/ Модель

Характеристики

Лицензия
Своя лицензия
Опубликована
4 сен 2026

stable-audio-open-small

Генерация аудиоТекст → аудио3 профессии

Мобильная ONNX-версия Stable Audio Open Small для генерации примерно десятисекундного стереоаудио по текстовому описанию.

1скачиваний за 30 дней0лайковвеса обновлены1 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Это мобильная ONNX-версия Stable Audio Open Small — модели генерации аудио по текстовому описанию, разработанной Stability AI и Arm и адаптированной для приложения Neural Beats. Модель содержит 341 млн параметров и состоит из текстового кодировщика T5, диффузионного трансформера DiT и декодера аудиокодека Oobleck. Компоненты запускаются последовательно и формируют стереоаудио длительностью около 10 секунд с частотой 44,1 кГц.

Репозиторий предназначен для локального синтеза звуковых сцен и фонового аудио на iOS и Android через ONNX Runtime Mobile. Веса хранятся в формате INT8, а вычисления выполняются в float32; по данным карточки, такая квантизация уменьшает размер загрузки примерно до 0,5 ГБ и вносит небольшие отличия в звучание относительно версии с весами FP16. Лицензия указана как other, поэтому условия использования следует уточнить по файлам лицензии репозитория.

Сценарии применения

  • генерация фоновых звуковых сцен по текстовому описанию
  • создание атмосферных аудиопетель для мобильных приложений
  • синтез коротких звуковых фрагментов на устройстве
  • генерация стереоаудио для прототипов и творческих проектов

Ограничения

Генерация описана для фрагментов длительностью около 10 секунд; качество INT8-варианта может отличаться от FP16. Указана лицензия other, поэтому условия использования следует проверить в репозитории.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Stable Audio Open Small — Mobile Optimized (ONNX)

This repository hosts mobile-optimized runtime artifacts and converted weights for Stable Audio Open Small (341M parameters), adapted for on-device generative audio synthesis in the Neural Beats mobile app (iOS & Android, via ONNX Runtime Mobile).


Model Architecture & Overview

  • Base Architecture: Stable Audio Open Small (Stability AI / Arm), split into 3 independently exported ONNX graphs run in sequence:
    • T5 text encoder (t5_text_encoder.onnx) — encodes the text prompt into cross-attention conditioning embeddings.
    • DiT step model (dit_step.onnx) — a single denoising step of the diffusion transformer; invoked repeatedly (8 rectified-flow pingpong steps) by the on-device sampler.
    • Oobleck VAE decoder (vae_decoder.onnx) — decodes the 64-channel latent produced by the sampler into 44.1 kHz stereo audio (2048× upsampling).
  • Segment Output: Generates ~10.0-second seamless stereo audio passes at 44.1 kHz (215 latent steps × 2048 downsampling ratio ÷ 44.1 kHz).

Weight Precision (INT8 storage)

All three ONNX models use weight-only INT8 storage: every weight tensor above a small-tensor threshold is symmetrically quantized to int8 (per-output-channel scale for 2D+ weight matrices, per-tensor scale for 1D tensors), with an explicit DequantizeLinear(int8→fp32) op inserted ahead of each tensor's original consumer(s). The compute graph itself is untouched — every op still runs in float32 exactly as before, and both model inputs/outputs remain float32 — so there is no runtime behavior change for native iOS/Android inference code, only a much smaller download (roughly a quarter of the original FP32 size, half of the previous FP16-storage size). Quantization introduces more noise than FP16 storage but remains well within an acceptable range for ambient/generative audio use cases (validated via onnxruntime: no clipping, no NaNs, >0.98 waveform correlation vs. the FP16-storage version on identical inputs).

Each .onnx file is a small graph-structure file; the bulk of each model's weight data lives in a companion .onnx.data external-data file with the same base name (ONNX Runtime resolves this automatically as long as both files are downloaded into the same directory).


Hosted Files & Formats

FileSize (approx.)Description
t5_text_encoder.onnx~330 KBT5-base text encoder graph structure.
t5_text_encoder.onnx.data~105 MBT5 text encoder weights (INT8 storage).
dit_step.onnx~910 KBDiffusion transformer single-step graph structure.
dit_step.onnx.data~326 MBDiffusion transformer weights (INT8 storage).
vae_decoder.onnx~245 KBOobleck VAE decoder graph structure.
vae_decoder.onnx.data~75 MBOobleck VAE decoder weights (INT8 storage).
seconds_embedder.json~4.2 MBTiny seconds_total conditioning embedder weights (FP32 JSON).
t5_tokenizer_json.json~2.3 MBT5 fast tokenizer definition.
t5_tokenizer_config.json~2.4 KBT5 tokenizer configuration.
model_config.json~5.5 KBComplete model architecture hyperparameters & conditioning/sampling configuration.
model_weights_meta.json~0.6 KBFast-load metadata summary (sample rate, latent shape, diffusion steps, sampler, component list) for mobile platform channels.
checksums.sha256~1 KBSHA-256 checksums for all files above, verified after each file downloads on-device.

Total download size: ~0.5 GB (down from ~1.0 GB at FP16-storage precision, ~2.0 GB at full FP32 precision).


License & Attribution

This model is derived from Stability AI's Stable Audio Open Small and is distributed under the Stability AI Community License.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет весов в формате PyTorch/safetensors.

Ревизия весов
c9c6587

0 моделей