Stable Audio 3
หน้านี้ของ Soniqo อธิบาย Stable Audio 3 ตาม implementation ใน speech-swift / speech-core ส่วนลิงก์ Hugging Face อยู่ใต้หมายเหตุการใช้งาน
เข้าหน้าในเว็บก่อน
การ์ดหน้าแรกและเมนูเอกสารจะชี้มาที่หน้านี้ก่อน ส่วนลิงก์ไปยัง source model และ bundle ยังอยู่ในหน้านี้
ภาพรวม
| โมเดล | Stable Audio 3 |
|---|---|
| บทบาท | Text-to-music generation |
| Backend | MLX, Medium DiT int8 default with int4 variant available |
| Output | 44.1 kHz stereo Float PCM |
| ภาษา | Prompt language depends on the T5Gemma text encoder |
| License | Stable Audio model terms apply |
| สถานะ | Default speech compose engine for Stable Audio 3 Medium |
| Source | Stability AI Stable Audio 3 |
| Swift product | StableAudio3MusicGen |
| CLI / runtime | speech compose --engine sa3 |
การใช้งาน
snippet ด้านล่างตรงกับ API หรือคำสั่งปัจจุบันใน 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.wavลิงก์โมเดล
หมายเหตุ implementation
- 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.