Stable Audio

Stable Audio 3.0 概览

Stable Audio 是 Stability AI 推出的生成式音频产品，用于生成音乐和音效。据官网介绍，Stable Audio 3.0 是一个在完全授权数据上训练的模型系列，旨在成为音频社区后续构建的基础。该系列包含多个模型，其中三个为开放权重，可免费下载和构建。

模型家族

Stable Audio 3.0 提供多种模型以适应不同用例：

• Stable Audio 3.0 Large：最新音频模型，面向企业级声音制作。
• Stable Audio 3.0 Medium：支持完整歌曲创作，开放权重。
• Stable Audio 3.0 Small 与 Small SFX：针对移动设备优化，开放权重。

主要特性

据官网介绍，Stable Audio 3.0 模型可生成具有复杂动态音乐结构的完整曲目，时长可达六分钟，并具备领先的推理速度。模型支持音效（SFX）到音乐创作等多种用途。官网强调“生成是过程的开始，而非结束”，模型设计注重艺术家优先的可控性，支持编辑选项以修改曲目片段、重做部分歌曲或扩展作品，并具有强大的提示词遵循能力，确保输出符合正确的流派和风格。

部署与使用方式

Stable Audio 可通过多种渠道使用：

• Stable Audio App：网页应用，可立即开始生成音乐。
• Stability AI API：访问最新模型，用于托管和集成到应用中。
• 开源下载：可下载 Stable Audio 3.0 Small 和 Medium 的权重。
• 企业许可：可在自有基础设施上部署，并提供定制和支持选项。

此外，Stable Audio 还提供 DAW 插件（macOS AU 和 VST3，兼容 Logic Pro 和 Ableton Live 等主流 DAW），并支持通过 fal、Replicate 和 ComfyUI 等合作伙伴平台使用。

许可与商业化

据官网介绍，Stable Audio 3.0 模型在完全授权的数据集上训练，商业上安全。根据 Stability AI 社区许可，用户拥有其输出，并可自由分发和商业化。年收入超过 100 万美元的组织需使用企业许可，该许可包含法律赔偿和定制支持。

技术背景

根据 Stability AI 的研究，Stable Audio 3 是一系列快速潜在扩散模型，基于新颖的语义-声学自编码器（SAME）构建，将音频投影到紧凑的潜在空间，并通过对抗性后训练减少推理步骤，同时提高保真度和提示词遵循能力。据称，模型可在 H200 GPU 上于两秒内生成音乐和声音，在 MacBook Pro M4 上仅需几秒。

Stable Audio 的早期版本包括 1.0（2023 年 9 月推出，据称是首个商业可行的 AI 音乐生成工具）和 2.0（2024 年 4 月推出，可生成最长三分钟的完整曲目，并支持音频到音频生成和风格迁移）。Stable Audio 2.5 被定位为面向企业级声音制作的模型，增加了更快的推理速度和音频修复功能。