9 月 14 日消息，Stability AI 現已正式發佈企業級音頻生成模型 Stable Audio 2.5，相對上一代主要圍繞音頻細節、生成速度方面進行提升，號稱“僅需 2 秒鐘即可創建 3 分鐘音頻曲目”。

據介紹，Stable Audio 2.5 的核心改進集中在音樂生成能力方面，號稱生成結果更加貼合實際編曲邏輯，可呈現前奏、發展與結尾等完整多段式結構。同時新模型對提示詞的理解更為準確，尤其在情緒描述和音樂風格辭彙的把握上，回應更符合預期。

此外，新版模型還顯著改進了音頻生成速度，Stability AI 稱這主要得益於研發團隊提出的後訓練方法 ARC（注：Adversarial Relativistic-Contrastive），這一技術通過結合相對式對抗訓練與對比判別器，加速擴散模型的生成過程，可在保證音軌品質的同時顯著降低 GPU 推理耗時，從而實現 2 秒鐘生成長達 3 分鐘的音頻內容。

除此之外，Stable Audio 2.5 還新增了音頻修補能力，用戶可以導入自己的音頻檔，並指定“延展位置”，模型即可根據音頻前後內容及整體曲風，將音頻一鍵“延長”，特別適合剪輯等場景。

目前，Stable Audio 2.5 已可通過 StableAudio 官網直接試用，同時支持本地化部署。不過官方規定，用戶上傳的音頻檔不得包含受版權保護的內容，StableAudio 網站將利用自帶的內容識別系統進行檢測，以確保不侵犯他人版權。

來源：中國IT之家