ACE-Step × RTX 3060 12GB｜30秒音楽生成の所要時間をスペックから推算する

ACE-StepをRTX 3060 12GBで動かす場合、30秒の楽曲生成にどれくらい時間がかかるのか——インストール前に把握しておきたいこの疑問を、公開されているGPUスペックとACE-Stepのアーキテクチャをもとに分析します。公式ベンチマークはRTX 3060を対象としていないため、本記事では推定値であることを明示しながら、所要時間の目安と高速化オプションを整理します。

ACE-Stepとは

ACE-Stepは、Stepfunが2025年4月に公開したオープンソースの音楽生成モデルです。テキストプロンプトから楽曲を生成するflow matchingベースのモデルで、Apache 2.0ライセンスで公開されています（執筆時点）。商用利用も可能なため、自作サービスへの組み込みを検討しやすいのが特徴です。

GitHubリポジトリ（ace-step/ACE-Step）によると、デフォルトの推論ステップ数は60です。HuggingFaceで配布されているチェックポイントはBF16精度で約8GBと観測されています。

RTX 3060 12GBでACE-Stepは動くか

ACE-Stepの動作に必要なVRAMは公式ドキュメントに明示されていませんが、チェックポイント約8GB＋推論時の活性化メモリを考えると、12GB VRAMはギリギリ動作ラインに入ると考えられます。

NVIDIAの公式仕様より、RTX 3060 12GBのスペックは次のとおりです：

ただし、ComfyUIやSD WebUIなど他の生成AIプロセスが同居しているとVRAMが不足することがあります。ACE-Stepを使う際は、他のGPUプロセスを停止してから起動してください。

生成時間を決める3つの要因

1. 推論ステップ数（num_inference_steps）

flow matchingモデルは推論ステップ数に比例して計算量が増えます。デフォルト60ステップから20ステップに減らすと、品質は下がりますが所要時間はおおよそ1/3になります。

# デフォルト（60ステップ）
python inference.py --num_inference_steps 60 --audio_duration 30

# 高速化（20ステップ）—品質は低下する可能性があります
python inference.py --num_inference_steps 20 --audio_duration 30

2. 楽曲の長さ（audio_duration）

生成秒数に比例して計算量が増加します。60秒の楽曲は30秒の約2倍の時間がかかると考えられます。バッチ生成を計画する際は、この線形スケールを前提にスケジュールを組むと現実的です。

3. GPUの演算性能とメモリ帯域幅

diffusionモデルの速度はFP16/BF16の演算性能（TFLOPS）とメモリ帯域幅の両方に依存します。同世代の上位モデルとの差は大きいです：

（スペックはNVIDIA公式より）

RTX 3060での推定生成時間

公式ベンチマークはRTX 3060を対象としていません。以下は演算性能比（RTX 3090:RTX 3060 ≈ 2.8:1）と一般的なdiffusionモデルの処理時間傾向から試算した理論値です。RTX 3090の欄を含めすべての数値は実測値ではありません。実際の値は環境・ドライバ・その他のオーバーヘッドによって大きく変わります。

RTX 3060の場合、30秒の楽曲をデフォルト設定で生成すると1.5〜2.5分程度かかると推定されます。ただし、モデルの初回ロードには別途時間がかかることがあり（環境によって変動します）、この時間は含んでいません。

上記の推算は演算性能比のみから導いたものです。実際のボトルネックがメモリ帯域幅に移る場合（RTX 3060は3090の約38%）、差はさらに開く可能性があります。あくまで目安として参照してください。

セットアップと高速化の実践

インストール

git clone https://github.com/ace-step/ACE-Step
cd ACE-Step
pip install -e .

HuggingFaceからチェックポイント（約8GB）が初回起動時に自動ダウンロードされます。ダウンロード先のディスク容量を事前に確認してください。

BF16を明示的に指定する

RTX 30xxシリーズはBF16をネイティブサポートしています。FP32に落とすとVRAM消費が増え速度も低下するため、BF16を維持してください：

python inference.py --dtype bf16 --num_inference_steps 60 --audio_duration 30

torch.compile() の活用

--compile オプションを使うと初回コンパイルに数十秒かかりますが、2回目以降の推論が高速化される場合があります（環境によって効果は異なります）：

python inference.py --compile --dtype bf16 --num_inference_steps 60 --audio_duration 30

xformers・Flash Attention 2の導入

xformersまたはFlash Attention 2が利用可能な環境ではメモリ使用量が削減され、速度改善が見込めます。PyTorch 2.x以降とCUDA 11.8以上が前提です。

ComfyUIと同居している環境でVRAMを確保する運用については、ComfyUIワークフローJSONを保存・共有する手順と注意点でも触れているように、使わないサービスを都度停止してからACE-Stepを起動するのが現実的です。

VRAMが不足する場合のフォールバック

# FP16へ変更（BF16より若干精度が下がる可能性あり）
python inference.py --dtype fp16 --num_inference_steps 20

# ステップ数を最小限に絞る
python inference.py --dtype bf16 --num_inference_steps 15 --audio_duration 30

15ステップ以下では品質が著しく低下する可能性があります。まず20ステップで結果を確認してから調整するのが効率的です。

まとめ

• RTX 3060 12GBはVRAM容量でACE-Stepの動作ラインを満たすと考えられます
• デフォルト60ステップで30秒の楽曲生成は1.5〜2.5分程度が推算上の目安（スペック比からの推算値。実測ではありません）
• ステップ数を20に減らすと約30〜50秒に短縮できる可能性があります
• BF16指定・torch.compile()・xformers導入が主な高速化手段
• 他のGPUプロセスと同時起動するとVRAMが不足することがあります

次のアクション: まず --num_inference_steps 20 でテスト生成して音質を確認し、許容できる品質であればそのまま運用する、またはステップ数を段階的に増やして品質と速度のバランスを探るのが、RTX 3060では時間効率のよいアプローチと考えられます。