Stable Audio 3

Bu Soniqo sayfası, yerel speech-swift / speech-core uygulamasındaki Stable Audio 3 modelini belgeler. Hugging Face bundle bağlantıları entegrasyon notlarından sonra yer alır.

Önce dahili sayfa

Açılış kartları ve belge menüleri önce buraya yönlenir; kaynak model ve bundle bağlantıları bu sayfada kalır.

Özet

Model	Stable Audio 3
Rol	Text-to-music generation
Backend	MLX, Medium DiT int8 default with int4 variant available
Çıktı	44.1 kHz stereo Float PCM
Diller	Prompt language depends on the T5Gemma text encoder
Lisans	Stable Audio model terms apply
Durum	Default speech compose engine for Stable Audio 3 Medium
Kaynak	Stability AI Stable Audio 3
Swift ürünü	`StableAudio3MusicGen`
CLI / runtime	`speech compose --engine sa3`

Kullanım

Aşağıdaki parça, speech-swift deposundaki güncel API veya komutla eşleşir.

# 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

Model bağlantıları

Uygulama notları

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.