Stable Audio 3 Medium(音楽モデル)
gamedev pkg add aigd.audio-stable-audio-3-medium概要
Stable Audio 3 Medium:テキストプロンプトからインストルメンタル音楽を生成。最長6分20秒、44.1 kHzステレオ、ボーカルなし。Stable Audio 3の大型音楽モデルで、フルレングスのサウンドトラック曲向けです。sa3.cppによりGPU上でローカル動作します(最長の曲ではCUDAで12 GB、Vulkanで13 GB)。Stability AI Community License:商用利用は年間売上100万米ドル未満かつ登録後のみ可能です。
Stable Audio 3 MediumはStability AIの大型音楽モデルです。テキストプロンプトから、1秒〜最長6分20秒のインストルメンタル音楽を44.1 kHzステレオWAVで生成します。ボーカルは生成しません。AI Game DevアプリではLocal sound effects and music(aigd.sa3cpp、sa3.cppランタイム)を通じてローカルで動作するため、曲ごとのコストはかかりません。GPUが必要です。フルレングスのインストルメンタルなサウンドトラック曲を求めるゲーム開発者に適しています。ライセンス(Stability AI Community License)では、商用利用は売上上限未満かつ登録後のみ許可されます(下記のライセンスのセクションを参照)。
作成できるもの
- 最長6分20秒のフルレングスなインストルメンタル音楽やサウンドトラック曲。
- オープンエリア向けの長尺のアンビエント曲や探索曲。
- メニュー、クレジット、カットシーン用の音楽。
リクエスト例
- 「弦楽器と柔らかなパーカッションによる4分のオーケストラ調の探索テーマを作って。」
- 「レーシングレベル用に、124 BPMの3分のドライブ感あるエレクトロニックトラックを生成して。」
- 「クレジット用に6分のゆったりしたアンビエント音楽を作って。」
ハイライト
| 項目 | 値 |
|---|---|
| 動作 | テキストから音楽へ:プロンプト、長さ、任意のシードから1つのWAVを生成 |
| 出力 | 44.1 kHzステレオWAV。プロジェクト内に保存されます |
| 長さ | 1秒〜6分20秒(デフォルト60秒) |
| プロンプト | 最大1,000文字、ボーカルなし |
| ステップ数 | デフォルト8、最大100 |
| ガイダンス(CFG) | デフォルト1 |
このパッケージはデータのみです。モデルファイルを指定します。アプリは、以下に示すライセンスを確認して承諾した後にそれらをダウンロードし、各ファイルをsha256で検証して、お使いのコンピューター上でsa3.cppにより実行します。
どのStable Audio 3パッケージを選ぶか
3つともLocal sound effects and music(aigd.sa3cpp)で動作し、テキストプロンプトを受け取り、同じStability AI Community Licenseの下で44.1 kHzステレオWAVを書き出します。テキストエンコーダーとトークナイザーは共通なので、2つ目のStable Audio 3モデルは自身のファイルのみをダウンロードします。
| パッケージ | 生成するもの | 長さ | ダウンロード | 必要環境 |
|---|---|---|---|---|
| Stable Audio 3 Small SFX | 効果音、フォーリー、UIサウンド、環境音 | 1–60 s | 1.71 GB | 4 GiBのGPU。CPUでも動作しますが低速です |
| Stable Audio 3 Small Music | インストルメンタル音楽とループ | 1 s – 2 min | 1.71 GB | 4 GiBのGPU。CPUでは低速です |
| Stable Audio 3 Medium | インストルメンタル音楽、大型モデル | 1 s – 6 min 20 s | 5.19 GB | CUDAで12 GiBまたはVulkanで13 GiB。Macは16 GB |
- ゲームプレイとUIの効果音:Small SFX。
- 控えめなGPUで音楽を、または2分までの曲:Small Music。
- 12 GiB以上のGPU(CUDA、Vulkanでは13 GiB)で最長6分20秒の長尺トラック:Medium。
ダウンロード
5.19 GB、5ファイル。それぞれHugging Faceのコミットに固定されています。これらはsa3.cpp用のstabilityai/stable-audio-3-mediumのGGUF変換版で、sa3.cppの作者によって公開されています。テキストエンコーダーとトークナイザーはすべてのStable Audio 3モデルで共通なので、一度だけダウンロードされます。
| ファイル | 取得元 | サイズ |
|---|---|---|
stable-audio-3-medium-dit-1.5B-v1.0-F16.gguf(拡散トランスフォーマー) | thepatch/stable-audio-3-medium-GGUF @ 380a7b2 | 2.91 GB |
stable-audio-3-medium-same-l-v1.0-F16.gguf(オートエンコーダー) | thepatch/stable-audio-3-medium-GGUF @ 380a7b2 | 1.71 GB |
stable-audio-3-medium-conditioner-v1.0-F32.gguf(コンディショナー) | thepatch/stable-audio-3-medium-GGUF @ 380a7b2 | 0.8 MB |
t5gemma-b-b-ul2-encoder-0.3B-v1.0-F16.gguf(テキストエンコーダー) | thepatch/t5gemma-b-b-ul2-GGUF @ 26caadf | 0.56 GB |
t5gemma-b-b-ul2-v1.0-vocab.gguf(トークナイザー) | thepatch/t5gemma-b-b-ul2-GGUF @ 26caadf | 13.8 MB |
拡散トランスフォーマーとオートエンコーダーはF16です。sa3.cppの作者は、変換結果をStability AIのPyTorchリファレンスと照合して検証しています(コサイン類似度 約1.0)。
動作するコンピューター
| コンピューター | 速度 |
|---|---|
| CUDA、VRAM 12 GiB以上 | WindowsのRTX 4090では、380秒のクリップに15.3秒かかり、ベースラインから約11.5 GiBを使用しました。 |
| Vulkan、VRAM 13 GiB以上 | 同じカードでは、380秒のクリップに28.2秒かかり、ベースラインから約12.7 GiBを使用しました。 |
| AppleシリコンのMac、メモリ16 GB以上 | Apple M4で12秒の音声に約6秒(上流での測定値) |
CUDAとVulkanの要件は最大の長さを想定したものです。同じテストでは、30秒のクリップはいずれのバックエンドでもベースラインから約2.9 GiBを使用しました。インストール後、最初の音の生成にはより長い時間がかかります。
ライセンス
Stability AI Community License(オープンソースライセンスではありません)。ダウンロード前に全文をお読みください:LICENSE.md(2024年7月5日版で、上流モデルのものと同一です)。
- 無償利用: 研究、個人利用、趣味、その他の非商用利用、および評価。
- 商用利用は制限されています。 あなたと関連会社を合わせた売上高が、あらゆる源泉から年間100万米ドル未満である間のみ無償です。
- 売上上限に達するとすべてのライセンスが終了します。 あなたと関連会社の年間売上が100万米ドルを超えると、商用利用だけでなく、本契約に基づくすべてのライセンスが終了します。その場合はStability AIのEnterpriseライセンスが必要です(stability.ai/enterprise)。
- 登録: 商用利用の前に、stability.ai/community-licenseでStability AIに登録する必要があります。
- 表示義務: モデル、またはそれを利用した製品やサービスを配布する場合は、次のことを行う必要があります
- 受け取る人にライセンスのコピーを渡す。
- このテキストを含む"Notice"テキストファイルを保持する:"This Stability AI Model is licensed under the Stability AI Community License, Copyright © Stability AI Ltd. All Rights Reserved"。
- 関連するウェブサイト、ユーザーインターフェース、ブログ記事、aboutページ、または製品ドキュメントに"Powered by Stability AI"を目立つ形で表示する。
- 許容される利用: 利用は、Stability AIのAcceptable Use Policyおよび貿易管理を含む適用法に従う必要があります。本モデルまたはその出力を、別の基盤生成AIモデルの作成や改善に使用することはできません。
- その他の条件: 表示義務以外に商標権は付与されません。違反した場合、Stability AIはライセンスを終了できます。また、モデルまたはその出力があなたの権利を侵害していると主張してStability AIを訴えた場合にも終了します。
- 出力: あなたとStability AIの間では、生成した音声は、法律が認める範囲であなたに帰属します。
テキストエンコーダー:Gemma Terms of Use。 T5GemmaのエンコーダーとトークナイザーはGoogleのもので(google/t5gemma-b-b-ul2)、Gemma Terms of Useの対象です。Gemma Prohibited Use Policyに定める用途や、法律に反する用途に使用してはなりません。これらを再配布する場合は、次のことを行う必要があります:
- 利用制限を、自身のライセンスまたは利用規約の執行可能な条項として含める。
- 受け取る人にGemma Termsのコピーを渡す。
- 変更したファイルには目立つ通知を付す。
- "Gemma is provided under and subject to the Gemma Terms of Use found at ai.google.dev/gemma/terms"を含むNoticeファイルを同梱する。
ファイルとそのライセンス:
stable-audio-3-medium-dit-1.5B-v1.0-F16.gguf、stable-audio-3-medium-same-l-v1.0-F16.gguf、stable-audio-3-medium-conditioner-v1.0-F32.gguf:Stability AI Community License(LICENSE.md)。stabilityai/stable-audio-3-mediumから変換。t5gemma-b-b-ul2-encoder-0.3B-v1.0-F16.gguf、t5gemma-b-b-ul2-v1.0-vocab.gguf:Gemma Terms of Use(LICENSE.md、NOTICE)。
Stability AIのリポジトリ経由のアクセス。 ダウンロードの前に、アプリは、ご自身のHugging FaceアカウントでStability AIの公式リポジトリstabilityai/stable-audio-3-mediumの規約に同意するよう求めます。リポジトリを開き、アクセス申請フォーム(氏名、メールアドレス、国、利用目的)に入力して同意してください。次に、設定 › モデルストレージ › Hugging Face(またはダウンロードカード)にHugging Faceアクセストークンを貼り付けます。アプリはそのトークンを使って、あなたのアカウントにアクセス権があるかを確認します(stabilityai/stable-audio-3-mediumの固定ファイル、d4d3579への1回のリクエスト)。Stability AIのPyTorchの重みはダウンロードしません。モデルファイル自体は、sa3.cppの作者によるGGUF変換(上記のthepatch/*リポジトリ)から取得され、sha256で検証され、そこにトークンは送信されません。トークンはお使いのコンピューター上に保持され、huggingface.coにのみ送信されます。
これらのライセンスを遵守する責任はあなたにあります。すべてのファイルはHugging Faceからダウンロードされます。AI Game Devはそれらをホストしていません。
Powered by Stability AI. This Stability AI Model is licensed under the Stability AI Community License, Copyright © Stability AI Ltd. All Rights Reserved.
バージョン
| バージョン | リリース日 | アプリが必要 |
|---|---|---|
| 1.1.3最新 | 0.32.0-beta.6 以降 | |
| 1.1.2 | 0.32.0-beta.6 以降 |
インストール
デスクトップアプリで
Packages ウィンドウを開き(ステータスバーのパッケージアイコン)、Browse を選んで aigd.audio-stable-audio-3-medium を検索し、Add to Project をクリックします。
アプリがまだない方は、Windows、macOS、Linux 用の AI Game Dev を無料でダウンロードしてください。
ターミナルから
gamedev CLI を使い、プロジェクトフォルダーで実行します。
gamedev pkg add aigd.audio-stable-audio-3-medium必要条件
- AI Game Dev 0.32.0-beta.6 以降
gamedev pkg add aigd.audio-stable-audio-3-medium