Stability AI联合芯片巨头Arm正式开源Stable Audio Open Small，一款专为移动设备优化的341M参数文本到音频生成模型。这款轻量化模型能在Arm CPU上本地运行，生成高质量立体声音频，标志着AI音频生成技术向边缘计算和移动设备的重大迈进。
技术亮点:轻量高效，移动端本地生成
Stable Audio Open Small基于Stability AI此前发布的Stable Audio Open模型，通过深度优化，参数量从1.1B压缩至341M，显著降低了计算需求。得益于Arm的KleidiAI库支持，模型能在智能手机上以不到8秒的速度生成最长11秒的44.1kHz立体声音频，无需云端处理，适合离线场景。
该模型采用潜在扩散模型（Latent Diffusion Model），结合T5文本嵌入和基于变压器的扩散架构（DiT），通过简单的英文文本提示(如“128BPM电子鼓循环”或“海浪拍岸的声音”)即可生成音效、鼓点、乐器片段或环境音。AIbase测试表明，模型在生成短音频片段时细节丰富，尤其适合音效设计和音乐制作。
开源与许可:赋能开发者与创作者
Stable Audio Open Small遵循Stability AI社区许可，对研究人员、个人用户及年收入低于100万美元的企业免费开放，模型权重和代码已在Hugging Face和GitHub上发布。 大型企业需购买企业许可，确保技术在商业化中的可持续性。这种分级许可策略降低了技术门槛，鼓励全球开发者探索音频生成应用。
此外，模型训练数据全部来自Freesound和Free Music Archive的免版税音频，确保了版权合规性，规避了如Suno和Udio等竞争对手因使用受版权保护内容而引发的风险。
性能与创新:ARC后训练提升效率
Stable Audio Open Small引入了对抗性相对对比（ARC）后训练方法，无需传统蒸馏或无分类器指导，结合相对对抗损失和对比鉴别器损失，显著提升了生成速度和提示遵循性。研究显示，模型在H100GPU上生成12秒音频仅需75毫秒，在移动设备上约7秒，且在CLAP条件多样性得分上达到0.41，位居同类模型之首。
主观测试中，模型在多样性（4.4）、质量(4.2)和提示遵循性(4.2)上均获得高分，展现了其在生成音效和节奏片段方面的优异表现。 其Ping-Pong采样技术进一步优化了少步推理，兼顾速度与质量。
行业意义:推动移动AI与创意民主化
Stable Audio Open Small的发布标志着AI音频生成技术向移动端和边缘计算的转型。与依赖云处理的竞争对手不同，该模型的离线运行能力为移动场景（如实时音效生成）提供了便利，覆盖全球99%的智能手机用户。 AIbase分析认为，这种技术普及将重塑音频创作生态，让普通用户也能参与专业级音效设计。
然而，模型也存在局限性:仅支持英文提示，对非西方音乐风格的表现较弱，且无法生成逼真的人声或完整歌曲。 Stability AI表示，未来将优化多语言支持和音乐风格多样性，以提升全球适用性。
项目：https://huggingface.co/stabilityai/stable-audio-open-small
