火爆全球的AI音频大模型，最新技术细节揭秘

智东西
编译 孟强
编辑 云鹏

智东西7月24日消息，Satbility AI于7月19日在Arxiv上分享了Stable Audio Open的研究论文，公开了该模型背后的技术细节。

Stable Audio Open是StabilityAI于今年6月推出的开源文本转音频模型，可免费生成长达47秒的样本和音效，还可生成44.1kHz高质量立体声音频，并且能在消费级GPU上运行。除了免费、开源，该模型还注重保护创作者版权，在数据训练中尽力避免伦理道德问题。

论文透露，Stable Audio Open是StabilityAI于今年3月推出的商用Stable Audio 2的变体模型，整体架构保持一致，但在训练数据的采用和部分架构上采取了调整，关键架构由自动编码器、基于T5的文本嵌入以及扩散模型（DiT）构成。

论文地址：https://arxiv.org/html/2407.14358v1

一、3个关键架构提供支持，免费生成44.1kHz高质量立体声短音频

Stable Audio Open引入了一种文本转音频模型，有3个主要架构：

1. 自动编码器：将波形数据压缩到可管理的序列长度；
2. 基于T5的文本嵌入；
3. 基于transformer的扩散模型(DiT)：在自动编码器的潜在空间中运行。

自动编码器是一种神经网络架构，由编码器和解码器组成，编码器将输入的数据压缩成一个较小的潜在空间表示，解码器则将这个潜在表示解压还原。Stable Audio Open中的自动编码器把音频波形压缩成一个较短的序列，以便后续处理。

T5（Text-to-Text Transfer Transformer）是一个由谷歌开发的自然语言处理模型，它可以将输入的文本转换为另一种文本表示。在Stable Audio Open中，T5模型将用户输入的文本转换成文本嵌入（text embedding），以便于将文本信息融入到音频生成过程中。

DiT（Diffusion Transformer）是一种扩散模型，在自动编码器的潜在空间中运行，对编码器压缩后的数据进行处理和优化，确保解码器能还原出连贯、高质量的音频。

作为Stable Audio 2的变体模型，Stable Audio Open在训练数据的采用和部分架构上进行了调整。采取了完全不同的数据集，并且使用T5代替了CLAP（Contrastive Language-Audio Pretraining）。前者由谷歌开发，专注于文本数据，完成各种自然语言处理任务，而后者由OpenAI研发，即可处理语言数据，也可处理音频数据。

作为一个开源免费的模型，Stable Audio Open无法生成连贯完整的曲目，也不会针对完整的曲目、旋律或人声进行优化。

Stability AI称，Stable Audio Open专注于音频demo和音效制作，可免费生成最长47秒的44.1kHz高质量立体声音频。经过专业训练后，该模型非常适合创建鼓点、乐器重复乐段、环境音、拟音录音和其他用于音乐制作和声音设计的音频样本。

此次开源版本还有一个关键优势，即用户可以根据自己的自定义音频数据对模型进行微调，这样，用户就可以用自己的鼓声录音来训练模型，用自己的风格生成独特的节奏。

二、训练过程着重保护版权

在生成式AI快速发展的背景下，人们对音乐行业使用人工智能的争论日益激烈，特别是在版权问题上。Stability AI前音频副总裁Ed Newton-Rex于2023年底离职，理由是他不同意Stability AI在训练模型时使用受版权保护的音频，认为此举存违背伦理道德。他曾参与开发Stable Audio。

生成式AI的数据训练像是一个黑箱里进行，除了开发商，谁也不知道训练所使用的数据是否受版权保护。Newton-Rex说：“许多价值数十亿美元的科技公司在未经许可的情况下，利用创作者的作品训练生成式人工智能模型，然后使用这些模型生成新内容。”他在一封公开辞职信中表示，他不接受这种依靠侵犯创作者版权而牟利的行为。

Stability AI表示，为尊重创作者版权，Stable Audio Open使用的数据集来自Freesound和免费音乐档案(FMA)，所有使用的录音均是CC（Creative Commons）许可下发布的音频录音。CC是一种版权许可机制，该机制允许创作者共享他们的作品，并规定他人如何使用这些作品。

为了确保避免使用任何受版权保护的材料，Stability AI称通过使用音频标记器识别Freesound中的音乐样本，并将识别出的样本被发送到Audible Magic的内容检测公司，以确保从数据集中删除潜在的受版权保护的音乐。

Stability AI表示：“这让我们能够创建一个开放的音频模型，同时又能充分尊重创作者的权利。”

结语：开源、免费模型让文生音频更普及

Stable Audio Open的推出展示了Stability AI在文本转音频模型领域的创新和进步。虽然该模型在生成音频长度和连贯性上存在一定的限制，但其优点也显而易见。它能免费生成高质量的44.1kHz立体声音频，并且能在消费级GPU上运行，降低了文生音频的使用门槛。

同时，Stable Audio Open在开放音频生成技术的同时，也为版权保护树立了新标杆。在今后，随着技术的不断进步和道德规范的完善，Stable Audio Open有望在更多应用场景中发挥其潜力，推动音频生成技术的发展和普及。

目前，Stable Audio Open模型权重可在机器学习模型平台Hugging Face上获取。Stability AI鼓励声音设计师、音乐家、开发人员以及任何对音频感兴趣的人探索该模型的功能并提供反馈。

来源：Stability AI