Stable Audio Open 是什么：能生成 47 秒音效的开源音频模型

它是什么

Stable Audio Open 1.0 是 Stability AI 在 2024 年 6 月 5 日开源的文本生成音频模型，模型仓库是 stabilityai/stable-audio-open-1.0。它根据一句文字提示，生成最长 47 秒、44.1kHz 立体声的音频。和 Stability AI 的商业产品 Stable Audio 相比，开源版专门优化的是短音频素材：鼓点、乐器片段、环境音、拟音（foley）和各种制作用的音效元素，而不是完整的歌曲。

能做什么

官方列出的用途包括：生成鼓点和节奏型，生成乐器的小段旋律（riff），生成环境氛围音，生成拟音录音，以及其他用于音乐制作和声音设计的素材。它还支持对已有音频样本做变体和风格迁移。比如写“模拟合成器上温暖的琶音，滤波截止频率逐渐升高”，就能得到一段可以直接拖进编曲软件的素材。

能用自己的声音微调

开源的最大好处是可以微调。官方举的例子是：一位鼓手可以用自己录的鼓样本微调模型，让它生成带有自己风格的新鼓点。对音效设计师来说，用自己的素材库微调，就能得到一个风格统一的“专属音效生成器”。

技术和数据

Stable Audio Open 是潜空间扩散模型：先用自编码器把音频压缩到潜空间，再由扩散 Transformer 根据文本条件生成，最后解码回波形。训练数据来自 Freesound 和 Free Music Archive 等平台上采用知识共享许可的音频，Stability AI 在发布时强调了这一点，以回应外界对训练数据版权的关注。正因为训练数据以音效和素材为主，它不擅长生成带人声的完整歌曲，也生成不了清晰的歌词演唱。

适合谁

音乐制作人、声音设计师、游戏和视频的音效师，是它最直接的用户：快速生成素材、做变体、建立自己的音效库。研究音频生成的开发者，可以用它做微调和下游实验。它采用 Stability AI 社区许可，商用前要确认条款。AI 主线的看法是：Stable Audio Open 找准了一个很实用的定位，不和完整歌曲生成正面竞争，专心做制作人工作台上的素材工具。