安定したオーディオの潜在拡散
Stable Audio は、潜在拡散を使用して音楽とサウンド効果を生成し、クリップの長さを明示的に制御する、Stability AI のテキスト音声変換システムです。
概要
It matters because it brought diffusion-based, timing-aware, commercially licensed audio generation to creators.
ディープダイブ
2023 年に Stability AI によって開始された Stable Audio は、Stable Diffusion などの画像モデルの背後にある技術と同じファミリーである潜在拡散を使用して、テキスト プロンプトからステレオ音楽と音響効果を生成します。画像ピクセルのノイズを除去する代わりに、変分オートエンコーダーによって作成されたオーディオの圧縮された潜在表現のノイズを除去します。特徴的な機能はタイミング コンディショニングです。モデルにはトレーニング中に開始信号と合計継続時間の信号が与えられるため、ユーザーはイントロとアウトロを含む全長の音楽構造を含む特定の長さのクリップをリクエストできます。 2024 年にリリースされた Stable Audio 2.0 は、44.1 kHz ステレオで最大約 3 分の一貫したトラックを生成でき、オーディオからオーディオへの変換をサポートします。商用利用をサポートするために、ライセンスされた音楽を使用してトレーニングされました。
技術的な洞察
このシステムには 3 つの部分があります。44.1 kHz ステレオ オーディオをコンパクトな潜在シーケンスにエンコードする VAE、プロンプトを埋め込むテキスト エンコーダー (CLAP スタイルまたは T5 ベースのモデル)、および潜在空間のノイズ プロセスを逆転することを学習する拡散トランスフォーマー (または U-Net) です。タイミング埋め込み条件は、希望の開始および継続時間で生成されます。推論時に、モデルはテキストによって誘導されたランダムな潜在ノイズをノイズ除去し、VAE デコーダーが波形を再構築します。
戦略的影響
アクセスと到達範囲
文字起こし、ナレーション、音声インターフェイスを通じてアクセシビリティを向上させます。
費用と予算
メディア チームは、より少ない予算で洗練されたオーディオをより迅速に出荷できます。
速度とスケール
顧客対応システムは、音声対話を大規模に処理できます。
安定したオーディオの将来 潜在的な普及
オーディオの潜在的な普及は、より長く、より構造化された構成、より細かいステムレベルと楽器の制御、そして蒸留によるより高速なサンプリングへと向かっています。音楽制作ソフトウェア、リアルタイム生成、トレーニング データのライセンスとアーティストの同意に関する倫理的なツールへのより緊密な統合が期待されます。タイミングとコンディショニングが改善されると、クリエイターはアレンジ、テンポ、トランジションをより正確に指示できるようになり、ユーザーはオーディオからオーディオへの編集により、リズムやスタイルを維持しながら既存の録音を変換できるようになります。
現実世界の実装
動画や広告にぴったりの長さのロイヤリティフリーの BGM を生成
テキストの説明からループ可能なゲームやアプリのサウンドトラックを作成する
ポッドキャストやトレーラー用のカスタム サウンド エフェクトやスティンガーを作成する
オーディオからオーディオへのプロンプトによる既存のオーディオ クリップの新しいスタイルへの変換
リスクとガードレール
同意がない場合、音声の悪用やなりすましのリスクが高まります。
アクセント、方言、または騒がしい環境では精度が低下する可能性があります。
合成音声は、明確なラベルが付けられていないと、本物の音声と間違われる可能性があります。
実装ロードマップ
音声のキャプチャ、複製、再利用については明示的な同意を取得してください。
さまざまな話者や背景条件で品質をテストします。
人間がいつ出力をレビューまたは承認する必要があるかを定義します。
合成音声にラベルを付け、出所記録を保管して説明責任を果たします。
探検を続けましょう
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Stable Audio Latent Diffusion quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
次のガイド
オーディオの普及モデル
よくある質問
What is Stable Audio Latent Diffusion?
Stable Audio は、潜在拡散を使用して音楽とサウンド効果を生成し、クリップの長さを明示的に制御する、Stability AI のテキスト音声変換システムです。これが重要なのは、拡散ベースでタイミングを意識した商用ライセンスのオーディオ生成をクリエイターにもたらしたからです。
Stable Audio はオーディオを生成するためにどのようなコア技術を使用しますか?
Stable Audio は潜在拡散を適用し、生のピクセルやサンプルではなくオーディオの圧縮された潜在表現のノイズを除去します。
Stable Audio は、以前のモデルの多くに欠けていた、どのような特徴的なコントロールを提供しますか?
タイミング コンディショニングにより、ユーザーは特定の長さのオーディオをリクエストできるため、適切なイントロとアウトロを含むフルトラックが可能になります。
生のオーディオを潜在表現に圧縮するコンポーネントは何ですか?
VAE は、44.1 kHz ステレオ オーディオをコンパクトな潜在シーケンスにエンコードし、後でデコードして波形に戻します。
Stable Audio 2.0 は 2024 年にどのような新機能を追加しましたか?
Stable Audio 2.0 では、トラックの長さが約 3 分に延長され、オーディオ間の変換が導入されました。
推測すると、Stable Audio は生成プロセスをどのように開始するのでしょうか?
拡散は潜在空間内のランダム ノイズから始まり、テキスト コンディショニングに従って繰り返しノイズを除去します。