Konekäännös · Englanninkielinen alkuperäinen

Stable Audio 3

Tämä ensimmäinen osapuoli Soniqo sivuasiakirjat Stable Audio 3 paikalliselta speech-swift / speech-core täytäntöönpano. Hugging Face -paketit on linkitetty alla olevien integrointihuomautusten jälkeen.

Sisäinen sivu ensin

Laskeutumiskortit ja dokumentit ovat nyt tässä ensin; lähdemalli ja nippulinkit ovat saatavilla tältä sivulta.

Katselu

Malli	Stable Audio 3
Rooli	Tekstistä musikaaliin -sukupolvi
Taustaosa	MLX, Medium DiT int8 oletus int4 variantti saatavilla
Tuotos	44,1 kHz:n stereofloat PCM
Kieli	Nopea kieli riippuu T5Gemma tekstinkoodaajasta
Lisenssi	Stable Audio mallitermejä sovelletaan
Tila	Oletuspuhekoodaa moottori Stable Audio 3 Medium
Lähde	Säilyvyys AI Stable Audio 3
Swift -tuote	`StableAudio3MusicGen`
CLI / ajoaika	`speech compose --engine sa3`

Käyttö

Alla oleva nappula peilaa virta speech-swift API tai repon paljastamaa komentoa.

# 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

Malli Linkit

Täytäntöönpano Huomioita

Lataus on jo komponenttina DiT:ssä, SAME-koodaajassa/purkajassa ja T5Gemma -hakemistoissa; sen siirtäminen tavupainotettuun edistymiseen vastaisi nopeampaa kalojen polkua.
Medium DiT käyttää 24 kerrosta, 1536 piilotettu koko, differentiaali huomiota, T5Gemma ilmastointi, ja SAME-L purkaa.
Pieni musiikki ja pieni SFX nippu tunnukset ovat olemassa, mutta nykyinen Swift Port johdot ensin Keskikokoinen perhe.
Pituus vaihtelee: latentti askeleet ovat ceil(sekuntia * 44100 / 4096), sitten tuloste on rajattu haluttuun kestoon.