Stability AI 发布 Stable Audio：用文字生成 44.1 kHz 音乐和音效

过去一年大家习惯了用文字生成图片，但要给一段视频配上刚刚好的背景音乐，大部分人还在素材库里翻得头皮发麻。

Stability AI 正式推出了首款音乐与音效生成产品 Stable Audio。它通过一个网页界面，让任何人都能输入几句描述词，直接合成最长 90 秒的高品质音轨。

扩散模型开进音频圈，直接给到 44.1 kHz

Stable Audio 最特别的地方，在于它是第一个基于潜在扩散架构（Latent Diffusion）打造、能输出 44.1 kHz 采样率音频的商业级生成产品。

很多之前的音频 AI 生成出来的声音总带着一股收音机般的底噪，采样率通常只能维持在较低水准。Stable Audio 直接做到 CD 级别的 44.1 kHz，音质上有了质的飞跃。

产品划分了两个主要档位：免费用户可以生成并下载最长 45 秒的声音片段；付费的 Pro 订阅用户则能生成最长 90 秒的音频，并且允许将生成内容下载后用于商业项目。

而且它不仅能根据风格、乐器和节拍生成音乐，比如输入「后摇、吉他、架子鼓、贝斯、弦乐、125 BPM」，也能直接合成环境音效。

怎么解决「精准控制时长」的难题

玩过 AI 音乐生成的人都知道，模型往往很难控制在第几秒刚好结束，要么戛然而止，要么拖沓不断。

Stable Audio 的潜在扩散模型在设计时加入了一个巧思：它不仅把文本描述作为调节条件，还把目标音频的时长和起始时间直接作为条件变量输入模型。

这样一来，用户在提交提示词的同时，可以直接指定想要的音频长度，模型就会在对应的时间切片内完成起承转合。

另外，训练数据的来源也十分讲究。Stability AI 没有选择直接抓取公网音乐，而是与老牌音乐版权库 AudioSparx 合作，使用其曲库和元数据进行合规训练，双方共同分享收益。

为什么重要

对独立创作者、播客主播和游戏开发者来说，Stable Audio 解决了一个很现实的痛点：它值不值得现在试？答案是值得，至少作为灵感采样器或者快速配乐工具，它能省去在庞大素材库里找版权音乐的漫长时间。

对于音乐制作人，它虽然还不能直接替代复杂的编曲软件，但用来生成特殊的鼓点节奏、吉他采样或氛围垫音已经完全够用。

从行业角度看，Stability AI 这一次的做法相当聪明，甚至比他们在图像领域的开局更谨慎。与 AudioSparx 合作正版授权训练，从源头上切断了唱片公司日后发难的法律风险，这也是生成式音频想要切入商业市场的唯一可行路径。

我们认为它的限制也很明显：90 秒的上限对于完整歌曲来说依然不够，当前它更像一个「高级采样器」而非「虚拟编曲家」。但能精准控制时长和提供 44.1 kHz 的商用音质，已经给整个音频生成赛道立下了一个新标杆。