9 月 14 日消息，Stability AI 現(xiàn)已正式發(fā)布企業(yè)級音頻生成模型 Stable Audio 2.5，相對上一代主要圍繞音頻細節(jié)、生成速度方面進行提升，號稱“僅需 2 秒鐘即可創(chuàng)建 3 分鐘音頻曲目”。
據(jù)介紹，Stable Audio 2.5 的核心改進集中在音樂生成能力方面，號稱生成結(jié)果更加貼合實際編曲邏輯，可呈現(xiàn)前奏、發(fā)展與結(jié)尾等完整多段式結(jié)構(gòu)。同時新模型對提示詞的理解更為準(zhǔn)確，尤其在情緒描述和音樂風(fēng)格詞匯的把握上，響應(yīng)更符合預(yù)期。
此外，新版模型還顯著改進了音頻生成速度，Stability AI 稱這主要得益于研發(fā)團隊提出的后訓(xùn)練方法 ARC（IT之家注：Adversarial Relativistic-Contrastive），這一技術(shù)通過結(jié)合相對式對抗訓(xùn)練與對比判別器，加速擴散模型的生成過程，可在保證音軌質(zhì)量的同時顯著降低 GPU 推理耗時，從而實現(xiàn) 2 秒鐘生成長達 3 分鐘的音頻內(nèi)容。
除此之外，Stable Audio 2.5 還新增了音頻修補能力，用戶可以導(dǎo)入自己的音頻文件，并指定“延展位置”，模型即可根據(jù)音頻前后內(nèi)容及整體曲風(fēng)，將音頻一鍵“延長”，特別適合剪輯等場景。
目前，Stable Audio 2.5 已可通過 StableAudio 官網(wǎng)直接試用，同時支持本地化部署。不過官方規(guī)定，用戶上傳的音頻文件不得包含受版權(quán)保護的內(nèi)容，StableAudio 網(wǎng)站將利用自帶的內(nèi)容識別系統(tǒng)進行檢測，以確保不侵犯他人版權(quán)。