Stability AI、商用向け音声生成モデル「Stable Audio 2.5」を公開

ブランドの象徴的なサウンドといえば、Netflixの起動音やインテルのジングルがすぐに思い浮かびます。音はブランドの認知度を劇的に高めますが、店舗体験やアプリの通知音、広告ごとに独自のサウンドを一から制作できる企業はごくわずかでした。

Stability AIは9月10日、エンタープライズ規模のサウンド制作に特化した最新オーディオ生成モデル「Stable Audio 2.5」を発表しました。

3分の楽曲を2秒未満で生成、インペインティングにも対応

これまでの音楽生成AIは、レンダリングに時間がかかるか、構成にまとまりのないループ音源になりがちでした。

Stable Audio 2.5は、独自開発の事後学習手法であるARC（Adversarial Relativistic-Contrastive）を採用することで推論速度を大幅に引き上げました。GPU上で最長3分のオーディオトラックを2秒未満で出力可能です。

楽曲の構成力も向上しており、イントロ、展開、アウトロといった本格的な複数パートからなる楽曲構成を生成できます。プロンプトへの追従性も強化され、「高揚感のある」といった抽象的なムードや「豊かなシンセサイザー」といった具体的なジャンル表現を的確に反映します。

実用面で大きな進歩が「オーディオ・インペインティング」機能です。ユーザーが自身の音源をアップロードして開始地点を指定すると、モデルが前後の文脈を読み取って続きのトラックを生成します。著作権侵害を防ぐため、アップロードされた音源は高度なコンテンツ認識技術によって検証されます。

広告大手WPPと提携し、ブランドサウンド市場を狙う

Stability AIが狙っているのは、企業のブランディング需要です。Ipsosの調査によると、独自のサウンドはブランドの記憶定着率を8倍に高める一方で、サウンドアイデンティティを活用しているクリエイティブは全体のわずか6%にとどまっています。

この需要を取り込むため、Stability AIは大手広告グループWPP傘下の音響ブランディング専門機関「amp」との提携を発表しました。Stable Audio 2.5はWPP Openを通じてグローバルクライアントに提供されるほか、企業の既存音源ライブラリを用いたファインチューニングにも対応します。

現在、StableAudio.comで試用できるほか、Stability AI APIやfal、Replicate、ComfyUI、さらにはエンタープライズ向けのオンプレミス導入も用意されています。

なぜ重要か

Stable Audio 2.5は、AI音楽生成が実用的な制作パイプラインへ進化する転換点を示しています。広告クリエイターやゲーム開発者にとって、わずか2秒で起承転結のある3分の楽曲が手に入ることは、音源探しのコストと時間を劇的に削る強力な武器になります。特にインペインティング機能は、クリエイターが主導権を握ったまま続きを生成できるため、ランダムなガチャ生成から実用ツールへの脱却と言えます。

ビジネスモデルの観点でも、Stability AIの動きは極めて堅実に見えます。画像やテキスト生成が過当競争に陥るなか、競合が少ないエンタープライズ向けのソニックブランディングに着目し、WPPという巨大な販売チャネルを押さえた戦略は巧みです。

一方で課題もあります。モデル自体は完全に正規ライセンスされたデータで学習されているものの、ユーザーがインペインティング用にアップロードする音源の権利侵害リスクを完全に排除できるかは運用次第です。また、生成が容易になることで、街やコンテンツが似通った無難なBGMで溢れかえる懸念も残ります。