Stable Audio 3
この Soniqo ページは、ローカルの speech-swift / speech-core 実装にある Stable Audio 3 を説明します。Hugging Face バンドルへのリンクは統合メモの後にあります。
まずサイト内ページへ
ランディングカードとドキュメントメニューは先にこのページへ向け、ソースモデルとバンドルのリンクは本ページ内に残します。
概要
| モデル | Stable Audio 3 |
|---|---|
| 役割 | Text-to-music generation |
| バックエンド | MLX, Medium DiT int8 default with int4 variant available |
| 出力 | 44.1 kHz stereo Float PCM |
| 言語 | Prompt language depends on the T5Gemma text encoder |
| ライセンス | Stable Audio model terms apply |
| 状態 | Default speech compose engine for Stable Audio 3 Medium |
| ソース | Stability AI Stable Audio 3 |
| Swift プロダクト | StableAudio3MusicGen |
| CLI / ランタイム | speech compose --engine sa3 |
使い方
以下のスニペットは、現在の speech-swift リポジトリが公開している API またはコマンドに合わせています。
# 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
モデルリンク
実装メモ
- 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.