Strojový překlad · Anglický originál

Stable Audio 3

Tato první strana Soniqo stránka dokumentuje Stable Audio 3 z místní implementace speech-swift / speech-core. Hugging Face svazky jsou spojeny níže po zápisu integrace.

Interní stránka

Přistávací karty a docs menu nyní ukázat zde první; zdrojový model a svazky odkazy zůstávají k dispozici z této stránky.

V Glance

Vzor	Stable Audio 3
Úloha	Učebnicová generace
Backend	MLX, Medium DiT int8 default s variantou int4 k dispozici
Výstup	44.1 kHz stereo Float PCM
Jazyky	Prompt jazyk závisí na textovém kodéru T5Gemma
Licence	Platí podmínky modelu Stable Audio
Stav	Výchozí hlasový komplet pro Stable Audio 3 Medium
Zdroj	Stabilita AI Stable Audio 3
Swift produkt	`StableAudio3MusicGen`
CLI / runtime	`speech compose --engine sa3`

Použití

Snippet níže odráží aktuální speech-swift API nebo příkaz vystavený repo.

# Generate 30 seconds of 44.1 kHz stereo audio.
.build/release/speech compose "lofi house loop" \
  --engine sa3 \
  --sa3-variant medium-int8 \
  --seconds 30 \
  -o music.wav

Modelové odkazy

Poznámky k provádění

Download je již zalidněn do DiT, SAME encoder / dekodér, a T5Gemma adresáře; přesunutí do byte- váženého pokroku by odpovídalo rychlejší Rybí cestu.
Medium DiT využívá vrstvy 24, skrytou velikost 1536 a diferenciální pozornost, kondicionování T5Gemma i SAME-L dekódování.
Existují malé ID pro hudbu a malý SFX svazek, ale současný port Swift nejprve převede rodinu Medium.
Délka je variabilní: latentní kroky jsou ceil (sekundy * 44100 / 4096), pak je výstup oříznut na požadovanou délku.