Stable Audio 3

Эта страница Soniqo описывает Stable Audio 3 из локальной реализации speech-swift / speech-core. Ссылки на Hugging Face находятся ниже после заметок по интеграции.

Сначала внутренняя страница

Карточки и меню документации сначала ведут сюда; ссылки на исходную модель и бандлы остаются на этой странице.

Кратко

Модель	Stable Audio 3
Роль	Text-to-music generation
Backend	MLX, Medium DiT int8 default with int4 variant available
Вывод	44.1 kHz stereo Float PCM
Языки	Prompt language depends on the T5Gemma text encoder
Лицензия	Stable Audio model terms apply
Статус	Default speech compose engine for Stable Audio 3 Medium
Источник	Stability AI Stable Audio 3
Swift-продукт	`StableAudio3MusicGen`
CLI / runtime	`speech compose --engine sa3`

Использование

Фрагмент ниже соответствует текущему API или команде из 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

Ссылки модели

Заметки реализации

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.