Stability AI 与 Arm 开源 Stable
来自 Stability AI · 期号 2025-05-14
摘要
Stability AI 与 Arm 合作开源了 Stable Audio Open Small，一个 3.41 亿参数的文本转音频模型，专门优化在 Arm CPU 上运行。它可以在智能手机上 8 秒内生成最长 11 秒的音频。相比原版 11 亿参数的 Stable Audio Open，新模型更小更快，同时保持了输出质量和提示遵循度。该模型在 Stability AI 社区许可下免费用于商业和非商业用途。
深读
导读 Stability AI 与 Arm 联合开源了 Stable Audio Open Small，一个专为在 Arm CPU 上本地运行而优化的轻量级文本转音频模型。它能在智能手机上 8 秒内生成最长 11 秒的音频，适合音效、鼓点等短音频创作。对于关注端侧生成式 AI 部署的从业者，这是一个值得关注的开源模型和落地案例。 关键信息 - 模型参数量为 3.41 亿，相比原版 Stable Audio Open 的 11 亿参数，体积缩小约 69%。 - 在智能手机上生成最长 11 秒的音频，耗时不到 8 秒。 - 模型在 Stability AI Community License 下开源，可免费用于商业和非商业用途。 - 利用 Arm 的 KleidiAI 库进行优化，完全在 Arm CPU 上运行，无需独立 GPU 等重型硬件。 - 模型权重已在 Hugging Face 发布，代码在 GitHub 上，论文可在 arXiv 获取。 逐节讲解 合作背景与发布目标 Stability AI 与 Arm 合作，将生成式音频创作带到手机上。Arm 的技术驱动了全球 99% 的智能手机。此次发布的 Stable Audio Open Small 基于此前已优化在 Arm CPU 上运行的 Stable Audio Open，并在 2025 年世界移动通信大会（Mobile World Congress）上进行了技术演示。现在，模型权重已向公众开放，任何人都可以访问和部署。 技术亮点 Stable Audio Open Small 被描述为市场上最快的立体声文本转音频模型。其技术优势体现在三个方面： - 轻量：3.41 亿参数，远小于原版的 11 亿参数。 - 快速：在手机上生成音频耗时不到 8 秒，且微调速度也更快。 - 高效：通过 Arm 的 KleidiAI 库，模型在边缘设备上运行效率更高，用户能更快获得结果，同时降低计算成本。由于完全在 Arm CPU 上运行，部署无需重型硬件。 适用场景与部署意义 该模型适合通过文本提示生成短音频样本、音效和制作元素，例如鼓点循环、拟音、乐器即兴片段和环境纹理。其紧凑的尺寸和快速推理能力使其非常适合部署在 Arm 驱动的智能手机和边缘设备上，这些场景对实时生成和响应速度有要求。文章指出，随着 AI 驱动的创意媒体工作负载向边缘迁移，使用不同大小的模型有助于将计算资源与任务复杂度对齐，例如生成短音效与生成完整歌曲可以调用不同的模型。 值得注意 文章主要介绍了模型的能力和合作背景，但未提供任何具体的基准测试数据或与其他模型的对比结果（如生成质量评分、推理速度的具体数值对比等）。关于“最快的立体声文本转音频模型”这一声称，缺乏可验证的量化支撑。