Stable Audio 3

Esta página de Soniqo documenta Stable Audio 3 tal como está implementado en speech-swift / speech-core. Los enlaces a Hugging Face aparecen debajo de las notas de integración.

Primero página interna

Las tarjetas y menús apuntan primero aquí; los enlaces al modelo fuente y a los bundles siguen disponibles en esta página.

Resumen

Modelo	Stable Audio 3
Rol	Text-to-music generation
Backend	MLX, Medium DiT int8 default with int4 variant available
Salida	44.1 kHz stereo Float PCM
Idiomas	Prompt language depends on the T5Gemma text encoder
Licencia	Stable Audio model terms apply
Estado	Default speech compose engine for Stable Audio 3 Medium
Fuente	Stability AI Stable Audio 3
Producto Swift	`StableAudio3MusicGen`
CLI / runtime	`speech compose --engine sa3`

Uso

El fragmento siguiente refleja la API o el comando actual expuesto por 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

Enlaces del modelo

Notas de implementación

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.