Stable Audio 2.0 是由 StabilityAI 推出的音频生成模型，可通过文本或音频生成多种类型的高质量音乐，时长长达3分钟，采样率为 44.1kHz。与之前的版本相比，Stable Audio 2.0 使用了 Diffusion Transformer (DiT) 取代了 U-Net 架构，大幅提高了音乐生成效率。该模型利用超过 80 万个音频文件组成的数据集，总计超过 1.95 万小时的音频，与知名音乐服务商 AudioSparx 合作，生成的音乐可供商业使用。
【官方网站】：（打赏后可见）
Stable Audio 2.0 能够生成多种类型的音乐，时长长达 3 分钟。除了扩展了音乐生成功能外，还提供了音频生成音频的功能，即根据用户上传的一小段音频内容，扩展生成并补充相关的音频内容。用户可通过输入提示词生成不同类型的音乐，如冥想背景音乐或体育赛事激情音乐等。此外，Stable Audio 2.0 还支持对生成后的音频内容进行定制微调，用户可以根据具体需求改变风格，去除不喜欢的内容。
技术上，Stable Audio 2.0 使用了 Diffusion Transformer (DiT) 技术，该技术能够逐步将随机噪音转化为结构化数据，识别复杂的模式和关系。同时，自动编码器可压缩音频并将其重建为原始状态，捕捉并再现基本特征，同时过滤掉不太重要的细节，生成更加连贯的声音。结合 DiT 和自动编码器，能够处理更长的音频序列，并准确解读、还原用户输入的提示文本。
Stable Audio 2.0 的应用场景不仅限于个人使用，还支持商业使用。音乐家可在创作某段音乐时上传 DEMO，要求 Stable Audio 2.0 补充完整歌曲，将各种小创意转换为完整的音频内容。此外，对于视频自媒体用户来说，Stable Audio 2.0 免费赠送 20 积分，并支持商业使用，为他们的创作提供更多可能性。
在版权方面，使用在训练过程中的歌曲的创作者通过 AudioSparx 分享 Stable Audio 的利润，尽管仍存在潜在内容抄袭和版权问题的担忧。不过，被纳入 AudioSparx 的艺术家可以选择退出，以避免其作品被用于训练模型。
发表评论