Stability AI 发布 Stable Audio 3.0

背景

文本生成音频的系统接收一段文字提示，返回声音：音乐、音效或环境声。这一方向长期受制于两个问题。第一个是时长：能生成几秒钟连贯声音的模型，并不自动就能生成一整段曲子，因为长输出必须在时间上保持自洽——节奏、配器和质感要一路延续，而不是逐渐走样。第二个是控制：只靠提示生成，用户无法保留一段已有录音中的一部分、只改动其余部分。

发布了什么

2026年5月20日前后，Stability AI 发布 Stable Audio 3.0，共四个规格：Small SFX、Small、Medium 和 Large^[1]。这一家系是有意分层的：Small SFX 是其中最小的版本，名字指向音效而非完整音乐，其余三个规格依次提升能力。四个模型中有三个开放权重（open-weight），即训练好的参数对外发布，其他人可以下载并自行运行。最大的 Large 不走这条路，它通过 API 和企業自托管两种方式提供^[1]。

关键细节

Medium 和 Large 最长可生成 6 分 20 秒的音频^[1]。这个数字的意义在于，输出从「片段」变成了接近「完整作品」的东西——长度足以承载一个结构，而不只是一个动机。

这些模型还支持音频修补（inpainting）与续写（continuation）^[1]。修补指的是在已有录音中填上指定的空缺：用户标出要替换的区间，模型生成的新音频必须与区间前后的内容衔接得上。续写指的是把录音从当前的结尾往后延伸，模型从已有素材接着往下走，而不是从头开始。两者都属于编辑操作而非纯粹的生成，也都依赖模型以已经存在的声音为条件。

在训练数据上，Stability 表示所有模型都是用完全授权的数据训练的^[1]。随附的论文则把训练数据描述为授权数据和知识共享（Creative Commons）数据^[2]。

随附论文

这次发布配有一篇论文，于2026年5月18日提交到 arXiv，作者为 Zach Evans、Julian D. Parker、Matthew Rice、CJ Carr、Zack Zukowski、Josiah Taylor 和 Jordi Pons^[2]。提交时间略早于公开发布。

为什么重要

这次发布与其说是单纯的模型成果，不如说也是一次产品分层的决定。给出一个规格阶梯——小的音效模型、小的通用模型、中号和大号——让使用者可以在成本与质量的曲线上自行选点，而不是只能接受一个托管系统。四个模型中的三个以开放权重发布，把这种选择权扩展到希望自己运行模型的人；最大的那个则留在 API 和企业自托管之后。

6 分 20 秒的上限与编辑功能指向同一个目标：把音频生成放进实际制作流程，其中一段音频要足够长才好用，已有录音要能修，而不是只能整段重做。明确说明训练数据的授权状况，回应的则是生成式音频一直绕不开的问题——这类系统的输出往往是要用于商业发布的。