音频生成领域又有好消息：刚刚，Stability AI 宣布推出开放模型 Stable Audio Open，该模型能够生成高质量的音频数据。

项目地址：https://huggingface.co/stabilityai/stable-audio-open-1.0

与Stability AI的商业Stable Audio产品（可生成长达三分钟的更长、连贯的音乐曲目）不同，Stable Audio Open可通过简单的文本提供生成长达47秒的高质量音频数据。

这个模型是为音乐制作和声音设计而创建的。它包括鼓点、乐器riffs、环境音、拟声录音和其他用于音乐制作和声音设计的音频样本。虽然它可以生成简短的音乐片段，但它还没有针对完整的歌曲、旋律或人声进行优化。

Stable Audio Open 的主要优势在于，用户可以根据自己的自定义音频数据对模型进行微调。

比如，下方是鼓手根据自己的鼓声录音样本进行微调生成的新节拍：生成森林中鸟儿唱歌的音频： 再生成一段「动次打次」的摇滚乐： 训练细节与数据集

Stable Audio Open是基于Transformer架构的潜在扩散模型。由三个组件组成：将波形压缩为可管理序列长度的自编码器、用于文本调节的基于T5的文本嵌入，以及在自编码器和文本嵌入中运行的基于Transformer的扩散（DiT）模型。这个模型的设计旨在在空间效率和语音生成质量之间取得平衡。

在内部的音乐生成器中，随着包括Stability在内的一些生成器越来越受欢迎，版权以及一些生成器创建者可能滥用版权的问题成为人们关注的焦点。然而，一些生成器创建者可以满用版权的方式成为人们关注的焦点。

在本次模型训练中，稳定性和人工智能会对训练数据的质量进行监测，以保证模型的稳定性。在文生图模型训练上的“版权问题”曾经让这家公司深陷争议之中。因此，Stable Audio Open使用来自FreeSound和Free Music Archive的音频数据进行训练，以确保没有使用任何受版权保护或专有的材料。这样可以确保任何使用Stable Audio Open的个人或机构都不会侵犯任何版权或专有权。

数据集共包含 486492 个音频记录，其中 472618 个来自 Freesound，13874 个来自 Free Music Archive 。所有音频文件均为 CC0、CC BY 或 CC Sampling 许可。这些数据用于训练自编码器和 DiT，此外研究者使用了公开的预训练 T5 模型（t5-base）进行文本调节。

在开始训练之前，研究者进行了深入分析，以确保训练数据中没有未经授权的版权音乐。

他们首先使用基于 AudioSet 类别的 PANNs 音乐分类器识别了 FreeSound 中的音乐样本。被识别的音乐样本中至少有 30 秒的音乐被预测为属于音乐相关类别，阈值为 0.15（PANNs 输出概率范围为 0 至 1）。

识别出的音乐样本被发送到 Audible Magic（一家值得信赖的内容检测公司）的识别服务，以确保不存在受版权保护的音乐。Audible Magic 标记了疑似受版权保护的音乐，这些会被删除，然后再对数据集进行训练。大部分被删除的内容都是现场录音，其中的背景音乐都是受版权保护的。经过上述处理后，研究者得到了 266324 个 CC0、194840 个 CC-BY 和 11454 个 CC 采样 音频记录。

最后要确保的是， FMA 子集中不存在受版权保护的内容。在这种情况下，程序略有不同，因为 FMA 子集中包含音乐信号。研究者根据大型版权音乐数据库进行元数据搜索，并标记任何可能匹配的内容，被标记的内容会由人工逐一审核。这一过程之后，最终获得了 8967 首 CC-BY 和 4907 首 CC0 音乐。

局限性

Stable Audio Open 1.0 作为一个音频生成模型，也有一些局限性，包括：

• 无法生成逼真的声音；

• 使用英语描述进行训练，在其他语言中的表现不会那么好；

• 不能适用于所有音乐风格和文化，训练数据缺乏多样性，模型可能无法在现有的各种音乐流派和声音效果上表现得同样好；

• 有时很难评估哪种类型的文本描述可以提供最佳的生成效果，可能需要进行工程设计才能获得令人满意的结果。

值得注意的是，Stable Audio Open 是一个开放模型，但是从技术上讲它不是开源的。Stable Audio Open 并未使用实际的开放源代码促进会 (OSI) 批准的许可证，而是根据 Stability AI 非商业研究社区协议许可证向用户提供。 

与此同时，Stable Audio Open 也不能用于商业用途；服务条款禁止这样做。而且，它在不同音乐风格和文化中的表现并不一样好，或者在使用英语以外的语言描述时也表现不佳。

Stability AI 将此归咎于训练数据。模型描述中写道：「数据源可能缺乏多样性，数据集中并非所有文化都具有同等代表性。模型生成的样本将反映训练数据的偏差。」