Sunoの代わりはこれ！自前GPUで動く最強音楽生成モデル比較

SaaSのサブスク料金を払い続けることは、技術的に「作れないから借りている」という構造的な固定費です。私はこれまでも、中小企業や個人が制度対応などのために買わされるシステムを減らしたいと考えてきました。AIによって一人でも高度なプロダクトを作れるようになった今、作れるなら借りる必要はありません。今回はSunoの代わりとして、自前GPUで動かせるオープンな音楽生成モデル「ACE-Step 1.5 Turbo XL」と「HeartMuLa oss-3B」を比較した結果を共有します。これらを自分の環境で動かすことは、月額費用をゼロにし、自由な権利でコンテンツを生成できる「所有」への転換を意味します。

私は1995年から業務システム開発に従事し、パッケージの開発販売やオフショア企業の経営も経験してきました。その中で一貫していたのは、現場の課題を解決するために最適なシステムを構築することです。今回の検証でも、単に「どちらが良いか」ではなく、VRAM消費量や生成速度といった数字で実用性を確かめました。ACE-Step 1.5は拡散系モデルで、尺に関わらずVRAMが一定（17.6GB）であり、指定した長さを埋めるのが得意です。対してHeartMuLaは言語モデル系で、歌詞の忠実度が高くメモリ負荷も軽いですが、歌った長さに応じてVRAMが増加します。

実際にRTX 3090 24GB環境で計測した結果をまとめます。

・ACE-Step 1.5 Turbo XL：60秒生成に54秒、VRAMピーク17.6GB、歌詞の一致率は8行中3行。速さと「指定尺を埋める能力」に優れる。

・HeartMuLa oss-3B：60秒生成に81秒、VRAMピーク14.1GB（180秒指定では22.7GB）、歌詞の一致率は8行中6行。歌詞の正確性と軽量さに優れる。

どちらを使うかは用途次第です。動画の尺に合わせてBGMを生成するならACE-Step、歌詞を正しく歌わせる作品を作るならHeartMuLaが最適です。私はこれまでも、ソース同梱や買い切りで動くものを作ることで固定費を削ってきました。AIモデルも同様です。自分のサーバーで動かせることを確認した上で、目的bigoplusに合わせて使い分ける。これが、依存から脱却し、技術で課題を解決する私のスタンスです。

この記事は、次の動画をつくったときに考えたことです。

動画: https://kurage.exbridge.jp/kuragev.php?id=ee246fad8d8842b3

出典: https://katsushi2441.github.io/vwork/articles/2026-09-16-acestep-vs-heartmula-local-song-generation.html