用途：为 ACE-Step 1.5 训练自定义 LoRA 适配器，捕捉特定人声风格、流派、乐器音色或制作质感，训练后的适配器可在生成管线中使用。
数据准备：收集 3-10 首目标风格歌曲，优先 WAV/FLAC，MP3 亦可；放入目录 ~/Music/lora-datasets/<style_name>/；每首建议 30-300 秒；数据集风格需一致；音频质量要高，无噪声、无削波。
训练方式：进入 ACE-Step 目录后使用 uv 运行训练命令。LoRA 标准训练约 1 小时（RTX 5070 Ti），命令为 uv run python3 -m acestep.training.train_lora，配合 --checkpoint-dir、--model-variant turbo、--dataset-dir、--output-dir、--rank 16、--learning-rate 1e-4、--steps 1000。LoKr 训练约 12 分钟，额外加 --method lokr、--steps 500，速度约为 LoRA 的 5 倍。
LoRA 与 LoKr：LoRA 保真度更高，约需 10GB 显存，适合声音克隆与精确风格；LoKr 质量良好但细节稍弱，约需 8GB 显存，适合流派适配与快速实验。
超参数：Rank 默认 16，范围 4-64，越高容量越大、显存占用越高；学习率默认 1e-4，范围 1e-5 至 5e-4，声音克隆宜取低值；步数默认 1000，范围 200-5000，数据越多所需步数越多；批大小默认 1，范围 1-4，受显存限制。
使用已训练 LoRA：训练完成后适配器可在 ACE-Step 生成管线中使用，参考文档位于 <ace_step_dir>/docs/en/LoRA_Training_Tutorial.md，路径见 config.json；更详细参考可加载 references/lora-training.md。
限制：需具备适配的 ACE-Step 环境与足够显存；数据集须保持风格一致且音频干净，否则效果受限。其他收费、价格、平台等信息暂未提供。