Awtomatikong salin · Orihinal sa Ingles

Stable Audio 3

Ang unang-party Soniqo page na ito ay nagpapatunay ng Stable Audio 3 mula sa lokal na speech-swift / speech-core pagpapatupad. Hugging Face na mga bungkos ay nakaugnay sa ibaba pagkatapos ng mga notasyon.

Panloob na Pahina Muna

Una na ngayong binabanggit dito ng mga landing card at docs menus ang tungkol dito; ang mga kawing ng source model at bround ay nananatiling makukuha mula sa pahinang ito.

Sa Isang Kaningningan

Huwaran	Stable Audio 3
Ang Papel	Text-to-music na henerasyon
Likod	MLX, Medium DiT int8 default na may int4 variant
Ilabas	44.1 kHz stereo Florat PCM
Wika	Ang kagyat na wika ay depende sa T5Gemma na tekstong calcr
Lisensiya	Stable Audio ay kapit
Kalagayan	Ang default speech ay bumubuo ng makina para sa Stable Audio 3 Medium
Pinagmumulan	Katatagan AI Stable Audio 3
Swift produkto	`StableAudio3MusicGen`
CLI / Oras ng pagtakbo	`speech compose --engine sa3`

Gamitin

Ang snippet sa ibaba ng salamin ang kasalukuyang speech-swift API o utos na inilantad ng 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

Mga Kaugnayan sa Modelo

Mga Nota ng Pag - iisa

Ang download ay dinadaglat na sa DiT, SAME STOR/decoder, at T5Gemma directories; ang paglipat nito sa byte-weighted na pagsulong ay magtutugma sa mas mabilis na daanan ng isda.
Ang Medium DiT ay gumagamit ng 24 na patong, 1536 nakatagong sukat, iba't ibang atensiyon, T5Gemma conditioning, at SAME-L decode.
Maliit na Musika at Maliit na bungkos ng SFX ang umiiral na mga ID, subalit ang kasalukuyang Swift port wires muna ang pamilyang Medium.
Ang haba ay pabagu - bago: ang mga huling hakbang ay ceil(pangalawa * 44100 / 4096), pagkatapos ang output ay inaani sa hiniling na tagal.