Stability AI 将音乐生成推进到更长篇幅
Stability AI 正在扩展其音频布局，推出一组新的音乐与声音模型，旨在让 AI 生成音频更长、更灵活，并且更容易部署到不同设备上。公司表示，新的 Stability Audio 3.0 产品线包含四款模型，从适合设备端使用的紧凑型系统，到能够生成时长超过六分钟完整音乐作品的更大型系统。
这次发布有两个重要意义。首先，与公司此前的开源版本相比，它显著延长了生成时长。其次，它反映出 AI 音频领域正在走向更细分的策略，部署目标和许可模式正变得和原始质量同等重要。Stability 并不是在推出一款通用模型，而是在推出一个产品组合。
四款模型，对应不同场景
根据所提供的原文，Stability Audio 3.0 家族包括 small SFX、small、medium 和 large 四个变体。其中两款较小模型各有 4.59 亿参数，面向设备端的声音与音乐生成，支持最长两分钟的音轨。medium 模型为 14 亿参数，large 模型为 27 亿参数。
对于希望生成完整歌曲而非短片段的用户来说，真正的变化来自更高端的模型。Stability 表示，medium 和 large 模型可生成最长 6 分 20 秒的作品，同时保持旋律走向和整体音乐结构。这一时长是 Stability 在 2024 年发布的 Audio 2.0 的两倍多，也远超更早的 Stable Audio Open 47 秒上限。
在音乐生成中，时长并不只是一个表面指标。短片段适合音效、循环和概念草稿，但更长篇幅的生成意味着可以产出更完整的演示、配乐草图和草案作品。这让这些模型对需要连贯性和发展性的创作者更有价值，而不只是提供孤立的音频片段。
开放权重，但有边界
Stability 也在划分哪些模型希望被广泛采用，哪些则计划更严格商业化。公司将 small SFX、small 和 medium 三款模型以开放权重形式提供，允许开发者和研究人员使用并修改它们。相比之下，large 模型则保留在 API 和付费自托管选项之后。年收入超过 100 万美元的公司将需要企业许可。
这一结构说明了市场走向。开放权重版本仍然是强有力的分发工具，尤其有助于建立开发者好感和扩大生态。但能力最强的模型往往会成为变现层，尤其是在推理成本和企业需求上升时。Stability 正在沿用图像和语言 AI 领域已经很熟悉的模式：以开放推动增长，以受控访问作为商业层。
许可问题如今已成核心
音乐生成领域面临的另一大问题是训练数据。所提供的原文将 Stability 的发布置于围绕音乐 AI 的持续法律压力背景下，并提到了 Suno 和 Udio 相关诉讼。在这种环境中，许可不再是附带话题，而是核心竞争变量之一。
Stability 表示，最新音频模型基于完全获得许可的数据训练。这个说法尤其重要，因为 AI 音乐的长期商业可行性，也许更多取决于谁能在符合法权结构的前提下生成歌曲，而不是谁能生成歌曲本身。去年，Stability 与 Warner Music Group 和 Universal Music Group 达成协议，共同开发模型和音乐创作工具。如今，这些合作看起来不只是品牌层面的胜利，更像是在一个法律争议激烈市场中的生存基础设施。
面向职业音乐人的更大布局
这次发布也暗示了更广泛的产品战略。Stability 表示正在开发一套面向职业音乐人的新产品，但所提供的原文并未披露具体功能。公司还聘请了曾任 Universal Audio 和 Fender 首席数字官的 Ethan Kaplan，负责带领其职业音乐业务。
这一动作与生成式音频领域更广泛的趋势一致。许多公司如今都在招聘音乐行业高管，以增强可信度，并更好地应对许可、合作关系和市场进入策略。技术在快速进步，但企业越来越需要的不只是模型能力，还包括对行业的深度理解。
- 小型模型面向设备端生成，最长可达两分钟。
- medium 和 large 模型面向更长作品，最长可达 6 分 20 秒。
- 三款模型提供开放权重，而最大模型仍处于付费和更严格控制之下。
- Stability 表示，新模型使用了完全获得许可的数据训练。
这次发布为何重要
Stability Audio 3.0 并不会终结关于音乐 AI 的争论，而公司的性能主张最终仍要由创作者和开发者来检验。但这次发布仍然是一个有意义的行业信号。它把更长篇幅的生成能力、开放与商业并行的发布策略，以及以许可优先的立场结合在一起，而音频 AI 市场正从新奇走向基础设施。换句话说，Stability 不再只是试图证明 AI 能创作音乐，而是在尝试证明 AI 音乐可以被产品化、部署并在规模上商业化。
本文根据 TechCrunch 的报道改写。阅读原文。
Originally published on techcrunch.com