Stable Audio 2.0 上線：生成 3 分鐘完整音樂，支援音訊轉音訊

過去玩 AI 做音樂，最尷尬的莫過於生成的曲子聽起來像無頭無尾的半成品，十幾秒就戛然而止，或者結構亂成一團。

Stability AI 正式推出了 Stable Audio 2.0。這次升級最硬核的地方在於，它不再只是給你吐出幾段短旋律，而是能通過一句自然語言提示詞，直接生成長達 3 分鐘、44.1kHz 立體聲的完整音樂作品。

把 U-Net 換成 DiT，搞定 3 分鐘長結構

要讓 AI 生成長音訊，最難的不是音質，而是音樂的邏輯結構。之前的模型放上幾十秒往往就亂了套，缺乏真實樂曲該有的鋪陳。

Stable Audio 2.0 這次能夠做出完整包含前奏、發展部和結尾的規整曲目，底層核心是換掉了架構。他們用上了類似 Stable Diffusion 3 的 Diffusion Transformer 架構，替換掉了上一代的 U-Net，結合一套高壓縮比的自編碼器，大幅提升了模型處理長序列資料的能力。

除了傳統的文生音訊，新版本還引入了「以聲生聲」功能。你可以直接上傳一段錄音樣本，再通過文字提示詞做風格遷移或重構，把它變成完全不同音色、不同氛圍的聲音片段。

在生成品類上，它支援旋律、伴奏織體、分軌以及各類擬聲音效，比如敲擊鍵盤聲、人群歡呼甚至街道嘈雜聲都能直接生成。

版權方面，訓練集完全基於 AudioSparx 授權的 80 多萬條音訊，支援創作者申請退出。為了防止使用者上傳侵權音訊，Stability AI 還接入了 Audible Magic 的音訊內容識別技術進行即時過濾。目前該模型已經在官網免費開放體驗，後續還會接入 API，官方甚至在 YouTube 開了一個 24 小時全天候播放 AI 生成音樂的電臺頻道。

為什麼重要

我們認為，Stable Audio 2.0 這一步走得相當務實，它直接切中了音樂生成從「玩具」走向「可用工具」的關鍵痛點。

對獨立遊戲開發者、影片創作者或播客主播來說，以往要配一段有起承轉合的 3 分鐘背景音樂，要麼去免版權曲庫淘金，要麼用 AI 生成幾段拼拼湊湊。現在只要輸入一段提示詞，就能拿到具備完整結構的母帶級立體聲音軌，甚至可以上傳自己哼唱的小調做音色替換，創作門檻被大幅拉低。

在商業模式和版權策略上，Stability AI 的做法也很聰明。AI 音樂賽道眼下正面臨極大的版權訴訟風險，全行業都在提防版權侵權官司。他們選擇全程使用授權商用庫訓練，配合上傳端的即時內容識別，看起來是給影視配樂和商業製作提供了一條合規風險較低的通路。

不過隱患依然存在。儘管有完整的結構，AI 在長音樂中能否真正傳達人類樂手那種細膩的情感張力和動態細節，還是個問號。但無論如何，能一口氣生成 3 分鐘可用音訊，已經把生成式音訊的競爭推到了一個新的標準線上。