Stability AI 发布 Stable Audio
来自 Stability AI · 期号 2025-09-10
摘要
Stability AI 发布 Stable Audio 2.5，首个面向企业级音频制作的模型。 企业需要为广告、店内体验等渠道定制品牌声音，但只有 6% 的创意使用了声音标识。Stable Audio 2.5 针对这一需求设计：在 GPU 上生成三分钟曲目不到两秒，音乐结构更完整（前奏、发展、尾声），并支持音频修补——用户输入一段音频，模型根据上下文生成剩余部分。 该模型使用完全授权的数据集训练，可商用。Stability AI 还与声音品牌机构 amp 合作，为企业开发定制方案。
深读
导读 Stable Audio 2.5 是 Stability AI 推出的首个面向企业级音频制作的生成模型。它解决了品牌声音定制中“有需求但难规模化”的痛点，在生成速度、音乐结构和控制精度上做了针对性改进。读完可以了解当前音频生成模型在企业场景下的能力边界和部署方式。 关键信息 - 根据 Ipsos 研究，定制音频能让品牌记忆度提升 8 倍，但只有 6% 的创意使用了声音标识。 - Stable Audio 2.5 在 GPU 上生成三分钟曲目耗时不到两秒，采用 Adversarial Relativistic-Contrastive (ARC) 方法进行后训练。 - 模型支持音频修补（audio inpainting）：用户输入一段音频，模型根据上下文生成剩余部分，上传内容需遵守版权条款。 - 模型使用完全授权的数据集训练，可商用。 - Stability AI 与声音品牌机构 amp（Landor Group 旗下，WPP 成员）合作，通过 WPP Open 向全球客户提供该模型。 逐节讲解 企业音频定制的市场缺口 文章引用 Ipsos 研究数据指出，定制音频能显著提升品牌记忆度，但实际采用率极低，只有 6% 的创意使用了声音标识。企业需要在广告、店内体验、游戏开场、信用卡刷卡提示音等多种渠道部署品牌声音，但缺乏高效、可规模化的生成工具。Stable Audio 2.5 正是针对这一缺口设计。 三大技术改进 模型在后训练阶段采用了 Stability AI 研究团队自研的 ARC 方法，实现了三项关键能力： - 生成速度：在 GPU 上生成最长三分钟的曲目，推理时间不到两秒。 - 音乐结构：模型能生成包含前奏、发展、尾声的多段落作品，对情绪描述词（如“振奋的”）和跨流派的音乐语言（如“丰富的合成器”）的指令遵循能力有所提升。 - 音频修补：用户可上传自己的音频片段，指定起始位置，模型利用上下文生成剩余部分。上传内容需遵守版权条款，平台使用内容识别技术防止侵权。 企业部署与合作伙伴 Stable Audio 2.5 提供多种部署方式：通过 StableAudio.com 在线试用、Stability AI API、合作伙伴平台（fal、Replicate、ComfyUI），以及本地部署的企业许可证。Stability AI 还可基于企业的声音库对模型进行微调，将品牌声音嵌入定制生成流程。与声音品牌机构 amp 的合作旨在为品牌开发标志性的声音标识和体验。 值得注意 文章对 ARC 方法的具体原理、训练数据规模和构成、以及音频修补在长音频上的效果边界均未展开。对于“企业级”的定位，文章主要依赖生成速度和商用安全性来支撑，但在多声道混音、音质评测标准、以及大规模并发场景下的表现等方面缺乏技术细节。