Stability AI 发布 Stable Audio 3.0：三款模型开源权重，端侧也能生成整曲

Stable Audio 3.0 是一套你可以直接下载权重、本地运行的音乐与音效生成模型家族。它最直接的用处，就是让你在自己的电脑甚至移动设备上，直接离线生成最长 6 分 20 秒的完整音乐，或者随手做段游戏音效。

这次最大的看点是开放权重和商用友好。整个系列包括四款模型，Stability AI 开源了其中三款的权重，全部基于合规授权数据训练。这意味着你生成的音频版权归自己所有，年收入在 100 万美元以下的团队和个人，遵循社区许可证就能免费商用。

它能做什么，怎么选模型

这次发布的四款模型分工非常清晰，参数量从轻量级一直覆盖到专业工作室级别。

Stable Audio 3.0 Small SFX 和 Small 是轻量级搭档，参数量均为 459M。它们专门针对手机、轻薄笔记本等端侧设备做了优化，可以离线跑起来。Small SFX 专攻音效，Small 则是业内首个能在端侧独立创作整首曲子的模型，最长支持生成 2 分钟音频。相比过去 Stable Audio Open 限制在 47 秒内、小型版本仅能出 11 秒片段，这次在端侧的实用度可以说是质的飞跃。

如果你追求更完整的音乐结构和更好的听感，可以选 1.4B 参数的 Stable Audio 3.0 Medium。它不仅旋律连贯性和编曲层次更好，还把生成时长直接拉到了 6 分 20 秒，是一般流行歌的两倍长度。

至于 2.7B 参数的 Large 版本，主打低延迟和最高等级的音乐品质，主要面向企业大批量调用，目前不开放本地权重，只通过 API 和企业私有化部署提供。

架构更新与上手玩法

能把音频一口气拉长到 6 分钟以上，核心靠的是他们新设计的语义-声学自编码器（semantic-acoustic autoencoder）。

过去很多音频模型只能吐出固定长度的切片，拼起来经常断裂。Stable Audio 3.0 做到了精确到秒的可变长度生成，想要 35 秒配乐就生成 35 秒，不多不少。

它还支持类似图像编辑的音频修补功能，也就是 Audio Inpainting。你可以圈出音轨里的一小段单独重新生成、多段协同修改，或者在曲子结尾做因果延续，顺着节奏继续往下写，不用推倒重来。

更对开发者胃口的是微调支持。Stability AI 首次为 Small 和 Medium 配套公开了 LoRA 训练文档。你可以把自己的鼓点样本库或者特定音色喂进去，用很低的显存代价训出属于你自己的风格分支。

想体验的话，Small SFX、Small 和 Medium 的权重已经全部托管在 Hugging Face，后续也会接入 ComfyUI 社区工作流；大企业或者不想折腾显卡的用户，可以直接调官方 API。

为什么重要

对独立游戏开发者、视频创作者和音乐制作人来说，Stable Audio 3.0 最大的价值是踏实和自主。市面上很多在线 AI 音乐工具虽然好玩，但版权隐患极大，甚至正卷入唱片公司的诉讼风暴。Stability AI 这次拉上环球音乐和华纳音乐合作，用全合规授权数据训练，还把权重开源、允许年收入百万美元以下免费商用，终于给独立创作者提供了一个不用提心吊胆的本地工具底座。

从技术竞争来看，它第一次把生成整首完整歌曲的能力塞进了端侧设备。虽然在生成质感和复杂人声编曲上，小模型可能还拼不过云端专有大模型，但能在离线状态下可控地做局部重绘、打 LoRA 微调，这种高度可控的本地工作流，正是专业创作者真正需要的东西。