2026 年 5 月 20 日，Stability AI 發表 Stable Audio 3.0 模型家族，一次推出四個模型：Small SFX、Small、Medium 與 Large。官方定位是「為藝術實驗而生的開放權重模型家族」，其中 Medium 與 Large 能生成最長 6 分 20 秒的完整樂曲，並維持音樂結構與旋律基調——比 2024 年的 Stable Audio 2.0 多出一倍以上。三個模型以開放權重釋出，而且全家族都以完全授權的資料訓練。
這個組合正好踩在音樂生成市場最痛的兩個點上：輸出長度與訓練資料的合法性。當 Suno 與 Udio 還在跟唱片工業纏訟，Stability 用自家與環球、華納簽下的合約繞開了戰場。
四個模型，從手機到資料中心
- Small SFX（4.59 億參數）：手機與消費級筆電上的裝置端音效生成
- Small（4.59 億參數）：裝置端完整作曲，最長 2 分鐘；Stability 稱它是目前唯一能在裝置端完成完整作曲的模型
- Medium（14 億參數）：強化結構、旋律連貫與樂句處理，曲目最長 6 分 20 秒
- Large（27 億參數）：家族中最強的音樂性，鎖定高流量、對延遲敏感的音樂平台
對照組很殘酷：2024 年 6 月的 Stable Audio Open 只能生成 47 秒，Open Small 更只有 11 秒；新的 Small 直接把裝置端能力拉到 2 分鐘。生成長度支援秒級粒度的變長控制。
開放權重與社群授權的界線
Small SFX、Small 與 Medium 已上架 Hugging Face，採 Community License：輸出歸你所有，可以自由散布與商業化。但年營收超過 100 萬美元的組織必須取得企業授權，內含賠償保障與選配的白手套微調。Large 不開放權重，只透過 Stability API 與企業自架提供，後續也會登上 ComfyUI 等合作平台。
授權資料是護城河
公告裡最尖銳的一段是對競爭對手的暗示：Stability 稱其他開放音樂模型「要嘛限制商業使用，要嘛冒著用未授權音樂訓練的風險」。底氣來自 2025 年的兩張合約：10 月與環球音樂（UMG）的策略聯盟、11 月與華納音樂（WMG）的下一代工具合作。當對手還在法庭上解釋訓練資料從哪來，授權本身就是差異化。Stability 的判斷寫得很白：「以藝術家為中心的 AI 要贏，唯一的方式是讓授權平台上的產品體驗更好。」
技術亮點與人事訊號
- 全新的語義—聲學 autoencoder 架構，並同步發表研究論文
- LoRA 微調支援，搭配新釋出的文件
- Inpainting 支援單段與多段編輯，加上因果延續——把曲目往結尾之後繼續寫
人事面同樣有訊號：前 Universal Audio 與 Fender 數位長 Ethan Kaplan 加入，掌管專業音樂產品線，音樂人導向的產品套件已在開發。整個產業都在搶音樂圈老手：Suno 找來前 Merlin 執行長 Jeremy Sirota，ElevenLabs 則從 Kobalt 挖來 Derek Cournoyer。
對開發者與創作者的意義
三個實際影響。第一，裝置端音樂生成首次有堪用的開放權重選項：2 分鐘的離線作曲可以塞進手機 App，離線音效、遊戲素材與互動裝置都是直接受惠者。第二，百萬美元營收的授權門檻劃出一條清楚的線——個人與小團隊免費用，公司要賠償保障就付費，這是開放權重商業化的新基準姿勢。第三，Google 的 Lyria 3 Pro（3 月）與 ElevenLabs 的音樂 App（4 月）已先後進場，Stability 用「開放權重＋授權資料」卡進第三個位置；音樂生成的競爭正從「誰生成得久」轉向「誰能合法地商業化」。
參考來源
- Meet Stable Audio 3.0 — Stability AI
- Stability AI releases a new audio model that can create 6-minute songs — TechCrunch
- Warner Music Group and Stability AI join forces — Stability AI
本文由 AI 協助自上述來源整理，經人工審核後發布。