pour le rendu final.
4. Trailer orchestral hybride (cinématographique)
tags :
lyrics :
bpm : 90 · durée : 120s
La musique de trailer repose sur le contraste dynamique – tension calme contre explosions orchestrales. L'arc [build-up] → [inst] → [chorus] donne au modèle une trajectoire claire de la retenue à la pleine puissance.
5. Dark ambient (atmosphérique, format long)
tags :
lyrics :
bpm : 55 · durée : 270s
À 270 secondes, l'avantage de la variante XL Turbo sur la Turbo 3.5B devient audible. Le modèle plus petit a tendance à perdre la cohérence au-delà de la marque des 3 minutes – les textures bouclent ou dérivent vers du bruit. XL soutient le paysage sonore évolutif sur toute la durée.
Le raccourci de l'audio de référence
Les trois variantes acceptent ref_audio – un clip de 5-60 secondes que le modèle traite comme référence de style. Timbre, texture de production et ambiance du clip influencent le morceau généré.
Envoyez un fragment instrumental sec – 10-30 secondes, style constant du début à la fin. Une intro de guitare propre, un pad de synthé isolé, une boucle de batterie. Cela donne au modèle un timbre clair à référencer.
Les mixages lourds en voix se retournent contre vous : le modèle essaie de cloner la voix au lieu d'en extraire le style de production. Les mixages complets denses se transforment en bouillie parce que le modèle moyenne toutes les couches. Les clips de moins de 5 secondes portent trop peu de signal pour quoi que ce soit d'utile.
Sur XL Turbo, même des indices subtils se transfèrent – une décroissance de réverbération précise, un caractère de compression à bande, la chaleur particulière d'une chaîne d'enregistrement analogique. Les variantes 3.5B saisissent les grandes lignes mais manquent ces détails.
Erreurs courantes
Nous avons couvert les erreurs de tags plus haut. Voici celles qui apparaissent dans les lyrics et les paramètres.
Les lignes de plus de 10 syllabes brisent le rythme vocal. Le modèle entasse des mots dans des temps qui ne peuvent les contenir – réécrivez à 4-8 syllabes par ligne et le rythme se cale immédiatement.
Empiler cinq genres de niche (darkwave, witch house, phonk, vaporwave, drill) semble aventureux sur le papier. En pratique, le modèle ne peut pas résoudre autant de signaux contradictoires et le rendu s'effondre en bruit. Un genre primaire plus un modificateur, c'est le plafond.
Un marqueur [chorus] sans texte en dessous ne générera pas de refrain accrocheur. Il génère du silence. Écrivez des paroles de refrain ou renommez la section [inst].
Oublier le marqueur de langue sur des lyrics non anglais est l'échec le plus sournois. Des mots polonais sans [pl] au début de la section ? Le modèle peut les chanter en phonétique anglaise quoi qu'il arrive.
Et le piège du BPM : l'omettre des tags, et le modèle devine. techno sans tag BPM explicite peut atterrir à 115 au lieu de 130 – assez proche pour sonner faux, assez loin pour ruiner le groove.