Stability AI 发布面向企业的 Stable Audio 2.5

背景

音频生成模型接收一段文字提示，产出音乐、音效或其他声音。对个人用户来说这是新鲜玩意；对制作广告、游戏、视频和互动媒体的机构来说，它可能是一种批量供声的方式，因为一次营销活动往往需要几十条短音频，每一条都要先确认版权可以商用。一个工具能否真正进入生产流程，通常取决于两件事：训练数据的授权方式是否允许商业产出；生成速度是否快到能嵌进现有工作流，而不是只能在工作流之外单独使用。

发布

2025 年 9 月 10 日，Stability AI 发布 Stable Audio 2.5^[1]。公司称它是首个面向大规模企业音效生产而构建的音频模型^[1]，并表示它的训练使用了完全授权的数据^[1]。这两点都是 Stability 自己的说法，而非独立评估，但它们共同说明了这款模型的定位：不是通用的创作玩具，而是给那些在上线前必须先弄清权利状况的机构使用的工具。

速度与训练

Stability 给出的数据是：在 GPU 上生成最长 3 分钟的曲目，推理时间不到 2 秒^[3]。推理（inference）指训练好的模型实际产出结果的那一步，区别于构建模型的训练过程；对一条音频来说，每首两秒左右的速度在团队想批量生成多个版本再挑选时很重要，因为等待会把创作循环变成批处理任务。这一数字针对 GPU，即运行此类模型常用的硬件加速器。

该模型使用 Stable Audio 研究团队开发的 Adversarial Relativistic-Contrastive（ARC）方法进行了后训练（post-training）^[3]。后训练是模型主训练阶段之后的一步，对已经训练好的系统再做调整；专门点出一个方法名，意味着团队把这一步当作自己的研究工作，而不是例行调参。

获取方式

Stable Audio 2.5 在 StableAudio.com、Stability AI 的 API、合作平台以及企业许可下的本地部署中提供^[1]。被点名的合作平台是 fal、Replicate 和 ComfyUI^[3]。这是同一个模型的几条不同通路：网站供直接使用；API 供想把音频能力做进自己软件的开发者；第三方平台上许多模型并列可选；本地部署（on-premises）则让模型跑在客户自己的机器上。最后一种对无法把素材交给外部服务的制作公司和品牌方尤其重要。

品牌声音标识

Stability 与 WPP 旗下的声音品牌机构 Amp 合作，做品牌声音标识^[2]。声音标识（sound identity）相当于 logo 在听觉上的对应物：一段短小、可重复的声音，伴随品牌出现在广告和其他物料中。Stability 引用益普索（Ipsos）的研究称，定制音频能让品牌的记忆度提高 8 倍，而只有 6% 的创意作品使用了声音标识^[3]。这组被引用的数字就是这款产品的商业论据——定制声音的效果与被使用之少之间存在很大落差。

意义

Stable Audio 2.5 是一次不大的发布，却说明了方向。授权被当作一项功能来讲，而不是脚注，这正是企业买家在生成式媒体上最先追问的事；生成速度被当作生产属性来讲，而不是跑分；分发范围很宽，从面向个人的网站一直铺到本地部署，使同一种系统既能被个人试用，也能被制作公司采购。关于规模、权利和记忆度的说法来自 Stability 及其引用的研究，这款模型最终能否立住，取决于声音团队是否真的把它用于要交付的作品。