Tłumaczenie automatyczne · Oryginał angielski

Stable Audio 3

Ta pierwsza strona Soniqo dokumentuje Stable Audio 3 z lokalnej implementacji speech-swift / speech-core. Hugging Face są połączone poniżej po notatkach integracyjnych.

Strona wewnętrzna pierwsza

Karty do lądowania i menu doków wskazują najpierw tutaj; model źródłowy i linki do pakietów pozostają dostępne na tej stronie.

At a Glance

Wzór	Stable Audio 3
Rola	Test- to- muzyka generacja
Wstecz	MLX, Domyślny DiT int8 z wariantem int4
Wyjście	44,1 kHz stereo Pływanie PCM
Języki	Szybki język zależy od kodera tekstu T5Gemma
Licencja	Zastosowanie mają warunki modelu Stable Audio
Status	Domyślny silnik komponujący dla Stable Audio 3 Medium
Źródło	Stabilność AI Stable Audio 3
Produkt Swift	`StableAudio3MusicGen`
CLI / runtime	`speech compose --engine sa3`

Stosowanie

Poniższy fragment jest odzwierciedleniem bieżącego speech-swift API lub polecenia zdemaskowanego przez repo.

# 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

Wzory linków

Uwagi do wdrożenia

Pobieranie jest już skonfigurowane do DiT, SAME encoder / dekoder, i T5Gemma katalogi; przeniesienie go do bajt- ważony postęp będzie pasować do szybszej ścieżki ryb.
Medium DiT używa warstw 24, ukrytych rozmiarów 1536 i dyferencjalizacji T5Gemma.
Istnieje także mała muzyka i małe identyfikatory pakietowe SFX, ale obecny port Swift najpierw łączy rodzinę Medium.
Długość jest zmienna: kroki utajone są ceil (sekundy * 44100 / 4096), następnie wyjście jest przycinane do wymaganego czasu trwania.