Stability AI 发布 Stable Audio 2.5：不到 2 秒生成 3 分钟音乐

提到品牌的标志性声音，很多人脑海里立刻会响起 Netflix 的「噔噔」声，或者英特尔那段经典的旋律。声音能让品牌记忆度暴增，但现实中极少有公司能为每条广告、线下门店甚至是刷卡提示音单独做一套定制声音。

Stability AI 推出 Stable Audio 2.5。和之前面向爱好者或实验性质的音频工具不同，这家公司明确表示，这是他们第一款专门为企业级规模化声音生产打造的模型。

两秒生成三分钟，还能像修图一样修音乐

对商业生产来说，之前的 AI 生成音乐有两个痛点：要么生成太慢没法批量跑，要么生成的片段结构散乱，缺乏真正的旋律铺垫。

Stable Audio 2.5 这次引入了名为 ARC（对抗相对论对比）的后训练方法。最直观的改变是速度：在 GPU 上跑一条长达三分钟的音频轨道，耗时不到两秒。

在编曲结构上，模型专门针对音乐做了优化，能够区分前奏、展开和尾声的多段式结构。它对情绪词（例如「振奋人心」）和专业风格词（例如「丰富的合成器」）的理解也更精准。

另一个很有实用价值的功能是音频局部重绘（Audio inpainting）。创作者可以上传一段自己的音频，选定开始位置，让模型根据前面的上下文顺着把后面的曲子接完。为了规避侵权风险，平台要求上传内容必须无版权争议，并搭配了内容识别系统进行合规拦截。

联手广告巨头，把声音做进刷卡机和车载音响

商业化方面，Stability AI 这次的目标非常明确，就是抢占企业的「声音识别度」预算。

他们援引 Ipsos 的调研指出，定制声音能让品牌记忆度提升八倍，但目前只有 6% 的创意真正使用了品牌专属声音。同时，声音对品牌参与度的影响高达 86%，覆盖从游戏片头、商场背景乐到刷卡提示音等各种触点。

为了吃下这块市场，Stability AI 宣布与 WPP 旗下的声音品牌机构 amp 达成合作。Stable Audio 2.5 会直接接入 WPP Open 平台，向其全球客户开放。企业还可以用自己的音频资产对模型进行微调，确保生成的声音始终符合自己的调性。

目前用户已经可以在网页端体验该模型，开发者和企业也可以通过 API、fal、Replicate、ComfyUI 调用，或者申请企业本地化部署。

为什么重要

我们认为，Stable Audio 2.5 标志着商业音频生成正从「玩具级整活」转向「工业级管线」。对独立游戏开发者、广告创作者或短视频团队来说，不到两秒生成三分钟且具备完整起承转合的背景音轨，意味着生产配乐的试错成本几乎归零。特别是音频局部重绘功能，让专业创作者不必完全放弃控制权，而是能基于已有旋律快速延展，实用度远高于从零随机抽卡。

在商业策略上，Stability AI 这步棋走得相当务实。大模型公司在图像和文本领域拼得头破血流，而企业级声音识别系统（Sonic Branding）属于高溢价、弱替代性的冷门富矿。拉上 WPP 和 amp 这样手握海量蓝筹客户的广告代理巨头，比单打独斗向中小创作者收订阅费要稳固得多。

不过隐患依然存在。尽管 Stability AI 强调模型全部使用授权数据集训练，商用安全度高于同类竞品，但企业上传素材的版权合规依然是一道险关。此外，全自动生成的音乐会不会导致商业配乐迅速同质化、沦为听觉垃圾，也是创意行业接下来必须面对的问题。