/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
stable-audio-3
Опубликована
16 мая 2026

stable-audio-3-small-music-base

Генерация аудиоТекст → аудио3 профессии

Базовая латентная диффузионная модель Stability AI для генерации музыки по текстовым описаниям и последующего дообучения.

2 785скачиваний за 30 дней24лайкавеса обновлены6 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

Stable Audio 3 Small Music Base — базовая предварительно обученная модель Stability AI для последующего дообучения и генерации музыки по текстовому описанию. Это небольшая модель семейства Stable Audio 3, построенная на трансформерной архитектуре с латентной диффузией и семантико-акустическим автоэнкодером. Для текстового кондиционирования используется предварительно обученная T5Gemma.

Модель предназначена для создания музыкальных фрагментов переменной длительности; семейство также поддерживает редактирование аудио, включая заполнение выбранных участков и продолжение коротких записей. В карточке приведён пример генерации двухминутной композиции по англоязычному запросу с указанием жанра, настроения и темпа. Для прямой генерации авторы рекомендуют версию Stable Audio 3 Small Music, а эту базовую версию — для дообучения.

Модель обучалась на лицензированных и Creative Commons аудиозаписях. Для работы предусмотрены библиотеки stable-audio-3 и stable-audio-tools. Указана Stability AI Community License; для текстового энкодера T5Gemma действуют условия Gemma Terms of Use. Перед коммерческим использованием следует проверить применимые условия лицензий.

Сценарии применения

  • создание музыкального фрагмента по описанию жанра, настроения и темпа
  • генерация музыки заданной длительности
  • дообучение модели для создания музыки в заданном стиле
  • продолжение короткой аудиозаписи
  • редактирование выбранного участка аудио

Ограничения

Это базовая версия, предназначенная для дообучения; для прямой генерации авторы рекомендуют Stable Audio 3 Small Music. Для текстового кондиционирования используется T5Gemma, на который распространяются отдельные условия Gemma Terms of Use.

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 3 Small Music

Note: This is the base (pre-trained) model intended for fine-tuning. If you are looking to generate audio directly, please use Stable Audio 3 Small Music instead.

Please note: For commercial use, please refer to https://stability.ai/license

Model Description

Stable Audio 3 is a family of fast latent diffusion models (small, medium, large) for variable length audio generation and editing. Since our models can generate several minutes of audio, variable-length generations are key to avoid the cost of producing full-length generations for short sounds. We also support inpainting, enabling targeted audio editing and the continuation of short recordings. Our latent diffusion models operate on top of a novel semantic-acoustic autoencoder that projects audio into a compact latent space, enabling efficient diffusion-based generation while preserving audio fidelity and encouraging semantic structure in the latent. Finally, we run adversarial post-training to both accelerate inference and improve generation quality, reducing the number of inference steps while improving fidelity and prompt adherence. Stable Audio 3 models are trained on licensed and Creative Commons data to generate music and sounds in less than a 2s on an H200 GPU and less than a few seconds on a MacBook Pro M4. We release the weights of small and medium, that can run on consumer-grade hardware, together with their training and inference pipeline.

Usage

This model can be used with:

  1. the stable-audio-3 inference and fine-tuning library
  2. the stable-audio-tools research library

Using with stable-audio-3

from stable_audio_3 import StableAudioModel

model = StableAudioModel.from_pretrained("small-music")
audio = model.generate(
    prompt=(
        "House music that encapsulates the feeling of being at a festival "
        "in the sunny weather with all your friends 124 BPM"
    ),
    duration=120,
    steps=50,
    cfg_scale=7.0
)

Using with stable-audio-tools

import torch
import torchaudio
from einops import rearrange
from stable_audio_tools import get_pretrained_model
from stable_audio_tools.inference.generation import generate_diffusion_cond_inpaint

device = "cuda" if torch.cuda.is_available() else "cpu"
if device == "cuda":
  model_half = True

# Download model
model, model_config = get_pretrained_model("stabilityai/stable-audio-3-small-music")
sample_rate = model_config["sample_rate"]
sample_size = model_config["sample_size"]

model = model.to(device)
if model_half:
  model = model.to(torch.float16)
# Set up text and timing conditioning
conditioning = [{
    "prompt": (
        "A dream-like Synthpop instrumental that would accompany "
        "a dream-sequence in a surrealist movie 120 BPM"
    ),
    "seconds_total": 120
}]

# Generate stereo audio
output = generate_diffusion_cond_inpaint(
    model,
    steps=50,
    cfg_scale=7.0,
    conditioning=conditioning,
    sample_size=sample_size,
    sampler_type="euler",
    device=device
)

# Rearrange audio batch to a single sequence
output = rearrange(output, "b d n -> d (b n)")

# Peak normalize, clip, convert to int16, and save to file
output = output.to(torch.float32).div(torch.max(torch.abs(output))).clamp(-1, 1).mul(32767).to(torch.int16).cpu()
torchaudio.save("output.wav", output, sample_rate)

Model Details

We use a publicly available pre-trained T5Gemma model (t5gemma-b-b-ul2) for text conditioning. T5Gemma is redistributed under the Gemma Terms of Use.

Training dataset

Datasets Used

Our dataset consists of 1,278,902 audio recordings, where 806,284 recordings are licensed from AudioSparx and a further 472,618 are from Freesound. The Freesound portion consists of recordings licensed under CC-0, CC-BY, or CCSampling+. To ensure no copyrighted content was present in the Freesound data, music recordings were identified using the PANNs [89] tagger. We flagged audio that activated music-related tags for at least 30s (threshold of 0.15), that was sent to a trusted content detection company to verify the absence of copyrighted material. All identified copyrighted content was removed. After filtering, the Freesound part includes 266,324 CC-0, 194,840 CC-BY, and 11,454 CC-Sampling+ recordings. The same subset of Freesound audio we used to train Stable Audio Open: https://info.stability.ai/attributions.

Как запустить

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

GPU в ailist

Универсальный рантайм · stable-audio-3

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
4249e91

0 моделей