Stable Audio 3.0 Mediumとは？
Stable Audio 3.0は、Stability AIが2026年5月20日に発表した4つのテキスト音声生成モデルのファミリーです。うち3つは重みが公開されています。より構成のしっかりした最長6:20の音楽向けのMedium、端末上で最長2分の音楽を作るSmall（Small-Musicとして公開）、スマートフォンやノートPCで効果音や環境音を作るSmall SFXです。LargeはStabilityのAPIか企業向けの導入でのみ利用できます。
Stabilityによれば4つともライセンス済みデータで学習しており、モデルカードにはAudioSparxライブラリの806,284件と、FreesoundのCreative Commons録音472,618件が挙げられています。Hugging Faceのファイル一覧によると、MediumはテキストエンコーダーのT5Gemmaを含めて約23億パラメーター、小型モデルはそれぞれ約5億6,800万（568M）パラメーターです。長さは秒単位で指定でき、インペインティングで1つまたは複数の区間を編集したり、録音の続きを生成したりできます。
重みはStability AI Community Licenseのもとにあり、年間売上100万ドル未満の組織なら商用利用を含め無料です。
Stable Audio 3.0 Mediumは使う価値があるか？
Stable Audio 3.0は、出 所が重要になる場面でインスト曲や効果音を作るためのオープンなモデル群です。モデルカードによれば、StabilityはAudioSparxとFreesoundのライセンス済み録音1,278,902件で学習し、音声タグ付けツールと外部の検出会社を使って著作権のある音楽を除外しました。当サイトで扱う他のオープン音楽モデルに、ここまで正確にデータを開示しているものはありません。
公開モデルで最大のMediumは、構成のあるインスト曲を最長6:20まで、秒単位の長さで生成します。モデルカードによれば、H200で2秒未満、MacBook Pro M4で数秒で生成できます。約5億6,800万（568M）パラメーターの小型モデル2つはスマートフォンやノートPC向けで、Small-Musicは最長2分の音楽を作れ（Stable Audio Open Smallは11秒）、Small SFXは効果音や環境音を作ります。インペインティングで選んだ区間を再生成したり曲を延長したりでき、LoRA学習の手順もSmallとMedium向けに公開されています。
注意点：これは歌ものの楽曲モデルではありません。入力は歌詞欄のないテキストプロンプトで、Stabilityは歌声に対応するとはうたっていません。歌い手が必要ならACE-Step 1.5かMiniMax Music 3を検討すべきです。Hugging Faceの重みはライセンスへの同意が必要で、Community Licenseは年間売上100万ドルに達すると無料ではなくなり、同梱のT5GemmaエンコーダーにはGemma Terms of Useも適用されます。最上位のLargeはダウンロードできません。
結論：効果音やBGMを端末上で生成したく、法務部門から学習データについて問われたときに明確に答えたいゲームやアプリのスタジオにとって、Stable Audio 3.0は自然なオープンの選択肢です。歌詞のある曲には向きません。
真価を発揮する場面
年間売上100万ドル未満のモバイルゲームスタジオ
重い音声ファイルを同梱する代わりに、プレイヤーの端末上で効果音を生成する
Small SFXをアプリに組み込み、必要なときに効果音を生成します。Community Licenseは年間100万ドル未満の商用利用をカバーし、それを超えるとEnterpriseライセンスが必要です。
ポッドキャストネットワークの制作チーム
権利関係の明確なイントロ、BGM、つなぎの音を作る
Mediumで秒単位の長さを指定してインストを生成し、インペインティングで1区間だけを作り直します。開示されたAudioSparxとFreesoundの学習データは、クライアントからの出所の質問への答えになります。
GPUなしで試作する開発者
自前運用を決める前に、アプリで音楽生成を試す
StabilityのAPIからStable Audio 3.0を1回8クレジット（0.08ドル）で呼び出します。新規アカウントの無料クレジット25で3回生成できます。
導入前に確認すること
- 導入
- Hugging Faceでライセンスに同意し、stable-audio-3ライブラリをインストールして、プロンプトと長さを指定してStableAudioModel.from_pretrained("medium")を呼び出します。ComfyUIは公開初日から対応しました。
- 連携
- Pythonライブラリのstable-audio-3とstable-audio-tools、ComfyUI、Stability AI API、fal経由のホスト推論。
- データとプライバシー
- 重みを自前で運用すれば音声はローカルにとどまります。学習データはAudioSparxの806,284件と、CC-0、CC-BY、CC Sampling+のFreesound 472,618件です。Community Licenseのもとで出力はユーザーのものになります。
- 大規模利用時のコスト
- 年間売上100万ドル未満の組織は自前運用なら無料。それを超えると個別見積もりのEnterpriseライセンスとなり、法的補償が付きます。APIでは0.08ドルの生成10,000回で800ドルです。
- 制限
- Mediumは最長6:20、小型モデルは最長2分。プロンプトは英語。歌詞やボーカルの制御なし。テキストエンコーダーにはGemma Terms of Useの制限が適用されます。
良い点
- ライセンス済みの録音1,278,902件で学習し、著作権チェックも実施
- Mediumは最長6:20、長さは秒単位で指定
- 小型モデル（約568Mパラメーター）はスマホやノートPCで動作
- Small SFXで効果音と環境音に対応
- インペインティング、続きの生成、LoRA学習
気になる点
- 歌詞入力なし。歌ものの楽曲モデルではない
- 無料ライセンスは年間売上100万ドルまで
- ダウンロードには同意が必要。Gemmaの規約も適用
- 最上位のLargeはAPIか企業向けのみ
- 小型モデルは最長2分
おすすめの人
学習データが開示されたライセンス済みのモデルで、端末上も含めてインスト曲や効果音を作りたいゲーム、アプリ、動画のチーム。
Stable Audio 3.0 Mediumの代替
Stable Audio 3.0 Medium：よくある質問
- Stable Audio 3.0 Mediumは使う価値があるか？
- Stable Audio 3.0 Mediumは、ライセンス済み音源で学習したインストと効果音のためのオープンな選択肢で、スマホで動く小型版もありますが、歌詞付きの曲は作れません。 評価は5点満点中3.9点です。
- Stable Audio 3.0 Mediumの料金は？
- 年間売上100万ドル未満の組織はStability AI Community Licenseのもとで重みを無料で利用可。それを超える場合は個別見積もりのEnterpriseライセンス。API：Stable Audio 3.0は1回の生成につき8クレジット（0.08ドル）。新規アカウントには無料クレジット25。
- Stable Audio 3.0 Mediumの欠点は？
- 歌詞入力なし。歌ものの楽曲モデルではない; 無料ライセンスは年間売上100万ドルまで; ダウンロードには同意が必要。Gemmaの規約も適用; 最上位のLargeはAPIか企業向けのみ; 小型モデルは最長2分.
- Stable Audio 3.0 Mediumは誰に向いているか？
- 学習データが開示されたライセンス済みのモデルで、端末上も含めてインスト曲や効果音を作りたいゲーム、アプリ、動画のチーム。
- チームや本番環境でStable Audio 3.0 Mediumを使うと費用はいくらか？
- 年間売上100万ドル未満の組織は自前運用なら無料。それを超えると個別見積もりのEnterpriseライセンスとなり、法的補償が付きます。APIでは0.08ドルの生成10,000回で800ドルです。
- Stable Audio 3.0 Mediumは企業データを扱っても安全か？
- 重みを自前で運用すれば音声はローカルにとどまります。学習 データはAudioSparxの806,284件と、CC-0、CC-BY、CC Sampling+のFreesound 472,618件です。Community Licenseのもとで出力はユーザーのものになります。
- Stable Audio 3.0 Mediumの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はACE-Step 1.5, Eleven Music v2.5 、 Lyria 3.5です。
回答確認日：2026年11月7日