Stability AI 釋出 Stable Audio 2.5：不到 2 秒生成 3 分鐘音樂

提到品牌的標誌性聲音，很多人腦海裡立刻會響起 Netflix 的「噔噔」聲，或者英特爾那段經典的旋律。聲音能讓品牌記憶度暴增，但現實中極少有公司能為每條廣告、線下門店甚至是刷卡提示音單獨做一套定製聲音。

Stability AI 推出 Stable Audio 2.5。和之前面向愛好者或實驗性質的音訊工具不同，這家公司明確表示，這是他們第一款專門為企業級規模化聲音生產打造的模型。

兩秒生成三分鐘，還能像修圖一樣修音樂

對商業生產來說，之前的 AI 生成音樂有兩個痛點：要麼生成太慢沒法批次跑，要麼生成的片段結構散亂，缺乏真正的旋律鋪墊。

Stable Audio 2.5 這次引入了名為 ARC（對抗相對論對比）的後訓練方法。最直觀的改變是速度：在 GPU 上跑一條長達三分鐘的音訊軌道，耗時不到兩秒。

在編曲結構上，模型專門針對音樂做了最佳化，能夠區分前奏、展開和尾聲的多段式結構。它對情緒詞（例如「振奮人心」）和專業風格詞（例如「豐富的合成器」）的理解也更精準。

另一個很有實用價值的功能是音訊區域性重繪（Audio inpainting）。創作者可以上傳一段自己的音訊，選定開始位置，讓模型根據前面的上下文順著把後面的曲子接完。為了規避侵權風險，平臺要求上傳內容必須無版權爭議，並搭配了內容識別系統進行合規攔截。

聯手廣告巨頭，把聲音做進刷卡機和車載音響

商業化方面，Stability AI 這次的目標非常明確，就是搶佔企業的「聲音識別度」預算。

他們援引 Ipsos 的調研指出，定製聲音能讓品牌記憶度提升八倍，但目前只有 6% 的創意真正使用了品牌專屬聲音。同時，聲音對品牌參與度的影響高達 86%，覆蓋從遊戲片頭、商場背景樂到刷卡提示音等各種觸點。

為了吃下這塊市場，Stability AI 宣佈與 WPP 旗下的聲音品牌機構 amp 達成合作。Stable Audio 2.5 會直接接入 WPP Open 平臺，向其全球客戶開放。企業還可以用自己的音訊資產對模型進行微調，確保生成的聲音始終符合自己的調性。

目前使用者已經可以在網頁端體驗該模型，開發者和企業也可以通過 API、fal、Replicate、ComfyUI 呼叫，或者申請企業本地化部署。

為什麼重要

我們認為，Stable Audio 2.5 標誌著商業音訊生成正從「玩具級整活」轉向「工業級管線」。對獨立遊戲開發者、廣告創作者或短影片團隊來說，不到兩秒生成三分鐘且具備完整起承轉合的背景音軌，意味著生產配樂的試錯成本幾乎歸零。特別是音訊區域性重繪功能，讓專業創作者不必完全放棄控制權，而是能基於已有旋律快速延展，實用度遠高於從零隨機抽卡。

在商業策略上，Stability AI 這步棋走得相當務實。大模型公司在影像和文本領域拼得頭破血流，而企業級聲音識別系統（Sonic Branding）屬於高溢價、弱替代性的冷門富礦。拉上 WPP 和 amp 這樣手握海量藍籌客戶的廣告代理巨頭，比單打獨鬥向中小創作者收訂閱費要穩固得多。

不過隱患依然存在。儘管 Stability AI 強調模型全部使用授權資料集訓練，商用安全度高於同類競品，但企業上傳素材的版權合規依然是一道險關。此外，全自動生成的音樂會不會導致商業配樂迅速同質化、淪為聽覺垃圾，也是創意行業接下來必須面對的問題。