Stability AI、Stable Audio 3.0公開：3モデルをオープンウェイト提供、端末上で楽曲完パケも

Stable Audio 3.0は、モデルの重みを直接ダウンロードしてローカル環境で動かせる、音楽・効果音生成モデルの最新ファミリーです。手元のPCやモバイル端末上で、最長6分20秒の楽曲をオフラインのまま丸ごと生成したり、ゲーム用の効果音を手軽に作ったりできます。

最大のポイントは、オープンウェイトである点と、商業利用に向けたクリーンな学習データです。Stability AIは4つのモデルのうち3つの重みをHugging Faceで公開しました。すべて正規ライセンスの音源データのみで学習されており、生成物の権利はユーザーに帰属します。年商100万ドル未満のクリエイターや企業であれば、コミュニティライセンスのもとで無料商用利用が可能です。

モデル構成とできること

今回のファミリーは、用途とマシンパワーに応じて4つのサイズに分かれています。

最も軽量なのが、459MパラメータのStable Audio 3.0 Small SFXとSmallです。一般的なノートPCやスマートフォンといった端末上でのローカル動作に最適化されています。Small SFXは効果音制作に特化し、Smallは端末単体で完結した楽曲を作曲可能で、最長2分までの生成に対応します。以前のStable Audio Openが47秒、その小型版が11秒止まりだったことを考えると、実用性は大きく跳ね上がりました。

より複雑なコード進行やメロディのまとまりを求めるなら、1.4BパラメータのStable Audio 3.0 Mediumが適しています。最長6分20秒までの長尺トラックを、楽曲構造を崩さずに生成できます。

最上位の2.7Bパラメータを誇るLargeは、プロ向けプラットフォーム向けの高品質・低遅延モデルです。こちらは重みの一般公開はなく、Stability AIのAPIおよびエンタープライズ向けセルフホスティングでのみ提供されます。

技術的な進化と使い道

6分を超える楽曲を破綻なく生成できる背景には、新開発のセマンティック・アコースティック・オートエンコーダーがあります。

決められた長さの音声を無理やり切り出すのではなく、1秒単位のきめ細かさで長さを指定できる可変長生成に対応しました。例えば38秒のBGMが必要なら、ぴったり38秒で出力できます。

また、画像生成でおなじみのインペインティング機能も搭載されました。楽曲の一部分だけを指定して差し替えたり、複数の小節を同時に再生成したり、曲の末尾から自然に展開を伸ばす継続生成が可能です。

さらに開発者向けとして、SmallとMedium向けのLoRA微調整ドキュメントが公式公開されました。手持ちのサンプルパックや独自の楽器音を低コストで追加学習させ、自分好みの音色モデルを仕立てることができます。

Small SFX、Small、Mediumの重みはHugging Faceからダウンロード可能で、ComfyUIなどの環境にも順次組み込まれます。API経由で試したい場合は公式サイトから利用できます。

なぜ重要か

個人開発者や映像クリエイター、作曲家にとって、権利関係の不安なくローカルで動かせる選択肢ができた意義は非常に大きいです。多くのクラウド型AI音楽サービスがレコード会社との法廷闘争を抱える中、ユニバーサル ミュージックやワーナーミュージックとの提携を背景に、正規ライセンス学習を明言して商用ライセンスまで整えたオープンモデルは貴重です。

スマホやPCの端側でフル構成の楽曲を作れるようになった点も、制作ワークフローを変える可能性があります。最高峰のクラウド専用モデルと比べれば音質やアレンジの緻密さに差はあるものの、ローカルでLoRA微調整や部分修正を繰り返せる自由度の高さは、現場のツールとして試す価値が十分にあります。