Stability AI 联手 Arm：手机离线跑音频生成，提速 30 倍

想在剪视频时随手加一段踩雪声或关门声，过去你要么翻遍音效素材库，要么把提示词发给云端 AI，等几秒甚至十几秒。如果遇上地铁没信号或者坐飞机，这些工具立马瘫痪。

现在 Stability AI 想把这个过程彻底搬到你的口袋里。3 月 3 日，Stability AI 宣布与 Arm 达成合作，把开源文本生成音频模型 Stable Audio Open 搬上了智能手机，而且不需要联网，全靠手机本地算力运行。

双方这次突破选择在 2025 年巴塞罗那世界移动通信大会（MWC）上公开演示，这也是业内第一次在纯手机 CPU 上跑通这类文本生成音频模型。

240 秒缩减到 8 秒，CPU 也能挑大梁

把原本属于云端机房的大模型塞进手机，最大的障碍就是慢。最开始，Stable Audio Open 在 Arm CPU 上跑一次要花足足 240 秒，也就是 4 分钟才能憋出一段声音，根本没有实用价值。

为了给模型减肥，Stability AI 做了模型蒸馏，同时拉来了 Arm 的底层优化库。他们借助 ExecuTorch 框架，通过 XNNPack 调用了 Arm KleidiAI 中的 int8 矩阵乘法内核。

这一套软硬件组合拳下来，在 Armv9 架构的 CPU 上，生成一段 11 秒的高质量音频片段只要不到 8 秒，运行速度直接飙升了 30 倍。

最值得玩味的是，这项优化完全是跑在通用 CPU 上的，没有对专用 NPU 作硬性要求。这意味着它不需要绑定某个特定厂商的高端旗舰芯片，只要是符合架构的手机都有机会跑起来。

Stability AI 还透露，端侧音频只是第一步，他们后续打算把旗下的图像、视频甚至 3D 生成模型，全部分批搬到移动设备上。

为什么重要

对普通创作者和移动开发者来说，这是个很实在的工具升级。如果你经常用手机剪 Vlog、做播客或者开发移动小游戏，以后在没有网络的环境下，也能随手敲几个词生成逼真的背景环境音或转场音效，不需要为了几句采样去交云端 API 的订阅费。

对整个行业而言，这给端侧 AI 撕开了一个新口子。过去一年手机厂商都在扎堆卷端侧文本翻译、拍照消除和总结摘要，音频生成一直因为算力开销太大被留在云端。这次合作证明了，只要底层计算内核优化得当，成熟的 CPU 依然能在生成式多媒体任务里扮演主力，不必非得等 NPU 架构统一。

我们认为，Stability AI 找 Arm 合作是一步非常聪明的棋。Arm 背后是全球超过 99% 的智能手机基础架构，依托 Arm 的 KleidiAI 生态，Stability AI 的模型能瞬间获得最大范围的硬件分发底座，而不用挨个去适配每家芯片厂商私有的推理引擎。

不过，目前的体验距离完美还有距离。生成一段 11 秒的音频需要近 8 秒，看起来虽然跨过了可用门槛，但依然算不上实时交互。更现实的问题是，在手机 CPU 上持续满载跑矩阵运算，发热和掉电速度到底如何，普通轻薄手机能不能扛住连续几次生成，这些细节还有待后续实际机型检验。