Maskinoversettelse · Engelsk original

Stable Audio 3

Denne førsteparten Soniqo sidedokumenter Stable Audio 3 fra lokal speech-swift / speech-core implementering. Hugging Face bundter er koblet under etter integrasjonsnotatene.

Innenrikssiden først

Landingskort og docs-menyer nå peker her først; kildemodell og pakkelenker er tilgjengelige fra denne siden.

På en glanse

Modell	Stable Audio 3
Rolle	Tekst-til-musikk generasjon
Motor	MLX, Medium DiT int8 standard med int4 variant tilgjengelig
Utgang	44.1 kHz stereo Flow PCM
Språk	Spørrespråket avhenger av T5Gemma tekstkoder
Lisens	Stable Audio modellvilkår gjelder
Status	Standard talekomponeringsmotor for Stable Audio 3 medium
Kilde	Stability AI Stable Audio 3
Swift produkt	`StableAudio3MusicGen`
CLI/kjøretid	`speech compose --engine sa3`

Bruk

Den snutten nedenfor speiler gjeldende speech-swift API eller kommando som eksponeres av repoen.

# 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

Modelllenker

Implementasjonsnotater

Last ned allerede i DiT, SAME-koder/dekoder, og T5Gemma-mapper; å flytte den til bytevektet fremgang vil samsvare med den raskere fiskeveien.
Medium DiT bruker 24 lag, 1536 skjult størrelse, differensial merksomhet, T5Gemma kondisjonering og SAME-L dekode.
Små musikk- og små SFX-pakke-ID-er eksisterer, men nåværende Swift porttråder mellom familien først.
Lengden er variabel: Latente trinn er cel(sekunder * 44100 / 4096), så utgangen blir beskåret til den ønskede varigheten.