Stability AI：Stable Audio 3.0发布开放权重模型，支持最长6分钟生成

Stability AI于2026年5月20日发布Stable Audio 3.0——包含四个生成式音频模型（Small SFX、Small、Medium、Large）的系列，其中三个为开放权重并已立即在Hugging Face上线。与前版本相比最重要的变化：模型现在可以生成最长6分钟的音频（Stable Audio 2最多支持47秒）。

6分钟生成能实现什么？

从47秒到6分钟的飞跃，开启了此前完全不适用该模型的应用场景：短片配乐、播客片头/片尾制作、游戏音乐（无需循环）、教育内容以及VR/AR应用中的环境音效合成。技术基础是全新的扩散变换器结合时间条件注意力机制，可在长时间段内保持结构连贯性——这一直是生成音频”漂移”的主要原因。

什么是音频修复？

Stable Audio 3支持三种音频修复模式：单段（填充现有录音中的一个部分）、多段（同时处理多个部分）和因果延续（以自然方式延续现有录音）。这使模型向Adobe Premiere Pro和iZotope RX生态系统靠拢——真正用于实际音频项目合成的工具，而非仅仅是”文字转音频”的演示。

模型如何训练，许可证是什么？

Stability AI强调所有模型均使用经许可的数据进行训练——这解决了困扰开放音频模型的关键法律障碍。该公司在过去两年曾因在训练中使用受保护数据而面临Getty Images和音乐出版商的多项诉讼。Stable Audio 3是首次尝试解决这些争议的版本。

许可证允许年收入不超过100万美元的组织免费商业使用。超过该门槛需要企业许可证。模型支持LoRA微调，允许工作室无需从头重新训练即可根据自有音效目录进行定制。

对开放AI音频生态有何意义？

竞争对手——Meta AudioCraft、Google MusicLM、OpenAI Jukebox——大多是封闭的或存在法律风险。Stability AI将4款模型中的3款上传至Hugging Face，并使用经许可的训练数据，为音频生成提供了此前不存在的生产就绪开源路径。