Stable Audio 3.0を解説：6分以上のAI楽曲を生み出すStability AIの新モデル群

生成AIの中でも、音楽生成AIはいま最も急速に進化している分野のひとつです。画像生成モデル「Stable Diffusion」で知られるStability AIは、新しい音声生成モデル群 Stable Audio 3.0 を発表しました。

このモデルファミリーは、テキストから音楽や効果音を生成できるAIで、特に次の3点で大きく進化しています。

• より長い楽曲生成（最大6分20秒）
• 用途別の複数モデル構成
• 開発者向けのオープンウェイト公開

これにより、AI音楽生成は短いデモやループから、フル楽曲に近い構造的な作品生成へと一歩近づいたといわれています。

Stable Audio 3.0とは

Stable Audio 3.0は、テキストから音声を生成する「テキスト→オーディオ」AIモデル群です。ユーザーが文章で音楽スタイル、楽器、雰囲気、シーンなどを指定すると、それに応じた音楽や効果音を生成します。

Stability AIはこのシステムを、「生成オーディオ（generative audio）」の実験と創作のための基盤と説明しています。また、従来のAI音楽ツールで問題視されてきた著作権問題を避けるため、ライセンス済みデータセットで学習している点を強調しています。

さらに、用途に応じて選べるように複数のモデルサイズが用意されています。軽量モデルはローカル環境でも動作し、上位モデルではより長い楽曲生成が可能です。

Stable Audio 3.0の4つのモデル

Stable Audio 3.0は、パラメータ数の異なる4つのモデルで構成されています。

Stable Audio 3.0 Small SFX

• 約4億5900万パラメータ
• 主に効果音（SFX）生成向け
• 軽量でオンデバイス用途を想定

Stable Audio 3.0 Small

• 約4億5900万パラメータ
• 軽量な音楽・音声生成
• 個人プロジェクトやローカル推論に適する

Stable Audio 3.0 Medium

• 約14億パラメータ
• より表現力の高い音楽生成
• 長めの楽曲構造に対応

Stable Audio 3.0 Large

• 約27億パラメータ
• シリーズで最も高性能
• プロレベルの音楽生成を想定

このような階層構造により、開発者はハードウェア性能・品質・生成時間に応じてモデルを選択できます。

生成できる音楽の長さ

Stable Audio 3.0の大きな進化は、生成できる楽曲の長さです。

• Small SFX / Small：最大 約2分
• Medium / Large：最大 約6分20秒

以前のバージョンと比べると、この長さは2倍以上に拡張されています。これにより、単なる短いループではなく、イントロから展開まである楽曲構造をAIが作れる可能性が広がりました。

オープンウェイトモデルとAPIモデル

Stable Audio 3.0は、すべてを公開するのではなくハイブリッド配布を採用しています。

オープンウェイト（ダウンロード可能）

• Stable Audio 3.0 Small SFX
• Stable Audio 3.0 Small
• Stable Audio 3.0 Medium

これらは開発者や研究者がローカルで実行したり、改良したりできます。

API提供のみ

• Stable Audio 3.0 Large

最上位モデルは公開ウェイトとしては提供されず、クラウドAPIやエンタープライズ向けサービスで利用する形になります。

この戦略は、コミュニティ向けに一定のオープン性を保ちつつ、最も高性能なモデルは商用サービスとして提供するという形です。

学習データとライセンス

AI音楽分野では、学習データの著作権問題が大きな議論になっています。

Stability AIは、Stable Audio 3.0が完全にライセンスされたデータセットで学習されたと説明しています。

生成した音楽の扱いについては次のような仕組みです。

• 個人・研究者・小規模企業：Community Licenseで利用可能
• 年間売上約100万ドル以上の企業：Enterprise Licenseが必要

基本的に、ユーザーは生成した音源の所有と配布が可能とされています。

ただし、具体的なデータ構成の詳細は完全には公開されておらず、外部からの独立検証は限定的とされています。

音楽レーベルとの提携

Stability AIは、音楽業界との協力関係も進めています。

Universal Music Group（UMG）

• AI音楽制作ツールを共同開発する戦略提携
• アーティストの意見を取り入れた開発を目指す

Warner Music Group（WMG）

• 作曲家・プロデューサー向けのAI制作ツール開発で協力
• 倫理的なAI活用と権利保護を重視

これらの提携は、AI音楽の最大の争点である**「著作権データの扱い」**をクリアにする狙いがあります。

AI音楽競争の中での位置づけ

現在、AI音楽市場では複数の企業が競争しています。

代表的なプレイヤーには次のような企業があります。

• Google
• Suno
• Udio
• ElevenLabs

Stable Audio 3.0の特徴は、主に次の2点です。

• オープンウェイトモデルの提供（開発者向け）
• ライセンス済みデータと音楽レーベル提携

さらに、6分以上の長尺生成が可能になったことで、AIは短いクリップ生成から、実際の楽曲制作に近い領域へと踏み込みつつあります。

AI音楽ツールの次のステップ

Stable Audio 3.0は、単一モデルではなく用途別のモデルファミリーという設計になっています。

• 軽量ローカルモデル
• 中規模のオープンモデル
• 大規模クラウドモデル

この構造により、個人クリエイターからプロ制作まで幅広いユーザーを狙う戦略です。

音楽生成AIがさらにリアルで長い楽曲を作れるようになれば、こうしたモデルは将来、次世代の音楽制作ソフトの基盤技術になる可能性があります。