Was ist Stable Audio 3.0 Medium?
Stable Audio 3.0 ist eine Familie von vier Text-zu-Audio-Modellen von Stability AI, vorgestellt am 20. Mai 2026. Drei haben offene Gewichte: Medium für Musik bis 6:20 mit stärkerer Struktur; Small (veröffentlicht als Small-Music) für Musik bis zwei Minuten auf dem Gerät; und Small SFX für Soundeffekte und Atmosphären auf Handys und Laptops. Large gibt es nur über die API von Stability oder als Enterprise-Installation.
Laut Stability wurden alle vier mit lizenzierten Daten trainiert; die Modellkarte nennt 806.284 Aufnahmen aus der Bibliothek AudioSparx und 472.618 Creative-Commons-Aufnahmen von Freesound. Medium hat laut den Dateilisten auf Hugging Face etwa 2,3 Milliarden Parameter einschließlich des Text-Encoders T5Gemma, jedes kleine Modell etwa 568 Millionen. Die Länge wird sekundengenau festgelegt, und Inpainting bearbeitet einen oder mehrere Abschnitte oder setzt eine Aufnahme fort.
Die Gewichte stehen unter der Stability AI Community License: kostenlos, kommerzielle Nutzung inklusive, für Organisationen mit weniger als 1 Million Dollar Jahresumsatz.
Lohnt sich Stable Audio 3.0 Medium?
Stable Audio 3.0 ist die offene Modellfamilie für Instrumentalmusik und Soundeffekte, wenn die Herkunft zählt. Laut Modellkarte hat Stability sie mit 1.278.902 lizenzierten Aufnahmen von AudioSparx und Freesound trainiert und urheberrechtlich geschützte Musik mit einem Audio-Tagger und einem externen Erkennungsdienst aussortiert. Kein anderes offenes Musikmodell, das wir besprechen, dokumentiert seine Daten so genau.
Medium, das größte offene Modell, schreibt strukturierte Instrumentaltracks bis 6:20, mit sekundengenauer L änge. Die Modellkarte nennt eine Generierung in unter 2 Sekunden auf einer H200 und in wenigen Sekunden auf einem MacBook Pro M4. Die beiden kleinen Modelle mit je etwa 568 Millionen Parametern sind für Handys und Laptops gebaut: Small-Music macht bis zu zwei Minuten Musik, gegenüber 11 Sekunden bei Stable Audio Open Small, und Small SFX macht Soundeffekte und Atmosphären. Inpainting erzeugt gewählte Abschnitte neu oder verlängert einen Track, und LoRA-Training ist für Small und Medium dokumentiert.
Der Haken: Das ist kein Song-Modell. Die Eingabe ist ein Text-Prompt ohne Feld für einen Liedtext, und Stability verspricht keinen Gesang; wer einen Sänger braucht, sollte sich ACE-Step 1.5 oder MiniMax Music 3 ansehen. Die Gewichte auf Hugging Face sind hinter einer Lizenzzustimmung gesperrt, die Community License ist ab 1 Million Dollar Jahresumsatz nicht mehr kostenlos, und der mitgelieferte Encoder T5Gemma bringt die Gemma Terms of Use mit. Das stärkste Modell, Large, lässt sich gar nicht herunterladen.
Unser Fazit: Für Spiele- und App-Studios, die Soundeffekte oder Hintergrundmusik direkt auf dem Gerät erzeugen wollen und der Rechtsabteilung eine klare Antwort zu den Trainingsdaten geben müssen, ist Stable Audio 3.0 die naheliegende offene Wahl; für Songs mit Text ist es das falsche Werkzeug.
Wo es sich lohnt
Ein Mobile-Games-Studio mit weniger als 1 Million Dollar Umsatz
Soundeffekte auf dem Gerät der Spieler erzeugen, statt große Audiodateien auszuliefern
Binde Small SFX in die App ein und erzeuge Effekte bei Bedarf; die Community License deckt kommerzielle Nutzung unter 1 Million Dollar pro Jahr ab, darüber ist eine Enterprise-Lizenz nötig.
Das Produktionsteam eines Podcast-Netzwerks
Intros, Musikbetten und Übergänge mit klarer Rechtekette produzieren
Erzeuge Instrumentals mit Medium in sekundengenauer Länge und überarbeite mit Inpainting einzelne Abschnitte; die dokumentierten Trainingsdaten von AudioSparx und Freesound beantworten Kundenfragen zur Herkunft.
Ein Entwickler, der ohne GPU einen Prototyp baut
Musikgenerierung in einer App testen, bevor er sich auf Selbst-Hosting festlegt
Rufe Stable Audio 3.0 über die API von Stability für 8 Credits (0,08 $) pro Generierung auf; die 25 kostenlosen Credits eines neuen Kontos reichen für drei Generierungen.
Bevor du dich festlegst
- Einrichtung
- Lizenz auf Hugging Face akzeptieren, die Bibliothek stable-audio-3 installieren und StableAudioModel.from_pretrained("medium") mit Prompt und Dauer aufrufen; ComfyUI unterstützte es am Starttag.
- Integrationen
- Python-Bibliotheken stable-audio-3 und stable-audio-tools, ComfyUI, die Stability AI API und gehostete Inferenz über fal.
- Daten und Datenschutz
- Selbst gehostete Gewichte halten das Audio lokal. Trainingsdaten: 806.284 Aufnahmen von AudioSparx und 472.618 von Freesound unter CC-0, CC-BY oder CC Sampling+. Unter der Community License gehören dir die Ergebnisse.
- Kosten im großen Maßstab
- Selbst gehostet kostenlos für Organisationen unter 1 Million Dollar Umsatz; darüber eine individuelle Enterprise-Lizenz, die rechtliche Freistellung einschließt. Über die API kosten 10.000 Generierungen zu 0,08 $ insgesamt 800 $.
- Grenzen
- Medium bis 6:20, kleine Modelle bis zwei Minuten; Prompts auf Englisch; keine Steuerung von Text oder Gesang; für den Text-Encoder gelten die Einschränkungen der Gemma Terms of Use.
Was gut ist
- Trainiert mit 1.278.902 lizenzierten Aufnahmen, mit Urheberrechtsprüfung
- Medium schafft bis 6:20, Länge sekundengenau
- Kleine Modelle (etwa 568M Parameter) laufen auf Handys und Laptops
- Small SFX deckt Soundeffekte und Atmosphären ab
- Inpainting, Fortsetzung und LoRA-Training
Was nicht
- Keine Texteingabe; kein Song-Modell mit Gesang
- Kostenlose Lizenz endet bei 1 Million Dollar Jahresumsatz
- Download mit Zugangsbeschränkung; Gemma-Bedingungen gelten zusätzlich
- Large, das beste Modell, nur per API oder Enterprise
- Kleine Modelle maximal zwei Minuten
Am besten für
Spiele-, App- und Videoteams, die Instrumentalmusik oder Soundeffekte aus einem Modell mit dokumentierten, lizenzierten Trainingsdaten brauchen, auch auf dem Gerät.
Alternativen zu Stable Audio 3.0 Medium
Stable Audio 3.0 Medium: häufige Fragen
- Lohnt sich Stable Audio 3.0 Medium?
- Stable Audio 3.0 Medium ist die offene Wahl für Instrumentals und Soundeffekte aus lizenziertem Audio, mit kleinen Geschwistern, die auf einem Handy laufen, aber Songs mit Text macht es nicht. Wir bewerten es mit 3.9 von 5.
- Was kostet Stable Audio 3.0 Medium?
- Gewichte kostenlos unter der Stability AI Community License für Organisationen unter 1 Million Dollar Jahresumsatz; darüber eine Enterprise-Lizenz zu individuellen Preisen. API: Stable Audio 3.0 kostet 8 Credits (0,08 $) pro Generierung; neue Konten erhalten 25 kostenlose Credits.
- Welche Nachteile hat Stable Audio 3.0 Medium?
- Keine Texteingabe; kein Song-Modell mit Gesang; Kostenlose Lizenz endet bei 1 Million Dollar Jahresumsatz; Download mit Zugangsbeschränkung; Gemma-Bedingungen gelten zusätzlich; Large, das beste Modell, nur per API oder Enterprise; Kleine Modelle maximal zwei Minuten.
- Für wen eignet sich Stable Audio 3.0 Medium?
- Spiele-, App- und Videoteams, die Instrumentalmusik oder Soundeffekte aus einem Modell mit dokumentierten, lizenzierten Trainingsdaten brauchen, auch auf dem Gerät.
- Was kostet Stable Audio 3.0 Medium für ein Team oder im Produktivbetrieb?
- Selbst gehostet kostenlos für Organisationen unter 1 Million Dollar Umsatz; darüber eine individuelle Enterprise-Lizenz, die rechtliche Freistellung einschließt. Über die API kosten 10.000 Generierungen zu 0,08 $ insgesamt 800 $.
- Ist Stable Audio 3.0 Medium sicher für Firmendaten?
- Selbst gehostete Gewichte halten das Audio lokal. Trainingsdaten: 806.284 Aufnahmen von AudioSparx und 472.618 von Freesound unter CC-0, CC-BY oder CC Sampling+. Unter der Community License gehören dir die Ergebnisse.
- Was sind die besten Alternativen zu Stable Audio 3.0 Medium?
- Die nächsten Alternativen, die wir getestet haben, sind ACE-Step 1.5, Eleven Music v2.5 und Lyria 3.5.
Antworten geprüft am 7. Nov. 2026.