Stable Audio 3: كيف تعمل نماذج توليد الموسيقى الجديدة من Stability AI

يتطور مجال توليد الموسيقى بالذكاء الاصطناعي بسرعة، وأحدث إضافة إليه هي Stable Audio 3 من شركة Stability AI. النظام عبارة عن عائلة من النماذج القادرة على إنشاء موسيقى ومؤثرات صوتية انطلاقاً من أوامر نصية، أو تعديل تسجيلات موجودة، مع القدرة على إنتاج مقاطع صوتية تمتد لعدة دقائق بكفاءة نسبية.

بعكس بعض المنصات المنافسة المغلقة، توفر الشركة أوزاناً مفتوحة لبعض النماذج وبيانات تدريب مرخّصة بالكامل، ما يجعلها جذابة للمطورين والباحثين الذين يريدون بناء أدواتهم الخاصة فوق هذه التقنية.

ما هو Stable Audio 3؟

Stable Audio 3 هو عائلة من نماذج الانتشار الكامن (Latent Diffusion) لتوليد الصوت وتحريره، وتأتي بثلاثة أحجام رئيسية: Small وMedium وLarge. يمكن للنماذج إنشاء مقاطع موسيقية أو مؤثرات صوتية من وصف نصي، كما يمكنها تعديل أجزاء من تسجيل موجود.

بدلاً من توليد الموجة الصوتية الخام مباشرة، يعمل النظام داخل تمثيل صوتي مضغوط (latent space)، وهو ما يقلل من التكلفة الحسابية ويجعل إنشاء مقاطع أطول أمراً عملياً.

من أبرز الميزات التي أعلنت عنها الشركة:

• التوليد بطول متغير: يمكن للنموذج إنشاء أصوات قصيرة أو مقاطع موسيقية طويلة دون الحاجة لحساب كامل مدة الصوت في كل مرة.
• Audio Inpainting: إمكانية تعديل أجزاء محددة من الصوت أو ملء مقاطع مفقودة داخل التسجيل.

هذه القدرات تجعل النظام مفيداً ليس فقط لتوليد الموسيقى من الصفر، بل أيضاً لتحرير المقاطع الصوتية أو تمديدها.

البنية التقنية: الانتشار الكامن مع semantic‑acoustic autoencoder

يعتمد Stable Audio 3 على الفكرة نفسها المستخدمة في العديد من مولدات الصور الحديثة: نماذج الانتشار التي تعمل داخل مساحة بيانات مضغوطة.

أحد المكونات الأساسية هو semantic‑acoustic autoencoder، وهو نموذج يحول الصوت الخام إلى تمثيل مضغوط يحتفظ بالمعنى الموسيقي والتفاصيل الصوتية في الوقت نفسه.

عملية التوليد تمر بثلاث مراحل رئيسية تقريباً:

1. ضغط الصوت: يحول الـautoencoder الموجة الصوتية إلى تمثيل كامن مضغوط.
2. مرحلة الانتشار: يقوم نموذج الانتشار بتوليد أو تعديل هذا التمثيل بناءً على الأوامر النصية أو الشروط الأخرى.
3. فك الترميز: يتم تحويل التمثيل الكامن الناتج مرة أخرى إلى موجة صوتية كاملة.

بفضل العمل داخل تمثيل مضغوط، يستطيع النظام إنتاج مقاطع أطول باستخدام موارد حوسبة أقل مقارنة بالعمل مباشرة على الصوت الخام.

التوليد بطول متغير وتحرير الصوت

أحد أهداف التصميم الأساسية في Stable Audio 3 هو دعم أطوال مختلفة للمقاطع الصوتية.

النماذج تدعم التوليد بطول متغير بشكل أصلي، ما يعني أن المستخدم يمكنه طلب:

• مؤثر صوتي قصير
• مقطع موسيقي متوسط
• أو مقطع يمتد لعدة دقائق

وذلك دون الحاجة إلى حساب مدة قصوى في كل مرة، وهو ما يوفر الموارد الحسابية.

أما ميزة Audio Inpainting فتسمح بتعديل أجزاء محددة من المقطع، مثل:

• استبدال جزء من مسار موسيقي
• تمديد المقطع بعد نهايته
• إصلاح أجزاء تالفة أو ناقصة من التسجيل

بهذه الطريقة يصبح النظام أقرب إلى أداة إنتاج صوتي إبداعية وليس مجرد مولد موسيقى من نص.

نماذج Stable Audio 3: Small وMedium وLarge

أطلقت Stability AI هذه التقنية على شكل عائلة نماذج بأحجام مختلفة لتناسب حالات استخدام متنوعة.

Stable Audio 3 Small

• مصمم ليكون خفيفاً وفعالاً.
• يمكن تشغيله على أجهزة محدودة الموارد أو حتى الأجهزة المحمولة في بعض الحالات.
• تتوفر أوزانه المفتوحة عبر منصات مثل Hugging Face.

Stable Audio 3 Medium

• نموذج أقوى مناسب لتوليد الموسيقى الكاملة والمؤثرات الصوتية.
• تتوفر أوزانه المفتوحة أيضاً للتحميل العام.

يوجد إصداران شائعان:

• Stable Audio 3 Medium للتوليد المباشر.
• Stable Audio 3 Medium Base كنقطة أساس للبحث أو التطوير.

Stable Audio 3 Large

• أقوى نموذج في العائلة.
• مصمم لاستخدامات الإنتاج الاحترافية والمؤسسات.
• لا تتوفر أوزانه للتنزيل العام، بل عبر واجهة API أو نشر خاص للشركات.

وبشكل عام تشير الشركة إلى أن النماذج قادرة على توليد مقاطع صوتية قد تصل إلى نحو ست دقائق بحسب الإعدادات المستخدمة.

منهجية التدريب

يعتمد النظام على عملية تدريب متعددة المراحل تجمع بين مكونات مختلفة قبل دمجها في النموذج النهائي.

بصورة مبسطة:

• يتم تدريب الـautoencoder أولاً ليتعلم ضغط الصوت وإعادة بنائه بدقة.
• ثم يتم تدريب نموذج الانتشار لتوليد التمثيل الكامن للصوت اعتماداً على الأوامر النصية والبيانات الوصفية.
• بعد ذلك تُجرى مراحل تحسين إضافية لتحسين الجودة والكفاءة.

المعلومات التفصيلية حول كل مرحلة ما زالت محدودة في المواد العامة المنشورة، لكن الورقة البحثية تؤكد وجود هذا النهج متعدد المراحل.

الأوزان المفتوحة وبيانات التدريب المرخّصة

من أبرز ما يميز إطلاق Stable Audio 3 هو سياسة الترخيص.

تقول Stability AI إن النماذج تم تدريبها باستخدام بيانات مرخّصة بالكامل، وأن المستخدمين يمتلكون حقوق استخدام المخرجات التي يولدها النظام.

أهم النقاط:

• توفير أوزان مفتوحة لنماذج Small وMedium.
• السماح باستخدام المخرجات تجارياً وفق رخصة Stability AI Community License، مع تراخيص مؤسسية للشركات الكبيرة.

هذه الاستراتيجية تأتي في وقت تتصاعد فيه النقاشات حول حقوق بيانات التدريب في الذكاء الاصطناعي التوليدي.

موقع Stable Audio 3 في سباق توليد الموسيقى بالذكاء الاصطناعي

سوق توليد الموسيقى بالذكاء الاصطناعي أصبح سريع المنافسة، مع منصات مثل Suno وUdio التي تنتج أغانٍ كاملة مع غناء عبر خدمات موجهة للمستهلكين.

لكن Stability AI تتبنى زاوية مختلفة نسبياً. فبدلاً من التركيز على تطبيق استهلاكي مغلق، تحاول الشركة تقديم:

• نماذج يمكن للباحثين والمطورين البناء عليها
• أوزان مفتوحة قابلة للتنزيل
• بيانات تدريب مرخّصة
• أدوات مرنة لتوليد الصوت وتحريره

هذا النهج يجعل Stable Audio 3 أقرب إلى نموذج أساسي للبنية التحتية الصوتية يمكن أن تعتمد عليه أدوات إنتاج موسيقي أو منصات إبداعية جديدة.

لماذا يعتبر هذا الإصدار مهماً؟

يمثل Stable Audio 3 خطوة نحو نماذج صوتية طويلة المدى يمكن تعديلها مثل أدوات الإنتاج الموسيقي.

أبرز النقاط في هذا الإصدار:

• توليد صوت متعدد الدقائق باستخدام الانتشار الكامن
• إمكانيات تحرير صوت متقدمة مثل inpainting
• توفر أوزان مفتوحة لبعض النماذج

ومع استمرار تطور هذا المجال، قد تصبح مثل هذه النماذج الأساس الذي تُبنى عليه أدوات الإنتاج الصوتي الرقمية القادمة المدعومة بالكامل بالذكاء الاصطناعي.