Stable Audio 3 Medium 是 Stability AI 推出的快速文本生成音乐模型，基于潜扩散（latent diffusion）架构，能在消费级硬件上把一段文字提示变成几分钟长的立体声音乐。本教程带你从环境搭建到首次文本生成音乐，全程不超过 5 分钟。⚡

为什么选择 Stable Audio 3 Medium？

Stable Audio 3 是一个小/中/大三档的模型家族，Medium 档在"速度、质量、显存"之间取得了很好的平衡：

📌重要提示：当前仓库stable-audio-3-medium-base是基座（预训练）模型，官方定位是用于微调。如果你只是想直接生成音乐，可改用非 base 版的stable-audio-3-medium，两者使用方式完全相同。详见 README.md。

环境搭建：3 步装好运行环境

1. 准备 Python 环境

建议 Python 3.10+，并创建独立虚拟环境：

python3 -m venv sa3-env source sa3-env/bin/activate # Windows 可用 sa3-env\Scripts\activate

2. 安装 PyTorch

有 NVIDIA GPU 的话优先安装 CUDA 版本，Mac 用户可直接用默认版本（MPS 加速）：

pip install torch torchaudio

3. 安装 stable-audio-3 推理库

Stable Audio 3 官方提供了两个配套库：

• stable-audio-3：推理 + 微调库，新手推荐，API 最简单
• stable-audio-tools：研究向库，功能更底层、可定制性更强

本教程使用前者：

pip install stable-audio-3

首次文本生成音乐：一段代码跑通

模型权重会随库自动下载（含 model.safetensors 权重、svd_bases.pt 与 t5gemma-b-b-ul2/ 文本编码器），无需手动搬运文件。新建demo.py，写入以下内容并运行python demo.py：

from stable_audio_3 import StableAudioModel model = StableAudioModel.from_pretrained("medium-base") audio = model.generate( prompt=( "House music that encapsulates the feeling of being at a festival " "in the sunny weather with all your friends 124 BPM" ), duration=180, steps=50, cfg_scale=7.0 )

这段官方示例代码来自 README.md，运行后你将得到一段约 3 分钟的 House 音乐。💪

生成参数速查：duration、steps、cfg_scale 怎么调？

💡 提示词技巧：Stable Audio 3 的提示词以英文效果最佳，"风格 + 情绪 + 场景 + BPM"的句式最容易出好结果，例如官方另一示例 "A dream-like Synthpop instrumental that would accompany a dream-sequence in a surrealist movie 120 BPM"（见 README.md）。

仓库文件清单：每个文件是做什么的？

从 model_config.json 可以看到，模型同时接受prompt（文本）和seconds_total（时长）两路条件，这正是"指定生成时长"功能的来源。

许可与注意事项，使用前必读

• 📄主模型采用 Stability AI Community License：科研与非商业用途免费；商业用途在年营收低于 100 万美元（或等值货币）内免费，超出需另行申请企业许可。商用前请阅读 LICENSE.md 全文。
• 🧩T5Gemma 部分遵循 Gemma Terms of Use，使用前需了解 Google 的 Gemma 条款，声明见 NOTICE。
• 🎓定位提醒：medium-base面向微调场景；直接出歌请用stable-audio-3-medium。
• 🗂 模型训练数据来自 127 万余条有声授权录音（AudioSparx 与 Freesound），音乐版权内容已被识别并剔除，详见 README.md。

常见问题 FAQ

Q1：没有独立显卡能跑吗？能。官方在 MacBook Pro M4 上数秒即可出结果；纯 CPU 可以运行但速度较慢，建议先用duration=30左右的短音频试水。

Q2：为什么叫 medium-"base"？"base" 表示这是微调前的基座权重。它保留了完整的训练/推理管线，方便你把自己的音乐风格"喂"给模型做领域定制。

Q3：生成的音乐能商用吗？需同时满足 Stability AI Community License 与 Gemma 条款（针对 T5Gemma 编码器）；年营收超过 100 万美元的主体需申请企业许可。

Q4：如何换用 stable-audio-tools 库？同样支持，可参考 README.md 中的get_pretrained_model+generate_diffusion_cond_inpaint完整示例，适合需要更细粒度控制（如采样器类型sampler_type）的用户。

下一步：从"跑通"到"用好"

1. 换一批提示词，观察cfg_scale在 2 / 4 / 7 之间的差异（官方演示配置见 model_config.json）
2. 尝试duration从 30 秒逐步拉到 384 秒的极限
3. 进阶方向：基于medium-base做领域微调，把模型调教成你的专属"编曲师" 🎹

5 分钟，你已经完成了 Stable Audio 3 Medium 从环境搭建到文本生成音乐的全流程。现在，轮到你的提示词上场了。