Stability AIとArmが端末動作の音声モデルを公開、スマホで8秒以内に11秒生成

Stable Audio Open Smallは、Stability AIとArmが共同開発した軽量なテキスト音声生成モデルです。クラウドを介さず、スマートフォンのArm CPU単体でテキストから立体音響の効果音を生成できます。

できることと性能

このモデルは、短い音声サンプルや制作向け素材の生成に特化しています。テキストを入力するだけで、ドラムループ、環境音、フォーリー効果音、楽器のフレーズなどを即座に作り出せます。

生成できる音声の長さは最大11秒で、ステレオ出力に対応しています。Stability AIによると、市場に出ているステレオ対応のテキスト音声モデルとしては現時点で最速の処理性能を誇ります。

前身のStable Audio Openは11億パラメータでしたが、今回のSmallモデルは3億4100万パラメータまで大幅に軽量化されました。サイズを絞り込みながらも、音質やプロンプトへの追従性はしっかり維持されています。

動作環境と入手方法

技術面で優れているのは、高価なGPUやNPUを必須とせず、ArmのKleidiAIライブラリを活用して汎用的なArm CPU向けに最適化した点です。

Armプロセッサを搭載したスマートフォン上なら、11秒の音声を8秒未満で生成可能です。モデル自体が小さいため、手持ちの音声データを使って追加学習させる際の手間やコストも大幅に削減できます。

公開範囲も広く、Stability AI Community Licenseのもとで商用・非商用問わず無料で利用できます。モデルウェイトはHugging Face、ソースコードはGitHub、技術論文はarXivで公開されており、Arm Learning Pathで端末への実装手順も案内されています。

なぜ重要か

モバイルゲーム開発者や動画編集ツールの制作者にとって、今すぐ試す価値があるモデルです。従来のクラウドAPI経由で発生していた通信遅延やサーバー利用料を気にする必要がなく、オフラインでもリアルタイムに音素材を生成できます。

フル尺の楽曲はクラウドの大規模モデルに任せ、短い効果音やループ素材はスマホのCPUで即座に処理するという、エッジAIにおける実用的な棲み分けが現実になってきました。