Stable Audio 3.0

是什么

Stable Audio 3.0 是 Stability AI 在 2026 年 5 月 20 日前后发布的一组音频生成模型，配套论文《Stable Audio 3》标注的日期是 2026 年 5 月 18 日^[1][2]。它不是单个模型，而是四个规模不同的模型组成的家族，既能做音乐也能做音效^[1]。论文把这组模型描述为一族快速的潜在扩散（latent diffusion）模型，用于可变长度音频的生成与编辑^[4]。

除了从零生成，这组模型也能处理已经存在的音频，所以发布的内容里既有生成也有编辑^[1]。

怎么做的

这批模型不直接在原始波形上做扩散。按论文的说法，它们建立在一个语义—声学自编码器（semantic-acoustic autoencoder）之上，由这个自编码器把音频投影到一个紧凑的潜在空间里，既保留保真度，又让表示带上语义结构^[4]。所谓潜在扩散，就是在这样一个压缩过的表示上加噪、去噪，而不是在逐采样点的音频信号上操作，计算代价因此低得多。

论文里还有两处设计值得单独说。一是对抗式后训练（adversarial post-training），用来减少推理所需的步数，同时提升保真度和对提示词的遵循程度^[4]。二是由此得到的生成速度：模型在 H200 GPU 上不到 2 秒就能生成音乐和声音，在 MacBook Pro M4 笔记本上是几秒^[4]。

四个模型

四个模型中，Small SFX 与 Small 各有 4.59 亿参数，Medium 为 14 亿参数，Large 为 27 亿参数^[1]。Small SFX、Small 和 Medium 以开放权重发布，Large 则通过 Stability AI API 和企业自托管提供^[1]。论文随发布公开了小模型和中等模型的权重，以及它们的训练与推理流程^[4]。

规模的差别对应用法的差别。两个 Small 模型最长生成 2 分钟音频，面向手机和笔记本电脑上的端侧使用；Medium 与 Large 最长可生成 6 分 20 秒，并要在这样的长度里保持住音乐结构^[1]。

能做什么

除了按文字生成音乐与音效，这组模型还支持音频补全（inpainting）、续写（continuation）和带逐秒控制的可变长度生成^[1]。补全指把一段已有音频中间的空缺填上，续写指让一段音频继续往下走，逐秒控制则意味着生成长度可以按秒来设定，而不只限于固定的块长。

授权与训练数据

Stability 表示，所有 Stable Audio 3.0 模型都是用完全授权的数据训练的^[1]。模型以 Stability AI 社区许可（Stability AI Community License）发布；按该许可，年收入超过 100 万美元的组织需要另行取得企业许可^[1][3]。

在发展中的位置

这组模型的划分方式把两种使用场景分开：小模型开放权重、可以在设备本地运行，大模型则留在 API 和企业自托管之后；社区许可里的收入门槛，则划出了免费使用与规模化商用之间的界线^[1][3]。论文把训练与推理流程一并写清并公开，开放权重的那部分因此有一套完整的、从训练到部署的说明可查^[4]。