Stable Audio 3.0 系列模型发布
来自 Stability AI · 期号 2026-05-20
摘要
Stability AI 发布 Stable Audio 3.0 系列模型，全部使用授权数据训练。 Small SFX 可在手机等设备上生成音效；Small 可在设备上完成完整音乐创作；Medium 支持最长 6 分 20 秒的生成，音乐性更强；Large 是系列中最先进的模型，面向需要低延迟、高并发生成的音乐平台。 Small SFX、Small 和 Medium 为开源权重，可免费下载和商用（年收入超 100 万美元需企业许可）。Large 通过 API 和自托管提供。 新架构采用语义-声学自编码器，支持可变长度生成（精度到秒），并首次为音频模型提供 LoRA 微调文档。
深读
导读 Stability AI 发布了 Stable Audio 3.0 系列模型，全部使用授权数据训练，其中三个模型为开源权重。该系列覆盖从手机端音效生成到高性能音乐平台部署的多种场景，核心创新包括可变长度生成（精度到秒）、设备端完整音乐创作，以及首次为音频模型提供 LoRA 微调文档。 关键信息 - 共发布四个模型：Small SFX（设备端音效生成）、Small（设备端完整音乐创作）、Medium（最高 6 分 20 秒，音乐性更强）、Large（系列中最先进，面向低延迟高并发生成）。 - Small SFX、Small 和 Medium 为开源权重，可在 Hugging Face 免费下载，商用需遵守 Stability AI Community License（年收入超 100 万美元需企业许可）。 - Large 模型仅通过 Stability AI API 和自托管提供。 - 采用新型语义-声学自编码器架构，支持可变长度生成，精度到秒。Small 可生成最长 2 分钟（上一代 Stable Audio Open Small 为 11 秒），Medium 和 Large 可生成超过 6 分钟。 - 首次为音频模型发布 LoRA 微调文档，支持用户用自己的音乐库微调 Small 和 Medium 模型。 - 支持音频修补：单段编辑、多段编辑和因果延续（在原始音频终点外继续生成）。 逐节讲解 模型家族概览 Stable Audio 3.0 包含四个模型，按使用场景和部署方式区分。Small SFX 面向手机和消费级笔记本上的音效生成；Small 可在设备端完成完整音乐创作；Medium 在旋律结构、连贯性和乐句方面更强，生成长度达 6 分 20 秒；Large 是系列中最先进的模型，专为需要低延迟、高并发生成的音乐平台和创意应用设计。 开源与授权 所有模型均使用完全授权的数据训练。在 Stability AI Community License 下，用户拥有输出内容的所有权，可自由分发和商用。年收入超过 100 万美元的组织需使用企业许可，该许可还提供法律赔偿。文章指出，其他开源音乐模型要么限制商用，要么因使用未授权数据而存在风险。 架构创新 Stable Audio 3.0 采用新型语义-声学自编码器，支持更长的可变长度生成。Small 模型可生成最长 2 分钟，相比上一代 Stable Audio Open Small 的 11 秒和 Stable Audio Open 的 47 秒有显著提升。Small 是唯一能在设备端完成完整音乐创作的模型，设备端和离线音频生成不再局限于短样本。模型还支持 LoRA 微调，这是图像生成中流行的高效微调方法，首次在音频模型上提供文档。此外，音频修补功能支持单段编辑、多段编辑和因果延续。 未来方向 Stabili…