音楽生成を試すなら、まず24GBの GPU（ConoHa の L4）から

公式に必要な VRAM が書かれているのは、YuE と ACE-Step

YuE の README は、必要な環境を NVIDIA GPU（BF16 に対応したもの）、VRAM 24GB、Linux、Python 3.12 としています。ACE-Step の README は、2025 年 5 月 10 日の更新として、最大の VRAM を 8GB まで減らし、一般向けの機器でも動かしやすくしたと書いています。ただし、必要な VRAM の最低値そのものは書かれていません。

MusicGen を含む AudioCraft の README には、VRAM の記載がありません。必要な環境として書かれているのは、Python 3.9、PyTorch 2.1.0、ffmpeg の導入の推奨です。

最初の 1 台は、24GB で円払いの ConoHa の L4

ConoHa の GPU のページには、NVIDIA L4（VRAM 24GB）が、vCPU 4・メモリ 16GB で 60.5 円/時、月額 36,300 円（税込）と載っています。YuE の公式の要件である 24GB に届き、ACE-Step の 8GB という値を大きく上回ります。

ACE-Step の README には、1 分の音楽を作るのにかかる時間の表があります。27 ステップで、RTX 4090 が 1.74 秒、A100 が 2.20 秒、RTX 3090 が 4.70 秒、MacBook M2 Max が 26.43 秒です。L4 の値は載っていません。

作った曲を公開するなら、ライセンスを先に確かめる

音楽は、動画や音声と比べて、公開や収益化を考える人が多い分野です。モデルごとに、重みのライセンスが違います。

YuE は、README によると、個人や作り手が生成物を収益化する場合も無料で、ロイヤリティは不要とされています。企業の商用利用はライセンスの相談が必要です。学術研究と教育は、非商用に限って無料です。MusicGen の重みは非商用の CC-BY-NC 4.0 なので、収益化を考えるなら向きません。

向かないケース

• ACE-Step を 8GB クラスの手元の GPU で動かしたい。 借りる必要がないかもしれません。
• 止め忘れの課金がいちばん心配。 ConoHa の GPU には、停止中の課金の記載が見つかりませんでした。→ 止め忘れが心配なら GPUSOROBAN

申し込む前に聞くこと

1. 停止したあと、GPU の料金とストレージの料金はかかりますか。
2. 生成した曲やモデルのデータは、停止中も残りますか。
3. 審査にはどのくらいかかりますか。