¿Qué es Stable Audio 3.0 Medium?
Stable Audio 3.0 es una familia de cuatro modelos de texto a audio de Stability AI, anunciada el 20 de mayo de 2026. Tres tienen pesos abiertos: Medium, para música de hasta 6:20 con estructura más sólida; Small (publicado como Small-Music), para música de hasta dos minutos en el dispositivo; y Small SFX, para efectos de sonido y ambientes en móviles y portátiles. Large solo está disponible a través de la API de Stability o en un despliegue empresarial.
Stability dice que los cuatro se entrenaron con datos con licencia; la ficha del modelo enumera 806.284 grabaciones de la biblioteca AudioSparx y 472.618 grabaciones Creative Commons de Freesound. Medium tiene unos 2.300 millones de parámetros incluido su codificador de texto T5Gemma, y cada modelo pequeño unos 568 millones, según los listados de archivos de Hugging Face. La duración se fija al segundo, y el inpainting edita uno o varios segmentos o continúa una grabación.
Los pesos están bajo la Stability AI Community License: gratuita, uso comercial incluido, para organizaciones con menos de 1 millón de dólares de ingresos anuales.
¿Merece la pena Stable Audio 3.0 Medium?
Stable Audio 3.0 es la familia de modelos abiertos para música instrumental y efectos de sonido cuando importa la procedencia. Stability la entrenó con 1.278.902 grabaciones con licencia de AudioSparx y Freesound y filtró la música con derechos de autor con un etiquetador de audio y una empresa externa de detección, según la ficha del modelo. Ningún otro modelo abierto de música que cubrimos documenta sus datos con tanta precisión.
Medium, el modelo abierto más grande, escribe pistas instrumentales estructuradas de hasta 6:20, con la duración fijada al segundo. La ficha indica generación en menos de 2 segundos en una H200 y en unos pocos segundos en un MacBook Pro M4. Los dos modelos pequeños, de unos 568 millones de parámetros cada uno, están pensados para móviles y portátiles: Small-Music hace hasta dos minutos de música, frente a los 11 segundos de Stable Audio Open Small, y Small SFX hace efectos de sonido y ambientes. El inpainting regenera segmentos elegidos o alarga una pista, y el entrenamiento LoRA está documentado para Small y Medium.
La pega: no es un modelo de canciones. La entrada es un prompt de texto sin campo de letra, y Stability no anuncia voces cantadas, así que quien necesite un cantante debería mirar ACE-Step 1.5 o MiniMax Music 3. Los pesos de Hugging Face requieren aceptar una licencia, la Community License deja de ser gratuita al llegar a 1 millón de dólares de ingresos anuales, y el codificador T5Gemma incluido trae consigo los Gemma Terms of Use. El modelo más potente, Large, no se puede descargar.
Nuestra opinión: para estudios de juegos y apps que necesitan efectos de sonido o música de fondo generados en el dispositivo, con una respuesta clara cuando el equipo legal pregunta por los datos de entrenamiento, Stable Audio 3.0 es la elección abierta natural; para canciones con letra es la herramienta equivocada.
Dónde se gana su sitio
Un estudio de juegos para móvil con menos de 1 millón de dólares de ingresos
Generar efectos de sonido en el dispositivo del jugador en lugar de incluir archivos de audio pesados
Integra Small SFX en la app y genera efectos bajo demanda; la Community License cubre el uso comercial por debajo de 1 millón de dólares al año, y por encima hace falta una licencia Enterprise.
El equipo de producción de una red de podcasts
Producir entradillas, fondos musicales y transiciones con un rastro de derechos claro
Genera instrumentales con Medium con duraciones fijadas al segundo y usa el inpainting para rehacer un solo segmento; los datos de AudioSparx y Freesound documentados responden a las preguntas de los clientes sobre procedencia.
Un desarrollador que prototipa sin GPU
Probar la generación de música en una app antes de comprometerse a alojarla
Llama a Stable Audio 3.0 por la API de Stability a 8 créditos (0,08 $) por generación; los 25 créditos gratis de una cuenta nueva dan para tres generaciones.
Antes de decidirte
- Puesta en marcha
- Acepta la licencia en Hugging Face, instala la biblioteca stable-audio-3 y llama a StableAudioModel.from_pretrained("medium") con un prompt y una duración; ComfyUI lo soportó desde el día del lanzamiento.
- Integraciones
- Bibliotecas de Python stable-audio-3 y stable-audio-tools, ComfyUI, la API de Stability AI e inferencia alojada a través de fal.
- Datos y privacidad
- Con los pesos en tu equipo, el audio se queda en local. Datos de entrenamiento: 806.284 grabaciones de AudioSparx y 472.618 de Freesound bajo CC-0, CC-BY o CC Sampling+. Con la Community License los resultados son tuyos.
- Coste a escala
- Gratis en tu propio equipo para organizaciones con menos de 1 millón de dólares de ingresos; por encima, licencia Enterprise a medida, que añade indemnización legal. En la API, 10.000 generaciones a 0,08 $ cuestan 800 $.
- Límites
- Medium hasta 6:20, modelos pequeños hasta dos minutos; prompts en inglés; sin control de letra ni de voz; las restricciones de los Gemma Terms of Use se aplican al codificador de texto.
Lo bueno
- Entrenado con 1.278.902 grabaciones con licencia y filtrado de derechos de autor
- Medium llega a 6:20, con duración fijada al segundo
- Los modelos pequeños (unos 568M parámetros) funcionan en móviles y portátiles
- Small SFX cubre efectos de sonido y ambientes
- Inpainting, continuación y entrenamiento LoRA
Lo malo
- Sin entrada de letra; no es un modelo de canciones con voz
- La licencia gratuita acaba en 1 millón de dólares de ingresos anuales
- Descarga con acceso restringido; también aplican los términos de Gemma
- Large, el mejor modelo, solo por API o empresa
- Los modelos pequeños llegan a dos minutos como máximo
Ideal para
Equipos de juegos, apps y vídeo que necesitan música instrumental o efectos de sonido de un modelo con datos de entrenamiento con licencia y documentados, también en el dispositivo.
Alternativas a Stable Audio 3.0 Medium
Stable Audio 3.0 Medium: preguntas frecuentes
- ¿Merece la pena Stable Audio 3.0 Medium?
- Stable Audio 3.0 Medium es la opción abierta para instrumentales y efectos de sonido entrenada con audio con licencia, con hermanos pequeños que funcionan en un móvil, pero no hace canciones con letra. Le damos un 3.9 sobre 5.
- ¿Cuánto cuesta Stable Audio 3.0 Medium?
- Pesos gratuitos bajo la Stability AI Community License para organizaciones con menos de 1 millón de dólares de ingresos anuales; por encima, licencia Enterprise con precio a medida. API: Stable Audio 3.0 cuesta 8 créditos (0,08 $) por generación; las cuentas nuevas reciben 25 créditos gratis.
- ¿Qué inconvenientes tiene Stable Audio 3.0 Medium?
- Sin entrada de letra; no es un modelo de canciones con voz; la licencia gratuita acaba en 1 millón de dólares de ingresos anuales; descarga con acceso restringido; también aplican los términos de Gemma; large, el mejor modelo, solo por API o empresa; los modelos pequeños llegan a dos minutos como máximo.
- ¿Para quién es Stable Audio 3.0 Medium?
- Equipos de juegos, apps y vídeo que necesitan música instrumental o efectos de sonido de un modelo con datos de entrenamiento con licencia y documentados, también en el dispositivo.
- ¿Cuánto cuesta Stable Audio 3.0 Medium para un equipo o en producción?
- Gratis en tu propio equipo para organizaciones con menos de 1 millón de dólares de ingresos; por encima, licencia Enterprise a medida, que añade indemnización legal. En la API, 10.000 generaciones a 0,08 $ cuestan 800 $.
- ¿Es Stable Audio 3.0 Medium seguro para los datos de la empresa?
- Con los pesos en tu equipo, el audio se queda en local. Datos de entrenamiento: 806.284 grabaciones de AudioSparx y 472.618 de Freesound bajo CC-0, CC-BY o CC Sampling+. Con la Community License los resultados son tuyos.
- ¿Cuáles son las mejores alternativas a Stable Audio 3.0 Medium?
- Las alternativas más cercanas que hemos analizado son ACE-Step 1.5, Eleven Music v2.5 y Lyria 3.5.
Respuestas comprobadas el 7 nov 2026.