Stable Audio 2.0 上线：生成 3 分钟完整音乐，支持音频转音频

过去玩 AI 做音乐，最尴尬的莫过于生成的曲子听起来像无头无尾的半成品，十几秒就戛然而止，或者结构乱成一团。

Stability AI 正式推出了 Stable Audio 2.0。这次升级最硬核的地方在于，它不再只是给你吐出几段短旋律，而是能通过一句自然语言提示词，直接生成长达 3 分钟、44.1kHz 立体声的完整音乐作品。

把 U-Net 换成 DiT，搞定 3 分钟长结构

要让 AI 生成长音频，最难的不是音质，而是音乐的逻辑结构。之前的模型放上几十秒往往就乱了套，缺乏真实乐曲该有的铺陈。

Stable Audio 2.0 这次能够做出完整包含前奏、发展部和结尾的规整曲目，底层核心是换掉了架构。他们用上了类似 Stable Diffusion 3 的 Diffusion Transformer 架构，替换掉了上一代的 U-Net，结合一套高压缩比的自编码器，大幅提升了模型处理长序列数据的能力。

除了传统的文生音频，新版本还引入了「以声生声」功能。你可以直接上传一段录音样本，再通过文字提示词做风格迁移或重构，把它变成完全不同音色、不同氛围的声音片段。

在生成品类上，它支持旋律、伴奏织体、分轨以及各类拟声音效，比如敲击键盘声、人群欢呼甚至街道嘈杂声都能直接生成。

版权方面，训练集完全基于 AudioSparx 授权的 80 多万条音频，支持创作者申请退出。为了防止用户上传侵权音频，Stability AI 还接入了 Audible Magic 的音频内容识别技术进行实时过滤。目前该模型已经在官网免费开放体验，后续还会接入 API，官方甚至在 YouTube 开了一个 24 小时全天候播放 AI 生成音乐的电台频道。

为什么重要

我们认为，Stable Audio 2.0 这一步走得相当务实，它直接切中了音乐生成从「玩具」走向「可用工具」的关键痛点。

对独立游戏开发者、视频创作者或播客主播来说，以往要配一段有起承转合的 3 分钟背景音乐，要么去免版权曲库淘金，要么用 AI 生成几段拼拼凑凑。现在只要输入一段提示词，就能拿到具备完整结构的母带级立体声音轨，甚至可以上传自己哼唱的小调做音色替换，创作门槛被大幅拉低。

在商业模式和版权策略上，Stability AI 的做法也很聪明。AI 音乐赛道眼下正面临极大的版权诉讼风险，全行业都在提防版权侵权官司。他们选择全程使用授权商用库训练，配合上传端的实时内容识别，看起来是给影视配乐和商业制作提供了一条合规风险较低的通路。

不过隐患依然存在。尽管有完整的结构，AI 在长音乐中能否真正传达人类乐手那种细腻的情感张力和动态细节，还是个问号。但无论如何，能一口气生成 3 分钟可用音频，已经把生成式音频的竞争推到了一个新的标准线上。