اگر موزیک‌دان هستید یا محتوای صوتی می‌سازید، از امروز می‌توانید قطعات کامل ۶ دقیقه‌ای را روی سخت‌افزار خودتان تولید کنید. این تحول، نتیجه‌ی معرفی مدل Stable Audio 3.0 توسط شرکت Stability AI است.
بیشتر ابزارهای صوتی فعلاً مثل دستگاه‌های ضبط کوتاه‌مدت هستند و شما را به چند ثانیه صدا محدود می‌کنند. این مدل‌ها در حالی وارد بازار می‌شوند که صنعت با میدان مین حقوقی داده‌های غیرقانونی دست‌وپنجه نرم می‌کند. به همین دلیل، این ابزارها جایگزینی حرفه‌ای برای کارهای تجاری هستند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی چالش‌های کپی‌رایت در مدل‌های تصویری اشاره کردیم، شفافیت در داده‌های آموزشی، کلید بقای مدل‌های تجاری است. در این میان، هوش مصنوعی زاینده (Generative AI) — مثل نقاشی که هزاران اثر را دیده و حالا می‌تواند بر اساس توصیفات شما، یک اثر کاملاً جدید خلق کند — حالا وارد دنیای موسیقی بلندمدت شده است.
طبق اعلام این شرکت در ۲۰ مه ۲۰۲۶، معماری جدید از یک خودرمزگذار صوتی-معنایی برای مدیریت طول‌های متغیر استفاده می‌کند. جزئیات این خانواده از مدل‌ها به شرح زیر است:
- 3.0 Small، 3.0 Medium و 3.0 Small SFX: مدل‌هایی با وزن‌های باز (Open Weights) — یعنی «دستور پخت» مدل علناً منتشر شده، نه فقط غذای آماده — که در Hugging Face در دسترس هستند.
- 3.0 Large: تنها از طریق API شرکت Stability AI قابل دسترسی است.
- 3.0 Small: تنها مدلی که امکان آهنگ‌سازی کامل روی سخت‌افزار کاربر (On-device) را دارد.
- مدت زمان تولید: مدل Small تا ۲ دقیقه و مدل‌های Medium و Large بیش از ۶ دقیقه موسیقی تولید می‌کنند.
این سیستم همچنین از آموزش LoRa (Low-Rank Adaptation) پشتیبانی می‌کند. این قابلیت مثل اضافه کردن یک «پلاگین» تخصصی به مغز مدل است تا سبک‌های خاصی را یاد بگیرد. همچنین قابلیت Inpainting برای ویرایش بخش‌های خاص آهنگ یا طولانی کردن قطعات فراهم شده است.
این تغییر، تولید موسیقی سطح بالا را برای همه ممکن می‌کند. با ارائه وزن‌های باز، سازندگان می‌توانند «برند صوتی» خود را بسازند و دیگر به اشتراک‌های ابری وابسته نباشند. برای حرفه‌ای‌ها هم مجوزهای تجاری، ریسک شکایت‌های کپی‌رایت را کاملاً حذف می‌کند.
گام بعدی شما
- همین امروز وزن‌های باز مدل را از Hugging Face دانلود کنید.
- برای دسترسی به ابزارهای تخصصی موزیک‌دانان در لیست انتظار ثبت‌نام کنید.
- بررسی کنید که ComfyUI چگونه این مدل‌ها را برای ساخت گردش‌های کاری پیچیده صوتی ترکیب می‌کند.
اما تأثیر این مدل بر صنعت استریم موسیقی حتی پیچیده‌تر است — به بررسی ما درباره‌ی اقتصاد آینده‌ی Spotify مراجعه کنید.
گفتگو