Traducere automată · Originalul în engleză

Stable Audio 3

Această primă parte Soniqo documente de pagină Stable Audio 3 de la local speech-swift / speech-core. Hugging Face pachete sunt legate mai jos după notele de integrare.

Prima pagină internă

Carduri de aterizare și meniuri docs punct acum aici primul; model sursă și link-uri de pachet rămân disponibile de la această pagină.

La o strălucire

Model	Stable Audio 3
Rol	Generație text-muzica
Platformă	MLX, mediu DiT int8 implicit cu int4 variantă disponibilă
Ieșire	PCM stereo cu 44,1 kHz
Limbi	Limbajul prompt depinde de codorul text T5Gemma
Licență	Stable Audio termeni model se aplică
Stare	Motor de vorbire implicit pentru Stable Audio 3 Mediu
Sursă	Stabilitate AI Stable Audio 3
Swift produs	`StableAudio3MusicGen`
CLI / timpul de funcționare	`speech compose --engine sa3`

Utilizare

Fragmentul de mai jos reflectă curentul speech-swift API sau comanda expusă de 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

Modele de legături

Note de punere în aplicare

Descărcarea este deja componentă în directoare DiT, codor/decodor SAME, și T5Gemma; mutarea acestuia la progresul octe-ponderat s-ar potrivi cu calea mai rapidă a peștelui.
Medium DiT folosește 24 de straturi, 1536 dimensiuni ascunse, atenție diferențiată, T5Gemma condiționare și SAME-L decodează.
Există ID-uri Small Music și SFX Small Pack, dar curentul Swift port fire familia Medium primul.
Lungimea este variabila: pasii latenti sunt ceil (secunde * 44100 / 4096), apoi productia este redusa la durata solicitata.