【木曜はAI音楽の日】
Stability AI の音楽・効果音生成モデル「Stable Audio 3 Medium」が、Hugging Face の音楽生成モデルのトレンドで上位に入っています。公開は5月ですが、10月に入ってもモデルページの更新が続き、自分のPCで動く音楽生成の選択肢として改めて注目されています。Suno との違いと、手元で使えるのかを整理します。
この記事のポイント
- Stability AI の音楽・効果音生成モデル Stable Audio 3 Medium が Hugging Face のトレンド上位に
- 自分のPCで伴奏や効果音を作れ、録音の続きを作ったり一部だけ作り直したりもできる
- 生成が速く使い道が広いうえ、重みが公開されていてネットのサービスに頼らずに済む
NAGIモチモチ先輩、音楽生成のモデルが話題みたいだけど、何が出たの？
モチモチふっ、いいか NAGI くん。画像生成で有名な Stability AI の、音楽と効果音を作るモデルなのだよ。ちなみに同社は昔から音の研究にも熱心で……
NAGI昔の話はいいから。Suno と何が違うの？
モチモチ自分のPCで動かせる、ということだ。重みが公開されていて、ネットのサービスに頼らずに済む。ローカル派にはこれが大きいのだよ、実に大きい。
NAGIなんで今また話題になってるの？
モチモチ生成がとにかく速いうえに、短い録音の続きを作ったり、一部だけ作り直したりもできる。使い道の広さが評価されているということだ。
NAGI歌も歌ってくれるの？
モチモチ公式の説明に歌声の話は無い。伴奏や効果音づくりが本領と見ておくのがいいのだよ。歌声合成というのは別の奥深い世界でだな……
NAGIそれはまた今度ね。で、私にも関係ある？
モチモチ動画のBGMや効果音を自分で作りたいなら大ありだ。買ったばかりのグラボでも余裕をもって動く大きさなのだよ。
目次
動かすには
- 種類公式リポジトリでは、Small-Music と Small-SFX（4.33億パラメータ、GPU なしで動作、最長120秒）、Medium（14億パラメータ、CUDA 対応の GPU が必要、最長380秒）、Large（27億パラメータ、API のみ）の4つです。Medium のモデルカードは「約2B」と書いていて、公式リポジトリの数字と食い違っています。
- 必要なものPython・uv・PyTorch。Medium は Flash Attention 2 が必須です。公式手順の例は Linux 向けなので、Windows では手元の CUDA・PyTorch・Python に合うビルド済みのファイルを探す必要があります。
- ファイル本体の model.safetensors は 9.22GB（F32）。Hugging Face でライセンスに同意してからダウンロードします。
- VRAM の目安公式の計測（H200）では、Medium のピークが 5.07GB（5秒の音）〜6.52GB（380秒の音）。分割デコードを使うと120秒で約5.14GB まで下がります。16GB のグラボなら余裕のある数字ですが、計測は H200 なので手元では多少ずれます。
- 設定の目安モデルカードの例は steps 8、CFG 1.0、サンプラー pingpong。出力はステレオ・44.1kHz です。
- できること文章からの生成、音から音への編集、一部の作り直しと続きの生成。LoRA で好みの作風に寄せる学習もできます。
- GPU がない場合Small は CPU で動きます。Hugging Face の公式デモや、モデルカードにある Colab のノートブックでも試せます。
- ライセンスStability AI Community License。年間売上が100万ドル未満なら商用でも無料で、生成した音は利用者のものとされています。テキストエンコーダ（T5Gemma）は Gemma の利用規約にも従います。
- 学習データモデルカードによると、AudioSparx のライセンス済み音源と、Freesound の CC ライセンス音源の計約128万件です。
ひとこと
NAGI のひとこと
私はまず公式デモで効果音を作ってみて、気に入ったら Medium を手元に入れてみます。Windows で Flash Attention を入れる手順が少し不安なので、そこはしばらく様子見です。
コメント