Stability AI 釋出 Stable Audio：用文字生成 44.1 kHz 音樂和音效

過去一年大家習慣了用文字生成圖片，但要給一段影片配上剛剛好的背景音樂，大部分人還在素材庫裡翻得頭皮發麻。

Stability AI 正式推出了首款音樂與音效生成產品 Stable Audio。它通過一個網頁介面，讓任何人都能輸入幾句描述詞，直接合成最長 90 秒的高品質音軌。

擴散模型開進音訊圈，直接給到 44.1 kHz

Stable Audio 最特別的地方，在於它是第一個基於潛在擴散架構（Latent Diffusion）打造、能輸出 44.1 kHz 取樣率音訊的商業級生成產品。

很多之前的音訊 AI 生成出來的聲音總帶著一股收音機般的底噪，取樣率通常只能維持在較低水準。Stable Audio 直接做到 CD 級別的 44.1 kHz，音質上有了質的飛躍。

產品劃分了兩個主要檔位：免費使用者可以生成並下載最長 45 秒的聲音片段；付費的 Pro 訂閱使用者則能生成最長 90 秒的音訊，並且允許將生成內容下載後用於商業專案。

而且它不僅能根據風格、樂器和節拍生成音樂，比如輸入「後搖、吉他、架子鼓、貝斯、絃樂、125 BPM」，也能直接合成環境音效。

怎麼解決「精準控制時長」的難題

玩過 AI 音樂生成的人都知道，模型往往很難控制在第幾秒剛好結束，要麼戛然而止，要麼拖沓不斷。

Stable Audio 的潛在擴散模型在設計時加入了一個巧思：它不僅把文本描述作為調節條件，還把目標音訊的時長和起始時間直接作為條件變數輸入模型。

這樣一來，使用者在提交提示詞的同時，可以直接指定想要的音訊長度，模型就會在對應的時間切片內完成起承轉合。

另外，訓練資料的來源也十分講究。Stability AI 沒有選擇直接抓取公網音樂，而是與老牌音樂版權庫 AudioSparx 合作，使用其曲庫和後設資料進行合規訓練，雙方共同分享收益。

為什麼重要

對獨立創作者、播客主播和遊戲開發者來說，Stable Audio 解決了一個很現實的痛點：它值不值得現在試？答案是值得，至少作為靈感取樣器或者快速配樂工具，它能省去在龐大素材庫裡找版權音樂的漫長時間。

對於音樂製作人，它雖然還不能直接替代複雜的編曲軟體，但用來生成特殊的鼓點節奏、吉他取樣或氛圍墊音已經完全夠用。

從行業角度看，Stability AI 這一次的做法相當聰明，甚至比他們在影像領域的開局更謹慎。與 AudioSparx 合作正版授權訓練，從源頭上切斷了唱片公司日後發難的法律風險，這也是生成式音訊想要切入商業市場的唯一可行路徑。

我們認為它的限制也很明顯：90 秒的上限對於完整歌曲來說依然不夠，當前它更像一個「高階取樣器」而非「虛擬編曲家」。但能精準控制時長和提供 44.1 kHz 的商用音質，已經給整個音訊生成賽道立下了一個新標杆。