开源音频模型Stable Audio Open，文本生成47秒高清音效

6月6日，著名开源大模型平台Stability.ai在官网宣布，开源最新文生音频模型Stable Audio Open。

用户通过文本就能生成最多47秒，钢琴、笛子、鼓点、模拟人声等不同类型的44.1kHz音效。

值得一提的是，Stable Audio Open支持数据微调，歌手、音乐人可以让其生成基于自己的音乐数据，例如，架子鼓手可以根据自己的鼓点来进行微调。

开源地址:https://huggingface.co/stabilityai/stable-audio-open-1.0

在线demo:https://huggingface.co/spaces/artificialguybr/Stable-Audio-Open-Zero

根据Stability.ai介绍，Stable Audio Open使用了486，492个录音训练数据，其中472，618个来自Freesound，13874个来自免费音乐档案馆，并且所有音频文件均根据 CC0、CC BY或CC Sampling 获得了商业许可。

就是说通过Stable Audio Open生成的音效无需担心商业化问题，不会受到法律方面的追究。

「AIGC开放社区」根据其提供的在线demo体验了一下，在文本语义理解、生成音效等方面还是相当优秀。

需要注意的是，目前只支持英文提示词，其他任何语言都不行，即便你使用了识别效果也是相当的差。

在生成的过程中，用户可以对时间、扩散步数和CFG进行详细控制，以达到更好的效果。例如，一首非常舒适抒情的钢琴曲。

此外，Stable Audio Open目前只能用于学术研究，还无法商业化。