9月14日，著名开源平台Stability AI在官网发布了，音频生成式AI产品Stable Audio。（免费使用地址：https://www.stableaudio.com/generate）

用户通过文本提示就能直接生成摇滚、爵士、电子、嘻哈、重金属、民谣、流行、朋克、乡村等20多种类型背景音乐。

例如，输入迪斯科、鼓机、合成器、贝司、钢琴、吉他、欢快、115 BPM等关键词，就能生成背景音乐。

目前，Stable Audio有免费和付费两个版本：免费版，每月可生成20个音乐，最大时长45秒，不能用于商业；付费版，每月11.99美元（约87元），可生成500个音乐，最大时长90秒，可用于商业。

如果你不想付费可以多注册几个账号，可以通过AU（一种音频编辑器）或PR将生成的音乐拼接起来可达到同样效果。

Stable Audio简单介绍

在过去几年，扩散模型在图像、视频、音频等领域获得了飞速发展，可显著提升训练和推理效率。但音频领域的扩散模型存在一个问题，通常会生成固定大小的内容。

例如，音频扩散模型可能在30秒的音频片段上进行训练，并且只能生成30秒的音频片段。为了打破这个技术瓶颈Stable Audio使用了一种更先进的模型。
这是一种基于文本元数据以及音频文件持续时间，和开始时间调整的音频潜在扩散模型，允许对生成音频的内容和长度进行控制。这种额外的时间条件使用户能够生成指定长度的音频。

与原始音频相比，使用大幅度下采样的音频潜在表示可以实现更快的推理效率。通过最新稳定音频模型，Stable Audio能在不到一秒的时间内，使用NVIDIA A100 GPU渲染出95秒的立体声音频，采样率为44.1 kHz。

训练数据方面，Stable Audio使用了一个超过80万个音频文件组成的数据集，包含音乐、音效以及各种乐器。

该数据集总计超过1.95万小时的音频，同时与音乐服务商AudioSparx进行合作，所以，生成的音乐可以用于商业化。

潜在扩散模型

Stable Audio所使用的潜在扩散模型（Latent Diffusion Models）是一种基于扩散的生成模型，主要在预训练的自动编码器的潜在编码空间中使用。这是一种结合了自动编码器和扩散模型的方法。

自动编码器首先被用来学习输入数据（例如图像或音频）的低维潜在表示。这个潜在表示捕捉了输入数据的重要特征，并且可以被用来重构原始数据。
然后，扩散模型在这个潜在空间中进行训练，逐步改变潜在变量，从而生成新的数据。

这种方法的主要优点是可以显著提高扩散模型的训练和推理速度。因为扩散过程在一个相对较小的潜在空间中进行，而不是在原始数据空间中进行，因此可以更高效地生成新的数据。

此外，通过在潜在空间中进行操作，这种模型还可以提供对生成数据的更好控制。例如，可以通过操纵潜在变量来改变生成数据的某些特性，或者通过对潜在变量施加约束来引导数据生成过程。

Stable Audio使用和案例展示

「AIGC开放社区」体验了一下免费版Stable Audio，使用方法与ChatGPT差不多直接输入文本提示即可。提示内容包括细节、心态、乐器和节拍四大类。
需要注意的是，如果想生成的音乐更细腻、有律动性和节奏，输入的文本也需要更细化。也就是说，你输入的文本提示越多，那么生成的效果就约好。

Stable Audio使用界面

以下是生成音频案例展示。

恍惚、岛屿、海滩、太阳、凌晨4点、渐进、合成器、909、戏剧和弦、合唱、欢快、怀旧、动态。

柔软的拥抱，舒适，低合成，闪烁，风和树叶，环境，和平，放松，水。

流行电子、大混响合成器、控鼓机、大气、穆迪、怀旧、酷、流行乐器、100 BPM。
3/4，3拍，吉他，鼓，明亮，快乐，拍手

本文素材来源Stability AI官网，如有侵权请联系删除