BGM(背景音楽)
リール動画やデモ動画用のオリジナル・ロイヤリティフリーのインストゥルメンタル音楽を、テキストの簡単な指示から生成します。完全オフラインで動作。ラッパースクリプトがACE-Step 1.5(音楽モデル)を駆動します。**あなた(モデル)**は、簡単な指示を適切なプロンプトに整形し、2~3の候補を生成し、ユーザーに選択させ、必要に応じてナレーションの下にミックスします。
voice-clone-narrationスキルと連携:ナレーションはそちらで生成し、音楽はこちらで生成。その後mix_voiceover.shでナレーションの下に音楽を自動でダッキング(音量低下)し、完成したリール音声トラックを作成します。
flowchart LR
Brief["指示: ジャンル、雰囲気、BPM、長さ"] --> Gen["generate_music.py<br/>ACE-Step 1.5 (MLX), インストゥルメンタル"]
Gen --> Mp3["候補mp3"]
Nar["narration.mp3 (任意)"] -.-> Mix["mix_voiceover.sh<br/>ffmpeg サイドチェイン・ダッキング"]
Mp3 -.-> Mix
Mix -.-> Reel["reel-audio.mp3"]
すべてのファイルはリポジトリの外、~/.bg-music/ に保存されます(ACE-Stepのチェックアウト、モデル重み、生成された音声ファイル)。
前提条件
- uv(パッケージマネージャー)とgit — モデルは
uv syncアプリケーションであり、単純なpipインストールではありません。セットアップにより、隔離された環境にインストールされます。 - ffmpegがPATH上にあること(MP3エンコード+ミキシング)。ない場合はユーザーに
brew install ffmpegを実行するよう促してください。 - 約10 GBの空きディスク(コード+モデル重み用。Hugging Faceから匿名で1回ダウンロード。トークン不要)。より大きなモデルバリアントを使用する場合は、さらに容量を確保してください。
- Apple Silicon Mac(高速なネイティブパスであるMLX用)。CUDA/CPUではPyTorchにフォールバックします(CPUでは低速)。16 GBの統合メモリでデフォルトの2B-turbo + 0.6B-LMティアを十分に実行できます。
- 初回実行時のみインターネット接続が必要(コードと重みを取得するため)。生成はオフラインで行われます。
セットアップ
スキルのディレクトリを確認し、セットアップを1回実行します(ACE-Step 1.5をクローンし、その環境を同期します。初回は依存関係のダウンロードに数分かかる場合があります):
SKILL_DIR="<このSKILL.mdが置かれているフォルダ>" # 例: .cursor/skills/bg-music
bash "$SKILL_DIR/scripts/setup_env.sh"
次に、生成で使用するハンドルを設定します(セットアップ時にもこれらの内容が表示されます):
BG_HOME="${BG_MUSIC_HOME:-$HOME/.bg-music}"
PY="$BG_HOME/ACE-Step-1.5/.venv/bin/python"
ワークフロー
以下のチェックリストをコピーして進捗を追跡してください:
- [ ] 1. 指示を確認: ジャンル、雰囲気、テンポ(BPM)、長さ、主要な楽器
- [ ] 2. セットアップ: setup_env.shを実行(初回のみ)
- [ ] 3. 具体的なプロンプトを作成し、2つの候補を生成
- [ ] 4. 候補を再生/リンク表示し、ユーザーに選択させる(必要に応じて再生成)
- [ ] 5. (任意)選択された曲をナレーションmp3にダッキングしてミックス
- [ ] 6. mp3ファイルを納品
ステップ 1: 指示を確定する
音楽の品質は具体的なプロンプトに依存します。以下の情報をユーザーから引き出すか、または推測して選択肢を提示してください:
- ジャンル/スタイル: ローファイヒップホップ、シネマティックオーケストラ、コーポレートアンビエント、シンセウェーブ、アコースティックフォーク、アップビートポップ...
- 雰囲気: 穏やか、高揚感、緊張感、夢想的、エネルギッシュ、メランコリック。
- テンポ: 遅い / 中程度 / 速い、または明確なBPM(例: 90)。
- 長さ: 秒数(10~600秒。リール動画は通常30~120秒)。
- 主要な楽器(任意): Rhodesピアノ、暖かいパッド、ソフトなドラム、ナイロンギター。
ステップ 3: 生成
"$PY" "$SKILL_DIR/scripts/generate_music.py" \
--prompt "warm lo-fi hip hop, mellow Rhodes piano, soft vinyl crackle, laid-back drums, loopable, instrumental" \
--bpm 80 --duration 60 --count 2 \
--out "$BG_HOME/out/lofi.mp3"
- デフォルトでインストゥルメンタル(ボーカルなし)。
--count 2で2つのバリエーションを生成し、選択できるようにします(lofi-1.mp3、lofi-2.mp3)。- MP3ファイルを出力し、そのパスと長さを表示します。初回実行時にモデル重みをダウンロードし、以降の実行は大幅に高速化されます。
優れたプロンプトは具体的でカンマ区切りです。ジャンル+雰囲気+2~3の楽器+テンポの単語+"instrumental"/"loopable"を含めてください。例:
"cinematic inspiring orchestral, soft strings, piano, subtle percussion building to a warm swell, instrumental""clean corporate ambient, gentle synth pads, light plucks, optimistic, minimal, instrumental""driving synthwave, analog bass, retro arpeggios, punchy drums, night-drive energy, instrumental"
ステップ 5: ナレーションの下にミックス(任意)
ユーザーがボイスオーバーも持っている場合(例: voice-clone-narrationスキルで生成したもの)、音楽をその下に自動的にダッキングします:
bash "$SKILL_DIR/scripts/mix_voiceover.sh" \
--voice ~/.voice-clone-narration/out/test-en.mp3 \
--music "$BG_HOME/out/lofi-1.mp3" \
--out ~/Desktop/reel-audio.mp3
音声が話している間は音楽が自動的に下がり(サイドチェイン圧縮)、間隙では戻ります。音楽はナレーションの長さに合わせてループされ、フェードイン/アウトされます。--music-gain(基本レベル、デフォルト -8 dB)、--duck(ダッキングの強さ、デフォルト 8)、--fade で調整できます。
ステップ 6: 納品
選択されたmp3を埋め込むかリンクとして提供します。生成されたファイルは ~/.bg-music/out/ に残ります。
主要オプション(generate_music.py)
| オプション | デフォルト | 目的 |
|---|---|---|
--prompt | (必須) | 音楽の説明: ジャンル、雰囲気、楽器、雰囲気。 |
--duration | 60 | 長さ(秒)10~600。 |
--bpm | 自動 | テンポ(BPM)30~300。省略するとモデルが自動選択。 |
--count | 2 | 生成するバリエーションの数。 |
--out | out/music-<ts>.mp3 | 出力パス(--count > 1 の場合はプレフィックス)。 |
--seed | ランダム | 再現性のために固定。 |
--keyscale | 自動 | 音楽のキー(例: "A minor")。 |
--vocals | オフ(インストゥルメンタル) | ボーカルを許可(BGMではほとんど不要)。 |
--steps | 8 | 拡散ステップ数(ターボデフォルト。多くすると遅いがわずかに品質向上)。 |
--mp3-quality | 2 | ffmpegのlibmp3lame -q:a(0=最高..9=最小)。 |
--keep-wav | オフ | 中間wavファイルを保持。 |
主要オプション(mix_voiceover.sh)
| オプション | デフォルト | 目的 |
|---|---|---|
--voice | (必須) | ナレーションmp3/wav(フルレベルを維持)。 |
--music | (必須) | BGM mp3/wav(ダッキングされ、ナレーションに合わせてループ)。 |
--out | (必須) | 出力ミックスmp3。 |
--music-gain | -8 | BGMの基本レベル(dB)。低いほど音量が小さい。 |
--duck | 8 | ダッキングの強さ(コンプレッサーのレシオ)。高いほど音声時に音楽が下がる。 |
--fade | 2 | 音楽のフェードイン/アウト時間(秒)。 |
--mp3-quality | 2 | ffmpegのlibmp3lame -q:a。 |
安全性
- AI生成音楽であることを開示してください。プラットフォームや状況に応じて必要です。
- 商用利用: ACE-Step 1.5はMITライセンスであり、ライセンス・ロイヤリティフリー・合成データで学習されています。そのため、生成されたトラックは広く安全に使用できます。ただし、モデル自体の免責事項に従い、特定のアーティストやトラックのアイデンティティをコピーするようなプロンプトは避け、商用リリース前にオリジナルであることを確認してください。
- 指示、プロンプト、生成された音声を外部サービスにアップロードしないでください。 すべては
~/.bg-music/のローカルに留まります。
アンチパターン
- 曖昧な一言プロンプト("曲"、"かっこいいやつ") — 汎用的な出力になります。ジャンル+雰囲気+楽器+テンポを指定してください。
- BGMだけ必要なのにボーカルを要求する — インストゥルメンタル(デフォルト)のままにし、ナレーションの下でクリーンに配置できるようにします。
- 1テイクだけ生成して納品する —
--count 2で生成し、ユーザーに選択させてください。 - ボイスオーバーの下に音楽を手動で重ねる —
mix_voiceover.shを使用し、音楽が音声の下で自動的にダッキングされるようにします。 - 「<アーティスト/曲>にそっくりな曲」をプロンプトで要求する — オリジナリティとライセンスのリスクがあります。
~/.bg-music/の内容をリポジトリにコミットする。
リソース
- モデル一覧(なぜ16 GBで2B-turboなのか)、完全なパラメータ早見表、雰囲気別プロンプトパターン、ライセンスの根拠、トラブルシューティング: REFERENCE.md
- 音楽にミックスするナレーションの生成: voice-clone-narrationスキル。
- 最終音声を動画で確認: review-mp4スキル。