Stable Audio 3

Stability AI 的开放器乐和音效模型:最长 6 分 20 秒,从可在 CPU 上运行的 Small 到 8 GB 显卡可用的 Medium。

一句话概括. Stable Audio 3 能根据文字提示生成器乐和音效,最长六分钟,也能延长或编辑现有音频。Small 模型在笔记本 CPU 上就能运行。它不会唱歌,许可证只在年营收低于 100 万美元时免费商用。

概述

Stability AI 于 2026 年 5 月 20 日发布 Stable Audio 3,共四个模型,其中三个开放权重:Small Music 和 Small SFX 各自最长生成两分钟音频,Medium 既能做音乐也能做音效,最长 6 分 20 秒。27 亿参数的 Large 模型只能通过 Stability 的 API 和企业自托管使用。它们都是建立在新的语义声学自编码器 SAME 之上的潜在扩散 Transformer,先用流匹配训练,再做对抗式后训练,所以八步采样就够了。它们能根据文字提示生成 44.1 kHz 立体声音频,可以对现有音频做补全、续写或编辑,仓库还支持 LoRA 微调。

技术报告(arXiv 2605.17991)称,模型用 AudioSparx 的授权音频(约 80.6 万条录音)加上 Freesound 的约 47 万条知识共享录音训练,Freesound 部分中的音乐经过版权筛查。这些模型生成器乐和音效,而不是带歌词演唱的歌曲。Stability 报告 Medium 的峰值显存为 5 到 6.5 GB,Small 不到 2.5 GB,所以 Medium 能在 8 GB 的消费级显卡上运行,Small 在 MacBook Pro M4 的 CPU 上约 6 秒就能生成两分钟音频。Stability 称它的模型在器乐和音效上刷新了开放权重系统的最好水平,这是它自己评测得出的说法。Medium 需要 CUDA 和 Flash Attention 2。

权重采用 Stability AI Community License:研究和非商业使用免费,年营收低于 100 万美元时商用也免费,但需要登记并标注“Powered by Stability AI”。许可证还禁止用这些模型或其输出来构建另一个基础模型。Hugging Face 上的仓库是受限访问的。在截至 2026 年 11 月 11 日的 30 天里,Hugging Face 统计到 Medium 约 11.3 万次下载,Small SFX 约 6.4 万次,Small Music 约 2.1 万次。

适合做什么

  • 在笔记本或 8 GB 显卡上生成背景音乐、循环片段和音效草稿
  • 延长、补全或编辑现有音频片段
  • 需要端侧生成的手机和笔记本应用,使用 Small 模型
  • 想要用授权数据和知识共享数据训练的模型的工作室

需要注意

  • 只能生成器乐和音效,没有带歌词的演唱
  • 年营收达到 100 万美元后不再免费商用,并且必须向 Stability AI 登记
  • Medium 需要 CUDA GPU 和 Flash Attention 2,仓库是受限访问的
  • 最先进的说法来自 Stability 自己的评测,27 亿参数的 Large 模型只有 API

性能数据来自开发方,未经独立验证。

需要多少内存?

以下是 Stable Audio 3 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。

版本 参数量 下载大小 所需内存 可运行于
Small Music (up to 2 min) FP32 460M 3.5 GB 4.02 GB 笔记本或手机
Small SFX (sound effects, up to 2 min) FP32 460M 3.5 GB 4.02 GB 笔记本或手机
Medium (music and sound effects, up to 6 min 20 s) FP32 1.4B 11 GB 8 GB 笔记本或手机

下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。 开发方给出的最低显存要求为 8 GB。

许可证,用大白话说

Stability AI 为其开放模型制定的许可证。研究和非商业使用免费,你和关联方年营收低于 100 万美元时商用也免费,但商业用户必须向 Stability AI 登记,并显示“Powered by Stability AI”。超过 100 万美元后许可证终止,需要申请企业许可证。在法律允许的范围内,输出归你所有。

  • 需要署名或标明模型名称
  • 仅在营收低于上限时可免费商用
  • 须遵守可接受使用政策

进一步了解 Stability Community

延伸阅读

常见问题

Stable Audio 3 是什么?
Stable Audio 3 能根据文字提示生成器乐和音效,最长六分钟,也能延长或编辑现有音频。Small 模型在笔记本 CPU 上就能运行。它不会唱歌,许可证只在年营收低于 100 万美元时免费商用。
Stable Audio 3 可以商用吗?
可以,但有条件。Stable Audio 3 采用 Stability Community 发布,允许商用,但附带额外规则:需要署名或标明模型名称; 仅在营收低于上限时可免费商用; 须遵守可接受使用政策。产品上线前请阅读许可证原文。
Stable Audio 3 是开源的吗?
Stable Audio 3 是开放权重模型,但不是严格意义上的开源。你可以下载模型文件,但 Stability Community 附带了开源促进会的定义所不允许的条件。
我能在自己的电脑上运行 Stable Audio 3 吗?
可以。最小版本 Small Music (up to 2 min) 在 4 位精度下约需 4.02 GB 内存,现代笔记本或中端显卡即可胜任。
Stable Audio 3 是什么时候发布的?
Stable Audio 3 由 Stability AI 于 2026年5月20日 发布。

官方链接

来源

规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。

发布时间等信息最近核实于 2026年11月11日。

相关模型

模型 发布时间 参数量 上下文 许可证 最小版本所需内存
Magenta RealTime 2 Google DeepMind 230M – 2.4B – CC BY 4.0 (宽松) 2.53 GB 笔记本或手机
ACE-Step 1.5 ACE-Step 2B – 4B – MIT (宽松) 4 GB 笔记本或手机
MOSS-SoundEffect v2.0 OpenMOSS 1.3B – Apache 2.0 (宽松) 13 GB 笔记本或手机
MiniMax Music 3 MiniMax 11.1B – MiniMax Music3 Community (附条件) 24 GB 游戏显卡