ایس استپ ۱.۵ (آفلاین)

Q: آهنگ با کلام فارسی میسازد؟

کد fa در فهرست زبانهای مدل هست، پس میتوانید کلام فارسی بدهید. اما سازنده کیفیت فارسی را نسنجیده است؛ اول چند نمونهٔ کوتاه بسازید و تلفظ را گوش کنید.

Q: آهنگها را میتوانم بفروشم یا در یوتیوب بگذارم؟

مجوز MIT استفادهٔ تجاری را آزاد میگذارد. ولی سازنده هشدار داده ممکن است خروجی ناخواسته شبیه آثار دارای حق نشر شود؛ بررسی آن با شماست.

Q: روی مک کار میکند؟

بله، روی مکهای Apple Silicon با MLX. بستهٔ قابلحمل مک و اسکریپت start_gradio_ui_macos.sh رسمی هستند.

ACE-Step 1.5 (offline)

★★★★★★★★★★۴٫۲

هوش مصنوعی آفلاین ابزارهای صوتپشتیبانی فارسی ✓پلن رایگانAPIاجرای آفلاین

راهنمای نصب و اجرا ↓مشاهده سایت ↗

رایگان؛ کد و وزن‌ها با مجوز MIT (استفادهٔ تجاری آزاد)

مدل ساخت آهنگ متن‌باز ACE Studio و StepFun با مجوز MIT؛ آهنگ کامل با کلام و ساز تا ۱۰ دقیقه را با کارت گرافیک حدود ۴ گیگابایتی می‌سازد و فارسی هم در فهرست زبان‌هایش هست.

اجرا روی سیستم خودتان

این مدل را یک بار دانلود می‌کنید و بعد بدون اینترنت روی لپ‌تاپ، کامپیوتر یا سرور خودتان اجرایش می‌کنید.

بعد از نصب، بدون اینترنت
وزن‌های باز
MIT — استفادهٔ تجاری آزاد
فارسی: متوسط

مدل‌ها در اولین اجرا دانلود می‌شوند (حدود ۱۰ گیگابایت). بعد از آن رابط وب و ساخت آهنگ کاملاً بدون اینترنت کار می‌کند. بررسی به‌روزرسانی اسکریپت‌ها اختیاری است.

کد و وزن‌ها MIT هستند و استفادهٔ تجاری آزاد است. سازنده دربارهٔ شباهت ناخواسته به آثار دارای حق نشر هشدار داده و مسئولیت استفاده با کاربر است.

نسخه‌ها و سخت‌افزار لازم

ACE-Step 1.5 (DiT 2B + LM)۲B
حافظهٔ لازم:
کارت گرافیک ۴ گیگ یا رم ۱۰ گیگ
ACE-Step/Ace-Step1.5 ↗
طبق راهنمای رسمی ۴ گیگابایت برای حالت فقط DiT و ۶ گیگابایت با مدل زبانی 0.6B؛ با ۱۲ تا ۱۶ گیگابایت مدل زبانی 1.7B هم فعال می‌شود. بستهٔ پیش‌فرض حدود ۱۰ گیگابایت دانلود دارد. آهنگ کامل روی RTX 3090 زیر ۱۰ ثانیه. رم تخمینی و برای حالت فقط DiT است.
ACE-Step 1.5 XL (DiT 4B)۴B
حافظهٔ لازم:
کارت گرافیک ۱۲ گیگ یا رم ۱۳ گیگ
ACE-Step/acestep-v15-xl-turbo ↗
کیفیت صدای بالاتر (منتشرشده در آوریل ۲۰۲۶). طبق سازنده ۱۲ گیگابایت با جابه‌جایی حافظه و کوانتیزه‌سازی و ۲۰ گیگابایت بدون آن؛ وزن‌ها با دقت bf16 حدود ۹ گیگابایت‌اند ولی فایل‌های مخزن حدود ۲۰ گیگابایت دانلود دارند.

نصب و اجرا

۱
راه ساده در ویندوز: بستهٔ قابل‌حملویندوز
start_gradio_ui.bat
فایل ACE-Step-1.5.7z را از لینک رسمی README (files.acemusic.ai) بگیرید، از حالت فشرده خارج کنید و start_gradio_ui.bat را اجرا کنید. به CUDA 12.8 نیاز دارد. برای مک Apple Silicon هم بستهٔ zip رسمی هست.
۲
ابزار uv را نصب کنیدلینوکس
curl -LsSf https://astral.sh/uv/install.sh | sh
در ویندوز (PowerShell): powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex". روی مک هم همان دستور لینوکس کار می‌کند.
۳
کد را بگیرید و وابستگی‌ها را نصب کنید
git clone https://github.com/ACE-Step/ACE-Step-1.5.git cd ACE-Step-1.5 uv sync
پایتون ۳.۱۱ یا ۳.۱۲ لازم است.
۴
رابط وب را اجرا کنید
uv run acestep --download-source modelscope
در اولین اجرا مدل‌ها دانلود می‌شوند؛ گزینهٔ --download-source منبع را بین huggingface و modelscope عوض می‌کند. برای API سرور: uv run acestep-api.

دانلود

ace-step/ACE-Step-1.5 (GitHub) ↗رسمی
کد، اسکریپت‌های راه‌اندازی و راهنما.
ACE-Step/Ace-Step1.5 (Hugging Face) ↗رسمی
بستهٔ پیش‌فرض مدل‌ها (DiT توربو، مدل زبانی 1.7B و VAE).
ModelScope ↗رسمی
منبع جایگزین رسمی.
بستهٔ قابل‌حمل ویندوز ↗رسمی
لینک رسمی درج‌شده در README؛ همه‌چیز از پیش نصب شده است.
بستهٔ قابل‌حمل مک ↗رسمی
برای مک‌های Apple Silicon.

نکات امنیتی

سازنده هشدار داده سایت‌های جعلی به نام ACE-Step وجود دارد؛ فقط از گیت‌هاب رسمی و لینک‌های داخل README دانلود کنید و به هیچ سایتی پول ندهید.
مدل‌ها کد سفارشی (custom code) همراه دارند که هنگام بارگذاری اجرا می‌شود؛ فقط از مخزن رسمی ACE-Step استفاده کنید.
رابط Gradio و سرور API را روی اینترنت باز نکنید.

برای شرکت‌ها و سازمان‌ها

برای استودیوی کوچک یا تیم تولید محتوا می‌شود آن را روی یک سرور با کارت ۱۲ تا ۲۴ گیگابایتی نصب کرد و با acestep-api در اختیار چند نفر گذاشت؛ مجوز MIT استفادهٔ تجاری را آزاد می‌گذارد.

برنامه‌هایی که این مدل را اجرا می‌کنند

هم‌سطح ابری

سونو

آخرین بررسی: ۱۲ مهر ۱۴۰۵ · انتشار: ۲۵ دی ۱۴۰۴

معرفی: ایس استپ ۱.۵ (آفلاین)

ACE-Step 1.5 مدل متن‌باز ساخت موسیقی است که ACE Studio و StepFun ژانویهٔ ۲۰۲۶ با مجوز MIT منتشر کردند. از توضیح سبک و متن ترانه، آهنگ کامل با خواننده و ساز می‌سازد؛ از ۱۰ ثانیه تا ۱۰ دقیقه. به گفتهٔ سازنده کیفیتش بین Suno v4.5 و Suno v5 است.

ساختارش دو بخش دارد: یک مدل زبانی بر پایهٔ Qwen3 که مثل آهنگساز طرح آهنگ، تمپو و ساختار را می‌نویسد و یک مدل دیفیوژن که صدا را می‌سازد. کاور ساختن، بازسازی بخشی از آهنگ، ساخت موسیقی همراه برای صدای خواننده و آموزش LoRA با چند آهنگ هم دارد.

سخت‌افزار: طبق راهنمای رسمی ۴ گیگابایت حافظهٔ گرافیک برای حالت ساده و ۶ گیگابایت همراه مدل زبانی کافی است و آهنگ کامل روی RTX 3090 زیر ۱۰ ثانیه ساخته می‌شود. نسخهٔ XL با مدل ۴ میلیاردی کیفیت صدای بیشتری دارد و ۱۲ تا ۲۰ گیگابایت می‌خواهد. روی مک‌های Apple Silicon، کارت‌های AMD و اینتل و حتی CPU (کند) هم اجرا می‌شود.

شروع: کاربران ویندوز و مک بستهٔ قابل‌حمل رسمی دارند؛ در بقیهٔ موارد با uv نصب می‌شود و دستور uv run acestep رابط وب را باز می‌کند. مدل‌ها در اولین اجرا از Hugging Face یا ModelScope دانلود می‌شوند.

فارسی: کد fa در فهرست ۵۰ زبان کلام هست، اما سازنده برای فارسی سنجش کیفیت منتشر نکرده؛ تلفظ و وزن شعر فارسی را خودتان آزمایش کنید.

بهترین کاربردها

•بدون اینترنت برای ویدیوی یوتیوبم موسیقی بی‌کلام بسازم
•روی کامپیوتر خودم آهنگ کامل با کلام بسازم
•با کارت گرافیک ۴ گیگابایتی آهنگ بسازم
•جایگزین رایگان و آفلاین Suno نصب کنم
•برای بازی یا پادکست موسیقی پس‌زمینه با مجوز تجاری بسازم
•سبک آهنگ‌های خودم را با LoRA به مدل یاد بدهم
•روی صدای خواننده موسیقی همراه بسازم
•آهنگ با کلام فارسی را آفلاین امتحان کنم

برای این کارها سراغش نروید

–تبدیل متن به گفتار یا گویندگی
–ضبط و میکس حرفه‌ای در نرم‌افزار آهنگسازی (DAW)
–ساخت ویدیو

تصاویر محیط ابزار

صفحهٔ اصلی ایس استپ ۱.۵ (آفلاین)

قابلیت‌ها و محیط کار

نقاط قوت

✓مجوز MIT و استفادهٔ تجاری آزاد
✓بسیار سبک: از حدود ۴ گیگابایت حافظهٔ گرافیک
✓سریع: آهنگ کامل روی RTX 3090 زیر ۱۰ ثانیه (طبق سازنده)
✓آهنگ تا ۱۰ دقیقه، کاور، بازسازی بخشی از آهنگ و ساخت موسیقی همراه
✓آموزش LoRA سبک خودتان با ۸ آهنگ در حدود یک ساعت روی RTX 3090 (با مصرف حدود ۱۲ گیگابایت حافظهٔ گرافیک)
✓بستهٔ قابل‌حمل رسمی برای ویندوز و مک

نقاط ضعف

✗دانلود اولیه حدود ۱۰ گیگابایت است و برای سرعت خوب کارت گرافیک لازم است؛ روی CPU کند است
✗کیفیت کلام فارسی سنجیده نشده است
✗نسخهٔ XL دست‌کم ۱۲ گیگابایت حافظهٔ گرافیک می‌خواهد
✗سایت‌های جعلی به نام پروژه هست؛ فقط از منابع رسمی دانلود کنید
✗به هشدار خود سازنده، خروجی ممکن است ناخواسته شبیه آثار دارای حق نشر شود

راهنمای تگ‌های ایس استپ ۱.۵ (آفلاین)

تگ‌ها کلمه‌های انگلیسی کوتاهی‌اند که ابزار آن‌ها را نمی‌خواند، اجرا می‌کند: کجای آهنگ ترجیع‌بند است، کجا گروه کر بخواند، کجا گوینده بخندد یا مکث کند. معنی فارسی هر تگ و جای درستش در متن را این‌جا ببینید.

شکل تگ‌ها در این ابزار: تگ‌های ساختار داخل [ ]؛ حس بخش با « - » کنار همان تگ: [Chorus - anthemic].

بیشتر سازنده‌های آهنگ تگ‌های ساختار مثل [Verse] و [Chorus] را می‌فهمند؛ بقیهٔ تگ‌ها را شاید نادیده بگیرند.
اگر ابزار تمپو (BPM) یا مدت را جدا می‌گیرد، در تنظیمات خود ابزار بگذارید.

نمونه

[Verse 1]
شب که می‌آید، چراغ خانه روشن است
یاد تو مثل نسیمی آرام است

[Chorus - anthemic]
با تو هر روزم بهار است
دل من با تو یک‌صداست

[Bridge - soft]
دلم پر می‌کشد سوی تو

[Outro]

ساختار آهنگ (۱۴)

[Intro]مقدمه (اینترو): یعنی چه: چند ثانیهٔ آغاز آهنگ، معمولاً فقط ساز، پیش از اولین جملهٔ خواننده.; کجا بگذارید: اول متن، بالای همهٔ خط‌ها. اگر نمی‌خواهید خواننده چیزی بخواند، زیرش خطی ننویسید.
[Verse]بند (ورس): یعنی چه: بخش روایی آهنگ؛ داستان در بندها جلو می‌رود و ملودی آرام‌تر از ترجیع‌بند است. هر بند متن تازه دارد.; کجا بگذارید: بالای هر بند شعر. بند دوم را [Verse 2] بنویسید تا مدل بداند بند تازه است.
[Pre-Chorus]پیش‌ترجیع (پری‌کورس): یعنی چه: یکی دو خط کوتاه که هیجان را بالا می‌برد و شنونده را برای ترجیع‌بند آماده می‌کند.; کجا بگذارید: بین بند و ترجیع‌بند.
[Chorus]ترجیع‌بند (کورس): یعنی چه: بخش اصلی و تکرارشوندهٔ آهنگ که در ذهن می‌ماند؛ معمولاً پرانرژی‌ترین بخش است.; کجا بگذارید: بعد از هر بند (یا پیش‌ترجیع). متن همهٔ ترجیع‌بندها را یکسان بنویسید.
[Post-Chorus]پس‌ترجیعتجربی: یعنی چه: تکهٔ کوتاه بعد از ترجیع‌بند، اغلب یک کلمه یا آوای تکراری که حس ترجیع را ادامه می‌دهد.; کجا بگذارید: بلافاصله بعد از ترجیع‌بند.
[Hook]قلاب (هوک)تجربی: یعنی چه: یک جملهٔ کوتاه و گیرا که بارها تکرار می‌شود؛ در رپ و پاپ جای ترجیع‌بند هم می‌نشیند.; کجا بگذارید: جایی که جملهٔ گیرا باید تکرار شود، معمولاً اول آهنگ یا جای ترجیع‌بند.
[Bridge]پل (بریج): یعنی چه: بخشی با ملودی و حس متفاوت، معمولاً فقط یک بار و نزدیک پایان، تا آهنگ تکراری نشود.; کجا بگذارید: بعد از ترجیع‌بند دوم و پیش از ترجیع‌بند آخر.
[Interlude]میان‌پرده: یعنی چه: فاصلهٔ سازی کوتاه بین دو بخش، بدون آواز.; کجا بگذارید: بین دو بخش، روی خط جدا و بدون متن زیرش.
[Instrumental]بخش بی‌کلام: یعنی چه: قطعه‌ای که فقط ساز می‌زند و خواننده ساکت است.; کجا بگذارید: هر جا آواز نمی‌خواهید؛ زیرش متنی ننویسید.
[Build-Up]اوج‌گیری (بیلدآپ)تجربی: یعنی چه: بالا رفتن تدریجی شدت و انرژی تا رسیدن به ترجیع‌بند یا دراپ.; کجا بگذارید: پیش از ترجیع‌بند یا دراپ.
[Drop]دراپتجربی: یعنی چه: لحظهٔ انفجار ریتم و باس بعد از اوج‌گیری؛ مخصوص موسیقی الکترونیک.; کجا بگذارید: بلافاصله بعد از اوج‌گیری.
[Break]توقف (بریک)تجربی: یعنی چه: چند لحظه که بیشتر سازها قطع می‌شوند تا ادامهٔ آهنگ تأثیر بیشتری بگذارد.; کجا بگذارید: وسط آهنگ، پیش از یک بخش مهم.
[Outro]پایان‌بندی (اوترو): یعنی چه: بخش پایانی که آهنگ را آرام یا با تکرار آخرین جمله می‌بندد.; کجا بگذارید: آخر متن، بعد از آخرین ترجیع‌بند.
[Fade Out]محوشدن پایانیتجربی: یعنی چه: صدای آهنگ آرام‌آرام کم می‌شود تا تمام شود.; کجا بگذارید: آخرین خط، بعد از پایان‌بندی.

خواننده و همخوانی (۱۴)

[Male Vocal]خوانندهٔ مردتجربی: یعنی چه: این بخش را صدای مردانه بخواند.; کجا بگذارید: روی خط بعد از تگ همان بخش.
[Female Vocal]خوانندهٔ زنتجربی: یعنی چه: این بخش را صدای زنانه بخواند.; کجا بگذارید: روی خط بعد از تگ همان بخش.
[Duet]دونفره (دوئت)تجربی: یعنی چه: دو خواننده، معمولاً مرد و زن، با هم یا یکی‌درمیان می‌خوانند.; کجا بگذارید: روی خط بعد از تگ بخش. برای یکی‌درمیان، پیش از هر تکه بنویسید کدام می‌خواند: [Male Vocal] یا [Female Vocal].
[Choir]گروه کر (همخوانی)تجربی: یعنی چه: جمعی از خواننده‌ها با هم می‌خوانند؛ حس شکوه و حماسه می‌دهد.; کجا بگذارید: روی خط بعد از تگ بخشی که همخوانی می‌خواهد، معمولاً ترجیع‌بند یا بخش حماسی.
[Harmonies]هارمونی (هم‌صدایی چندلایه)تجربی: یعنی چه: صداهای دیگری هم‌زمان با خوانندهٔ اصلی و با نت‌های متفاوت می‌خوانند تا صدا پرتر شود.; کجا بگذارید: روی خط بعد از تگ بخشی که باید پرتر باشد.
[Backing Vocals]صدای پشتیبان (بک‌وکال)تجربی: یعنی چه: صداهایی آرام پشت خوانندهٔ اصلی که جمله‌ها را تکرار یا همراهی می‌کنند. در Suno هر چه داخل پرانتز باشد هم به‌صورت صدای پشتیبان خوانده می‌شود.; کجا بگذارید: روی خط بعد از تگ بخش؛ یا کلمه‌ای را که پشتیبان باید تکرار کند داخل پرانتز آخر خط بنویسید: «بمان (بمان)».
[Call and Response]پرسش و پاسختجربی: یعنی چه: خوانندهٔ اصلی جمله‌ای می‌خواند و گروه به آن پاسخ می‌دهد.; کجا بگذارید: روی خط بعد از تگ بخش؛ پاسخ گروه را داخل پرانتز بنویسید.
[Spoken Word]دکلمه (گفتار روی موسیقی)تجربی: یعنی چه: این خط‌ها خوانده نمی‌شوند، گفته می‌شوند؛ مثل دکلمه روی موسیقی.; کجا بگذارید: روی خط بعد از تگ بخش، یا پیش از همان خط‌هایی که باید گفته شوند.
[Rap]رپتجربی: یعنی چه: این بخش ریتمیک و گفتاری اجرا شود، نه با ملودی آوازی.; کجا بگذارید: روی خط بعد از تگ بخش رپ.
[Whisper]نجواتجربی: یعنی چه: آهسته و زمزمه‌وار، انگار نزدیک گوش شنونده.; کجا بگذارید: روی خط پیش از خط‌هایی که باید نجوا شوند.
[Belting]اوج‌خوانی (بلتینگ)تجربی: یعنی چه: با صدای بلند و پرقدرت در نت‌های بالا؛ مناسب اوج ترجیع‌بند آخر.; کجا بگذارید: روی خط بعد از تگ بخشی که اوج آهنگ است.
[Falsetto]فالستو (صدای سر)تجربی: یعنی چه: صدای نازک و بالای مردانه، لطیف و احساسی.; کجا بگذارید: روی خط پیش از خط‌هایی که باید با صدای سر خوانده شوند.
[Ad-libs]بداهه‌خوانیتجربی: یعنی چه: صداها و کلمه‌های کوتاه بداهه مثل «یه» و «اوه» بین جمله‌ها.; کجا بگذارید: روی خط بعد از تگ بخش، معمولاً ترجیع‌بند آخر.
[Humming]زمزمه با دهان بستهتجربی: یعنی چه: خواننده بدون کلمه، با دهان بسته ملودی را زمزمه می‌کند.; کجا بگذارید: روی خط جدا، معمولاً در مقدمه یا پایان‌بندی.

حس هر بخش (۱۳)

[Chorus - epic]حماسیتجربی: یعنی چه: باشکوه و پرقدرت، با حس پیروزی یا قهرمانی.; کجا بگذارید: کنار تگ همان بخش، بعد از « - »: مثلاً [Chorus - epic]. فقط همان بخش این حس را می‌گیرد.
[Chorus - emotional]احساسیتجربی: یعنی چه: پراحساس و تأثیرگذار، با اجرایی که دل را می‌لرزاند.; کجا بگذارید: کنار تگ همان بخش، بعد از « - »: مثلاً [Chorus - emotional]. فقط همان بخش این حس را می‌گیرد.
[Chorus - soft]آرام و نرمتجربی: یعنی چه: کم‌صدا و لطیف، با سازهای کم.; کجا بگذارید: کنار تگ همان بخش، بعد از « - »: مثلاً [Chorus - soft]. فقط همان بخش این حس را می‌گیرد.
[Chorus - energetic]پرانرژیتجربی: یعنی چه: تند و پرشور، با ضرب قوی.; کجا بگذارید: کنار تگ همان بخش، بعد از « - »: مثلاً [Chorus - energetic]. فقط همان بخش این حس را می‌گیرد.
[Chorus - joyful]شادتجربی: یعنی چه: سرزنده و خوشحال.; کجا بگذارید: کنار تگ همان بخش، بعد از « - »: مثلاً [Chorus - joyful]. فقط همان بخش این حس را می‌گیرد.
[Chorus - melancholic]غمگین و دلتنگتجربی: یعنی چه: اندوهگین و نوستالژیک، آهسته.; کجا بگذارید: کنار تگ همان بخش، بعد از « - »: مثلاً [Chorus - melancholic]. فقط همان بخش این حس را می‌گیرد.
[Chorus - dark]تاریک و سنگینتجربی: یعنی چه: تیره و پرتنش.; کجا بگذارید: کنار تگ همان بخش، بعد از « - »: مثلاً [Chorus - dark]. فقط همان بخش این حس را می‌گیرد.
[Chorus - intimate]صمیمی و نزدیکتجربی: یعنی چه: انگار خواننده فقط برای یک نفر می‌خواند؛ سازها کم و صدا نزدیک.; کجا بگذارید: کنار تگ همان بخش، بعد از « - »: مثلاً [Chorus - intimate]. فقط همان بخش این حس را می‌گیرد.
[Chorus - anthemic]سرودوارتجربی: یعنی چه: بزرگ و جمعی، طوری که همه بخواهند با آن بخوانند.; کجا بگذارید: کنار تگ همان بخش، بعد از « - »: مثلاً [Chorus - anthemic]. فقط همان بخش این حس را می‌گیرد.
[Chorus - dreamy]رؤیاییتجربی: یعنی چه: مه‌آلود و شناور، با صداهای کش‌دار.; کجا بگذارید: کنار تگ همان بخش، بعد از « - »: مثلاً [Chorus - dreamy]. فقط همان بخش این حس را می‌گیرد.
[Chorus - romantic]عاشقانهتجربی: یعنی چه: گرم و عاشقانه.; کجا بگذارید: کنار تگ همان بخش، بعد از « - »: مثلاً [Chorus - romantic]. فقط همان بخش این حس را می‌گیرد.
[Chorus - powerful]پرقدرتتجربی: یعنی چه: محکم و پرحجم، با اوج صدا.; کجا بگذارید: کنار تگ همان بخش، بعد از « - »: مثلاً [Chorus - powerful]. فقط همان بخش این حس را می‌گیرد.
[Chorus - nostalgic]نوستالژیکتجربی: یعنی چه: یادآور گذشته، گرم و کمی غمگین.; کجا بگذارید: کنار تگ همان بخش، بعد از « - »: مثلاً [Chorus - nostalgic]. فقط همان بخش این حس را می‌گیرد.

شدت و ریتم (۳)

[Crescendo]قوی‌شدن تدریجی (کرشندو)تجربی: یعنی چه: صدا و شدت سازها کم‌کم بیشتر می‌شود.; کجا بگذارید: روی خط جدا، پیش از خط‌هایی که باید اوج بگیرند.
[Half-Time]نیم‌ضرب (هاف‌تایم)تجربی: یعنی چه: ضرب آهنگ نصف حس می‌شود؛ آهنگ سنگین‌تر و کشیده‌تر به نظر می‌رسد بی‌آنکه تمپو عوض شود.; کجا بگذارید: روی خط بعد از تگ بخشی که باید سنگین‌تر شود، معمولاً پل.
[Key Change]تغییر گامتجربی: یعنی چه: آهنگ نیم یا یک پرده بالا می‌رود تا ترجیع آخر تازه‌تر و پرشورتر شود.; کجا بگذارید: روی خط جدا، درست پیش از ترجیع‌بند آخر.

ساز و تک‌نوازی (۱۳)

[Guitar Solo]تک‌نوازی گیتارتجربی: یعنی چه: چند میزان که گیتار به‌تنهایی ملودی اصلی را می‌زند و خواننده ساکت است.; کجا بگذارید: روی خط جدا، معمولاً بعد از ترجیع‌بند دوم یا جای پل؛ زیرش متنی ننویسید.
[Piano Solo]تک‌نوازی پیانوتجربی: یعنی چه: چند میزان که پیانو به‌تنهایی ملودی اصلی را می‌زند و خواننده ساکت است.; کجا بگذارید: روی خط جدا، معمولاً بعد از ترجیع‌بند دوم یا جای پل؛ زیرش متنی ننویسید.
[Violin Solo]تک‌نوازی ویولنتجربی: یعنی چه: چند میزان که ویولن به‌تنهایی ملودی اصلی را می‌زند و خواننده ساکت است.; کجا بگذارید: روی خط جدا، معمولاً بعد از ترجیع‌بند دوم یا جای پل؛ زیرش متنی ننویسید.
[Sax Solo]تک‌نوازی ساکسیفونتجربی: یعنی چه: چند میزان که ساکسیفون به‌تنهایی ملودی اصلی را می‌زند و خواننده ساکت است.; کجا بگذارید: روی خط جدا، معمولاً بعد از ترجیع‌بند دوم یا جای پل؛ زیرش متنی ننویسید.
[Drum Solo]تک‌نوازی درامتجربی: یعنی چه: چند میزان که درام به‌تنهایی ملودی اصلی را می‌زند و خواننده ساکت است.; کجا بگذارید: روی خط جدا، معمولاً بعد از ترجیع‌بند دوم یا جای پل؛ زیرش متنی ننویسید.
[Tar Solo]تک‌نوازی تارآزموده‌نشده: یعنی چه: چند میزان که تار به‌تنهایی ملودی اصلی را می‌زند و خواننده ساکت است. اگر ابزار تار را نشناخت، نامش را در کادر سبک هم بیاورید (مثلاً Persian tar).; کجا بگذارید: روی خط جدا، معمولاً بعد از ترجیع‌بند دوم یا جای پل؛ زیرش متنی ننویسید.
[Setar Solo]تک‌نوازی سه‌تارآزموده‌نشده: یعنی چه: چند میزان که سه‌تار به‌تنهایی ملودی اصلی را می‌زند و خواننده ساکت است. اگر ابزار سه‌تار را نشناخت، نامش را در کادر سبک هم بیاورید (مثلاً Persian setar).; کجا بگذارید: روی خط جدا، معمولاً بعد از ترجیع‌بند دوم یا جای پل؛ زیرش متنی ننویسید.
[Santur Solo]تک‌نوازی سنتورآزموده‌نشده: یعنی چه: چند میزان که سنتور به‌تنهایی ملودی اصلی را می‌زند و خواننده ساکت است. اگر ابزار سنتور را نشناخت، نامش را در کادر سبک هم بیاورید (مثلاً Persian santur).; کجا بگذارید: روی خط جدا، معمولاً بعد از ترجیع‌بند دوم یا جای پل؛ زیرش متنی ننویسید.
[Kamancheh Solo]تک‌نوازی کمانچهآزموده‌نشده: یعنی چه: چند میزان که کمانچه به‌تنهایی ملودی اصلی را می‌زند و خواننده ساکت است. اگر ابزار کمانچه را نشناخت، نامش را در کادر سبک هم بیاورید (مثلاً Persian kamancheh).; کجا بگذارید: روی خط جدا، معمولاً بعد از ترجیع‌بند دوم یا جای پل؛ زیرش متنی ننویسید.
[Ney Solo]تک‌نوازی نیآزموده‌نشده: یعنی چه: چند میزان که نی به‌تنهایی ملودی اصلی را می‌زند و خواننده ساکت است. اگر ابزار نی را نشناخت، نامش را در کادر سبک هم بیاورید (مثلاً Persian ney).; کجا بگذارید: روی خط جدا، معمولاً بعد از ترجیع‌بند دوم یا جای پل؛ زیرش متنی ننویسید.
[Oud Solo]تک‌نوازی عودآزموده‌نشده: یعنی چه: چند میزان که عود به‌تنهایی ملودی اصلی را می‌زند و خواننده ساکت است. اگر ابزار عود را نشناخت، نامش را در کادر سبک هم بیاورید (مثلاً Persian oud).; کجا بگذارید: روی خط جدا، معمولاً بعد از ترجیع‌بند دوم یا جای پل؛ زیرش متنی ننویسید.
[Tombak Solo]تک‌نوازی تنبکآزموده‌نشده: یعنی چه: چند میزان که تنبک به‌تنهایی ملودی اصلی را می‌زند و خواننده ساکت است. اگر ابزار تنبک را نشناخت، نامش را در کادر سبک هم بیاورید (مثلاً Persian tombak).; کجا بگذارید: روی خط جدا، معمولاً بعد از ترجیع‌بند دوم یا جای پل؛ زیرش متنی ننویسید.
[Daf Rhythm]ریتم دفآزموده‌نشده: یعنی چه: ضرب دف زیر این بخش؛ حس عرفانی یا جشن می‌دهد. اگر ابزار نشناخت، «Persian daf» را در کادر سبک هم بنویسید.; کجا بگذارید: روی خط بعد از تگ همان بخش.

پرسش‌های پرتکرار

آهنگ با کلام فارسی می‌سازد؟

کد fa در فهرست زبان‌های مدل هست، پس می‌توانید کلام فارسی بدهید. اما سازنده کیفیت فارسی را نسنجیده است؛ اول چند نمونهٔ کوتاه بسازید و تلفظ را گوش کنید.

با کارت گرافیک ضعیف اجرا می‌شود؟

بله. طبق راهنمای رسمی، حالت فقط DiT با ۴ گیگابایت و همراه مدل زبانی 0.6B با ۶ گیگابایت کار می‌کند. برنامه خودش بر اساس حافظهٔ کارت تنظیمات مناسب را انتخاب می‌کند.

آهنگ‌ها را می‌توانم بفروشم یا در یوتیوب بگذارم؟

مجوز MIT استفادهٔ تجاری را آزاد می‌گذارد. ولی سازنده هشدار داده ممکن است خروجی ناخواسته شبیه آثار دارای حق نشر شود؛ بررسی آن با شماست.

روی مک کار می‌کند؟

بله، روی مک‌های Apple Silicon با MLX. بستهٔ قابل‌حمل مک و اسکریپت start_gradio_ui_macos.sh رسمی هستند.