Stable Audio 3

Diese Soniqo-Seite dokumentiert Stable Audio 3 aus der lokalen speech-swift- / speech-core-Implementierung. Hugging-Face-Bundles sind nach den Integrationshinweisen verlinkt.

Zuerst interne Seite

Landing-Karten und Docs-Menüs führen zuerst hierher; Quellen- und Bundle-Links bleiben auf dieser Seite verfügbar.

Überblick

Modell	Stable Audio 3
Rolle	Text-to-music generation
Backend	MLX, Medium DiT int8 default with int4 variant available
Ausgabe	44.1 kHz stereo Float PCM
Sprachen	Prompt language depends on the T5Gemma text encoder
Lizenz	Stable Audio model terms apply
Status	Default speech compose engine for Stable Audio 3 Medium
Quelle	Stability AI Stable Audio 3
Swift-Produkt	`StableAudio3MusicGen`
CLI / Laufzeit	`speech compose --engine sa3`

Verwendung

Das folgende Snippet entspricht der aktuellen API oder dem aktuellen Befehl aus speech-swift.

# 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

Modelllinks

Implementierungsnotizen

Download is already componentized into DiT, SAME encoder/decoder, and T5Gemma directories; moving it to byte-weighted progress would match the faster Fish path.
Medium DiT uses 24 layers, 1536 hidden size, differential attention, T5Gemma conditioning, and SAME-L decode.
Small Music and Small SFX bundle IDs exist, but the current Swift port wires the Medium family first.
Length is variable: latent steps are ceil(seconds * 44100 / 4096), then output is cropped to the requested duration.