Stable Audio 3

Cette page Soniqo documente Stable Audio 3 tel qu'il est implémenté dans speech-swift / speech-core. Les liens Hugging Face sont placés après les notes d'intégration.

Page interne d'abord

Les cartes et menus pointent d'abord ici; les liens vers le modèle source et les bundles restent disponibles sur cette page.

Aperçu

Modèle	Stable Audio 3
Rôle	Text-to-music generation
Backend	MLX, Medium DiT int8 default with int4 variant available
Sortie	44.1 kHz stereo Float PCM
Langues	Prompt language depends on the T5Gemma text encoder
Licence	Stable Audio model terms apply
État	Default speech compose engine for Stable Audio 3 Medium
Source	Stability AI Stable Audio 3
Produit Swift	`StableAudio3MusicGen`
CLI / runtime	`speech compose --engine sa3`

Utilisation

L'extrait ci-dessous suit l'API ou la commande actuellement exposée par 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

Liens du modèle

Notes d'implémentation

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.