每日人工智能资讯|音频创作迎来新突破！Stability AI 发布 Stable Audio 3：长音频秒级生成

知名人工智能公司 Stability AI 近日正式发布了其最新一代音频大模型Stable Audio3，并同步开源了部分模型权重。作为一款专为音频生成与编辑设计的潜扩散模型，该系统不仅支持高品质的双声道立体声输出，更在生成速度上实现了质的飞跃。数智化转型网www.szhzxw.cn

本次发布的模型家族涵盖了从小到大多种规格，能够满足音乐创作和音效制作等多元化需求。值得一提的是，该模型支持可变长度的音频生成，并引入了基于内补成像技术的音频编辑功能，为创作者提供了前所未有的灵活性。数智化转型网www.szhzxw.cn

一、创新架构打破硬件限制

Stable Audio3在架构上由两大核心组件构成:一个被称为 SAME 的语义声学自编码器，以及一个高效的扩散变换器。其中，SAME 自编码器实现了高达4096倍的音频压缩率，这一突破性设计大幅缩短了潜在序列的长度。数智化转型网www.szhzxw.cn

得益于这一高效的压缩机制，即使是在普通的消费级硬件上，该模型也能够流畅地运行长周期、大篇幅的音频生成任务。这不仅显著降低了高品质音频创作的技术门槛，也让个人创作者在家中开展专业级音视频制作成为可能。数智化转型网www.szhzxw.cn

二、超高效率实现即时渲染

在 variable-length 技术的加持下，新模型的计算成本能够随着用户要求的音频时长动态缩放，彻底告别了以往固定长度带来的算力浪费。在高性能硬件的测试中，该模型仅需约0.62秒便可渲染出一段20秒的音频，而生成长达380秒的音乐也仅需1.31秒。数智化转型网www.szhzxw.cn

此外，通过创新的三阶段训练流程，Stable Audio3在推理阶段不再依赖传统的无分类器指导技术，从而实现了单步前向传播的极速体验。目前，面向大众开放的小型和中型模型权重已在 Hugging Face 平台上线，而性能更强悍的大型版本则将通过商业授权形式提供。数智化转型网www.szhzxw.cn

若您对人工智能感兴趣，可添加数智化转型网小助手思思微信加入人工智能交流群。若您在寻找人工智能供应商，可联系数智化转型网小助手思思（17757154048，微信同号）

若您为人工智能服务商，可添加数智化转型网小助手Nora，加入人工智能行业交流群。

若您为人工智能创业者，可添加数智化转型网社群主理人Carina，加入人工智能创业交流群。

声明：本文来自数智化转型网，版权归作者所有。文章内容仅代表作者独立观点，不代表数智化转型网立场，转载目的在于传递更多信息。如有侵权，请联系我们。

本文由数智化转型网（www.szhzxw.cn）转载，编辑/翻译：数智化转型网（Professionalism Achieves Leadership 专业造就领导者）白龙