Stability AI发布Stable Audio 3 长音频秒级生成破行业瓶颈

2026年5月27日，人工智能企业Stability AI正式发布新一代音频大模型Stable Audio 3，同步开源部分非商用模型权重。该模型基于潜扩散技术架构，搭载SAME语义声学自编码器实现4096倍音频压缩率，支持高品质立体声输出、可变长度音频生成，长音频生成速度达到秒级，可覆盖音乐创作、音效制作等多元场景需求。

对于长期使用AI音频工具的创作者而言，生成等待时间长、输出音质达不到商用标准、内容长度无法灵活调整，是长久以来困扰行业的三大痛点。而Stable Audio 3的上线，恰好瞄准了这几项核心诉求，给整个音频创作赛道带来了新的解决方案。

过去几年，文本、图像领域的AIGC工具已经实现了规模化落地，但音频生成赛道的进展始终相对缓慢。一方面，普通用户需要的短视频配乐、播客音效等内容，现有工具要么生成效果粗糙，要么需要支付高昂的会员费用才能获得足够时长的高品质内容；另一方面，专业创作者需要的定制化音频内容，现有模型的编辑灵活度不足，往往需要多次调整prompt才能得到接近需求的成品，时间成本居高不下。

这种供需错配的核心原因，在于音频数据的压缩和生成效率难以平衡：要保证音质就需要处理海量数据，生成速度必然变慢；要提升速度就要牺牲采样率，音质又达不到要求。

Stable Audio 3的核心突破，就是从底层架构上解决了上述矛盾。整个模型由两大核心组件构成：SAME语义声学自编码器和高效扩散变换器。其中SAME自编码器实现了4096倍的超高音频压缩率，这一设计大幅缩短了模型需要处理的潜在序列长度，从根源上降低了算力消耗。