Stability AI是一家主要以人工智能生成的視覺效果而聞名的公司，它推出了一個名為Stable audio的文本到音頻生成人工智能平臺。

Stable Audio使用擴(kuò)散模型，與該公司更受歡迎的圖像平臺Stable diffusion的AI模型相同，但使用音頻而非圖像進(jìn)行訓(xùn)練。用戶可以使用它為任何項(xiàng)目生成歌曲或背景音頻。

音頻擴(kuò)散模型傾向于生成固定長度的音頻，這對音樂制作來說很糟糕，因?yàn)楦枨拈L度可能不同。Stability AI的新平臺允許用戶發(fā)出不同長度的聲音，要求公司對音樂進(jìn)行訓(xùn)練，并在歌曲的開始和結(jié)束時間周圍添加文本元數(shù)據(jù)。

同時，它可以實(shí)現(xiàn)實(shí)時的音頻生成，無需等待長時間的渲染過程。Stability AI 宣稱，Stable Audio 模型可以在一秒內(nèi)渲染出 95 秒的立體聲音頻，并且只需要一個 NVIDIA A100 GPU。

并且，Stable Audio是一個開源的項(xiàng)目，任何人都可以免費(fèi)使用和修改。Stability AI 希望通過開源的方式促進(jìn) AI 領(lǐng)域的創(chuàng)新和發(fā)展，并讓更多人享受到 AI 技術(shù)帶來的便利和樂趣。

該公司在一份聲明中表示：“Stable Audio代表了Stability AI生成音頻研究實(shí)驗(yàn)室Harmonai的尖端音頻生成研究。我們會繼續(xù)改進(jìn)我們的模型架構(gòu)、數(shù)據(jù)集和訓(xùn)練程序，以提高輸出質(zhì)量、可控性、推理速度和輸出長度?！?/p>

文本到音頻的生成并不是什么新鮮事，因?yàn)樯扇斯ぶ悄茴I(lǐng)域的其他大牌一直在玩弄這個概念。Meta于8月發(fā)布了AudioCraft，這是一套生成的人工智能模型，有助于根據(jù)提示創(chuàng)建聽起來自然的ERM、聲音和音樂。到目前為止，它只提供給研究人員和一些音頻專業(yè)人士。谷歌的MusicLM也可以讓人們產(chǎn)生聲音，但只對研究人員開放。

審核編輯：彭菁