Stable Audio 3 – Stability AI 推出的音频模型

Stable Audio 3 是一款由 Stability AI 于 2026 年 5 月推出的开放权重音频生成模型家族，主要用于按文本或音频样本生成音乐与音效并完成后续编辑，支持文本生成、音频改写与局部重绘三种模式，适用于配乐批量生产、音效补齐与片段改写等场景。

Stable Audio 3 的核心能力

Stable Audio 3 的路线和其他音乐生成产品不太一样：它把模型切成四档，让同一套权重既能跑在 MacBook 的 CPU 上，也能挂在 API 后面。以下三块是这个切分带来的实际差别。

四档规格对应四种硬件

Small-Music 与 Small-SFX 均为 433M、配 SAME-Small，支持 CPU 与 Apple Silicon 推理，最长 120 秒；Medium 为 1.4B 配 SAME-Large，标准方案用 CUDA GPU，另有 MLX 路径，最长 380 秒；Large 为 2.7B，普通用户走 API，企业可申请自托管，公开仓库不提供该档权重。参数以官方仓库规格表为准。

三种推理模式共用一套权重

除文本生成音频外，还支持音频到音频的改写与局部重绘（inpaint）：给一段已有音频，指定要改的片段重新生成，其余部分保留。对已经有素材、只想换一段副歌或补一个音效的场景，这比整段重生成省时也省一致性。

延迟压到秒级

官方实测：small 生成 120 秒音频在 H200 上 0.45 秒、配 TensorRT 后 0.044 秒；medium 生成 380 秒为 1.31 秒、配 TensorRT 0.43 秒。峰值显存上，Medium 生成 380 秒约需 6.52GB；120 秒场景下分块解码可从 6.49GB 降至 5.14GB，两个数字对应不同生成时长，不能混用。 站内 AuK 从语音生成与编辑的角度给了另一种切法。

同门工程经验的直接继承

仓库自述是 stable-audio-tools 的后继：只保留推理与微调需要的部分，把基础研究与旧模型相关工作留给旧仓库。对只想完成推理的人来说，少掉一大截环境依赖。需要做 foundational research 的团队仍应回到旧仓库。

Stable Audio 3 与同类音乐模型的对比

下表从权重开放度、最长生成时长、运行方式与计价方式等维度，把三款音乐生成产品放在一起对照。

• 表格内数据来源：Stable Audio 3 取官方仓库 README、发布说明与定价页；Mureka V9.5 与 Magenta RealTime 2 取各自官方发布说明，未公开的项标注「以官方说明为准」，不作推测。
• 产品对比简述：Stable Audio 3 在权重开放度上覆盖三档、以编辑能力见长；Mureka V9.5 在典型用途上偏整曲演唱创作；Magenta RealTime 2 的运行方式侧重 Apple Silicon Mac 上的实时交互。三者的计价方式也不同，自部署与订阅不可直接比价。

如果更在意「先写谱再渲染」这种可控性更强的路线，站内的 YuE2 是可以对照着读的另一条思路。

Stable Audio 3 的应用场景与适用人群

手上已有素材、只缺某一段声音，或者需要成批生成同一风格的配乐时，这套模型省的是往返沟通的时间：

• 短视频配乐：按画面节奏批量生成片段，长度不够时直接续写。
• 游戏与交互音效：Small-SFX 支持 CPU 本地推理，适合轻量级音效生成与本地化音频处理，实际交互延迟取决于设备性能与生成时长。
• 片段改写：已有成品只想换副歌或某一句，用局部重绘避免整段重做。
• 素材补齐：给一段人声或环境音补上与场景匹配的背景层。

适用人群：适合手上已有制作流程、需要把音频生成接进流水线的音乐与视频团队，也适合愿意在本机折腾权重、把成本压在算力上的个人创作者；只需要偶尔生成一段完整歌曲、不打算做二次编辑的用户，整曲类平台更省事。同类的整曲生成路线可对照站内 MiniMax Music 3.0。

Stable Audio 3 的使用方法

三条路对应三种投入：想先听效果走网页、想接产品走 API、想把成本压在算力上就走本机权重。

在线试听：先在 Space 里跑一遍

1. 打开 Hugging Face 上 stable-audio-3 的演示 Space，用文本描述生成一段 30 秒左右的样音。
2. 对同一段描述换关键词再生成一次，确认风格控制的稳定性。
3. 把满意的提示词记下来，作为后续 API 或本机调用的基线。

API 接入：按 credits 计费

1. 在 Stability AI 平台 注册并领取账号赠送的 credits，再按需充值。
2. 调用 Stable Audio 3.0 的 text-to-audio 接口生成音频，需要局部修改时改用 inpaint 接口并指定片段。
3. 先按单次 8 credits 估算日均成本，确认量级后再决定是否转自部署。

本机部署：按显存与时长选档

1. 从 Hugging Face 取 Small 档权重，可在纯 CPU 环境跑 120 秒以内的生成。
2. 需要 380 秒长音频时换成 Medium 权重，配 CUDA GPU；峰值显存按 6.5GB 估算，分块解码可降到 5.1GB 左右。
3. 显存紧张时逐段生成再拼接，注意拼接处的结构连贯性，或改用局部重绘补过渡。

三点要留意：Large 档只提供 API，权重无法本地加载；权重用的是 Stability AI 社区许可而非代码的 MIT，商用前要单独看条款；模型的 380 秒上限是按单次生成算的，需要更长音频时要自己做分段与衔接。

Stable Audio 3 的项目地址

• 官方发布说明：https://stability.ai/news-updates/meet-stable-audio-3-the-model-family-built-for-artistic-experimentation-with-open-weight-models
• GitHub 仓库：https://github.com/Stability-AI/stable-audio-3
• Hugging Face 权重：https://huggingface.co/collections/stabilityai/stable-audio-3

Stable Audio 3 的价格与开源情况

代码以 MIT 在 GitHub 发布，权重在 Hugging Face 以社区许可发布，Small 与 Medium 两档可下载自部署，不向 Stability AI 付费，成本落到自己的 CPU 或 GPU 上。Large 档不提供公开权重，普通用户走 API，企业客户可申请自托管部署。

API 按 credits 计费，1 credit 等于 0.01 美元，一次 Stable Audio 3.0 生成消耗 8 credits，折合约 0.08 美元；新注册账号赠送 25 credits，够试跑三次左右。官方说明 credits 单价会随模型与基础设施改进调整，实际以定价页为准。

自部署的账要算两块：算力与工程时间。Small 档在 CPU 上就能跑，适合低频使用；Medium 档需要 GPU，若日均生成量不高，API 的单价往往比自己养一张卡更划算。同类产品的自部署成本可对照站内 YuE2 的说明自行折算。

Stable Audio 3 的常见问题