Stable Audio Open：音频生成器 — 功能与运行要求

Stable Audio Open 是 Stability AI 推出的开源音频生成器。它解决 text-to-audio 任务：将文本描述转换为音频文件。该工具适合需要根据文本生成音频、并且愿意直接使用代码和模型权重的用户。

功能

作者将该项目的描述为用于条件音频生成的生成模型。模型解决的任务是 text-to-audio：输入文本，输出音频。参数表中未声明其他工作模式，例如语音生成或按乐谱生成音乐。

代码使用 Python 编写。仓库的最后一次变更是 2026 年 8 月 9 日，仓库本身创建于 2023 年 5 月 23 日。

运行要求

运行需要 stable-audio-tools 库。最大的单个权重文件为 4.5 GB，所有权重文件合计为 14.6 GB。在规划磁盘空间时需要考虑这一点。

据作者描述，开发使用 Python 3.10。仓库说明中写道：“Requires PyTorch 2.5 or later for Flash Attention and Flex Attention support. Development for the repo is done in Python 3.10”。也就是说，要支持 Flash Attention 和 Flex Attention，需要 PyTorch 2.5 或更新版本。

代码按 MIT 许可证分发。

适合谁

该工具面向会使用 Python、并且不介意通过代码运行模型的用户。开源代码和可获取的权重让用户能够了解模型的结构，并在需要时将其改造以满足自己的任务。

对于寻找带界面的现成应用的用户，这个方案可能并不合适：参数表中没有关于图形界面或 Web 服务的信息。此外还需要考虑权重的体积——总计 14.6 GB，这对性能较弱的机器来说可能比较明显。

Stable Audio Open 是面向开发者和研究人员的工具，他们需要根据文本生成音频，并且愿意直接使用代码和权重。代码开源，模型可获取，但运行需要技术准备和足够的磁盘空间。