**Stable Audio 3：可变长度音频生成与编辑的快速潜扩散模型**

_Stable Audio 3_

> Stable Audio 3 是一系列用于可变长度音频生成和编辑的快速潜扩散模型（小型、中型、大型）。该模型可生成数分钟音频，支持修复功能以进行目标音频编辑和短录音延续。其核心创新在于新型语义-声学自编码器，将音频投射到紧凑潜空间，实现高效扩散生成，同时保持音频保真度并促进潜空间中的语义结构。此外，通过对抗性后训练加速推理并提升质量，减少推理步骤的同时提高保真度和提示遵循度。模型在许可数据上训练，能在H200 GPU上2秒内、MacBook Pro M4上几秒内生成音乐和音效，并已发布小型和中型版本权重及训练推理流程，可在消费级硬件运行。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-05-21 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.17991)