Stability AI 近日发布新一代音频大模型 Stable Audio 3，并开源部分模型权重。该模型面向音频生成与编辑，支持高品质双声道立体声、可变长度音频生成及基于内补成像的编辑功能。Stable Audio 3 采用 SAME 语义声学自编码器与扩散变换器架构，音频压缩率达 4096 倍，可降低长音频生成的硬件需求。官方称，在高性能硬件测试中，模型生成 20 秒音频约需 0.62 秒，生成 380 秒音乐约需 1.31 秒。小型和中型模型权重已上线 Hugging Face，大型版本将通过商业授权提供。
