Stability AI、音楽・効果音生成AI「Stable Audio」を発表

テキストから画像を生成する技術が一気に普及したのに続き、次は音楽の番です。

Stability AI は 9 月 13 日、同社初となる音楽・音響生成 AI ツール「Stable Audio」を発表しました。Web ブラウザ上でテキストを入力するだけで、音楽トラックや効果音を素早く生成できるサービスです。

44.1 kHz の高音質と秒単位の長さ指定

Stable Audio の最大の特徴は、潜在拡散モデル（Latent Diffusion）を活用し、商用利用可能な 44.1 kHz という高品質なステレオ音声を生成できる点にあります。

これまでの音声生成 AI は音質が低かったり、曲の終わりが不自然に途切れたりする課題がありました。Stable Audio では、テキストプロンプトに加えて「全体の長さ」や「開始位置」も条件としてモデルに与えることで、指定した秒数にぴったり収まる曲展開を実現しています。

プランは無料版と有料の Pro サブスクリプションが用意されています。無料版では最大 45 秒のトラックを生成・ダウンロードでき、Pro プランでは最大 90 秒の生成に対応し、商用プロジェクトでの利用も認められます。

学習データには、大手音楽ライブラリである AudioSparx の楽曲とメタデータが使用されており、正規のパートナーシップに基づいて開発されています。

なぜ重要か

動画クリエイターやゲーム開発者、あるいはサンプリング素材を探している音楽プロデューサーにとって、今すぐ試す価値がある実用的なツールです。素材サイトを何時間も探す代わりに、求める楽器やテンポ、尺を指定して自分だけの音源を作ることができます。

業界の視点で見ると、Stability AI が最初から AudioSparx と提携し、著作権処理をクリアしたデータだけで学習させた点は非常に賢明な判断だと言えます。権利関係のトラブルを未然に防ぎ、商用利用を明確に打ち出したことは、プロが導入するための必須条件だからです。

一方で、Pro プランでも最長 90 秒にとどまる点は制約と言えます。現時点では 1 曲丸ごと完成させるというよりは、BGM ループやサンプリング音源、効果音の作成に向いている段階だと考えられます。