# Stable Audio 3 开源发布：0.62秒生成20秒音频，音频创作门槛再降低

- Link: https://paooo.com/aigc-news/17895/
- Published: 2026-05-27T11:48:30+08:00
- Author: 站外新闻

> **💡 站外导读：**在 AIGC 浪潮席卷内容创作领域的当下，专业音频制作却长期面临效率
> 与成本的矛盾。传统流程中，高品质立体声音乐的生成往往需要强大算力与复杂软件，将
> 大量个人创作者与小型工作室挡在门外。长音频内容的制作更是耗时耗力。行业亟需一种
> 能够突破硬件限制、实现快速、灵活且低成本音频生成的技术方案，以释放创作者的潜力
> 并加速音频内容的爆发。

知名人工智能公司 Stability AI 近日正式发布了其最新一代音频大模型Stable Audio3，并
同步开源了部分模型权重。作为一款专为音频生成与编辑设计的潜扩散模型，该系统不仅支持
高品质的双声道立体声输出，更在生成速度上实现了质的飞跃。

此次推出的模型家族规格多样，从小到大一应俱全，能有效应对音乐创作、音效设计等多种
应用场景。特别值得关注的是，它支持生成不同时长的音频，并且首次融入了基于内补成像
的音频编辑能力，赋予了创作者极大的操作自由度。

![image.png](https://paooo.com/wp-content/uploads/2026/05/6391547850659393792533988-
1.avif "image.png")

**创新架构打破硬件限制**

Stable Audio3在架构上由两大核心组件构成:一个被称为 SAME 的语义声学自编码器，以及
一个高效的扩散变换器。其中，SAME 自编码器实现了高达4096倍的音频压缩率，这一突破性
设计大幅缩短了潜在序列的长度。

得益于出色的压缩效率，该模型即便在常见的家用设备上，也能顺畅完成长时间、大规模的
音频生成工作。这大幅降低了制作高品质音频的技术壁垒，让普通用户在家中也能实现专业
级别的音视频创作。

![image.png](https://paooo.com/wp-content/uploads/2026/05/6391547851963370834738276.
avif "image.png")

**超高效率实现即时渲染**

在 variable-length 技术的加持下，新模型的计算成本能够随着用户要求的音频时长动态缩
放，彻底告别了以往固定长度带来的算力浪费。在高性能硬件的测试中，该模型仅需约0.62
秒便可渲染出一段20秒的音频，而生成长达380秒的音乐也仅需1.31秒。

另外，借助创新的三阶段训练方案，Stable Audio 3在推理时无需再依赖传统的无分类器引导
技术，从而达成了单步前向计算的高效运行。目前，面向公众开放的小型和中型模型权重已
登陆Hugging Face平台，而性能更为强大的大型版本则将以商业授权的方式提供。

#### 📝 站长洞察 (Editor’s Insight)

Stable Audio 3 的发布标志着 AIGC 音频生成从“能用”迈向“好用且易用”的关键转折。其核心
突破在于：首先，4096倍压缩率与秒级生成速度，从根本上解决了长音频生成的算力与时间
瓶颈，这并非简单优化，而是架构层面的范式革新。其次，通过开源部分权重并强调消费级
硬件运行，Stability AI 正在积极构建生态，将专业音频生产能力“民主化”。这背后是更宏大
的趋势——生成式 AI 正从文本、图像向多模态、尤其是高保真、长序列的音频与视频领域深度
渗透。未来，内容产业的竞争优势将不再依赖于工具持有，而在于创意与对 AI 工具的融合
能力。谁先掌握这些高效的新生产力工具，谁就能在下一轮内容创作竞争中占据先机。