Stable Audio 3.0 可出六分鐘歌：香港創作者要睇本機 AI、API 同版權風險

圖：TechCrunch．原文連結

Stability AI 今次推出 Stable Audio 3.0，表面上係「AI 可以生成六分鐘歌」嘅新聞，但真正值得香港創作者留意嘅位，其實係生成音樂由玩具式 prompt 工具，開始行向可部署、可微調、可放入製作流程嘅基建。以前用 AI 音樂，多數係開網頁打一句 prompt，等平台吐一首歌；Stable Audio 3.0 嘅重點係同時提供開放權重、API、自架同本機生成路線，令 YouTuber、podcaster、短片剪接、廣告小 team、獨立遊戲製作人，都有機會將背景音樂同 sound effects 變成 workflow 一部份，而唔係每次都上網搵罐頭音樂。

根據 TechCrunch 同 Stability AI 官方公告，Stable Audio 3.0 係一個模型家族，包括 Small SFX、Small、Medium 同 Large。Small SFX 同 Small 都係 459M 參數，主打本機聲效同音樂生成，最長可到兩分鐘；Medium 係 1.4B 參數，Large 係 2.7B 參數，官方話 Medium 同 Large 可生成最長 6 分 20 秒嘅完整 composition，並維持音樂結構同旋律走向。Small SFX、Small、Medium 會以 open weights 形式提供；Large 則只經 Stability AI API 同付費自架服務提供。呢個分工其實好清楚：細模型俾創作者同開發者試、本機跑、改 workflow；大模型就瞄準平台、企業同需要大批量生成嘅產品。

六分鐘唔係唯一重點

六分鐘長度有新聞性，但對實際製作嚟講，可控長度同可修改更加重要。Stability AI 嘅研究頁同 arXiv 論文提到，Stable Audio 3 用 latent diffusion，加上一個 semantic-acoustic autoencoder，目的係將音訊壓入更細嘅 latent space，同時保留聲音質感同語意結構。簡單講，即係模型唔只係估下一秒有咩聲，而係要更好咁理解「呢段係 intro、呢段係主旋律、呢段要延續」呢類結構。官方亦講到 inpainting、延長片段、重做某一段等能力，呢啲功能對剪片同遊戲音效，比一次過生成一首歌更實用。

本機生成係另一個值得睇嘅方向。arXiv 摘要寫到，Stable Audio 3 模型可喺 H200 GPU 上少於兩秒生成音樂同聲音，亦可喺 MacBook Pro M4 上用幾秒時間生成；呢啲係論文環境同官方測試描述，唔代表所有 Mac 或 Windows 筆電都會有同等表現。對香港創作者嚟講，真正意思係「草稿階段可以唔靠雲端」：剪片師可以喺機上快速試十幾條 30 秒背景 loop，遊戲開發者可以即場試 UI click、爆炸聲、環境聲，podcast team 可以做節目 opening demo。至於廣東話 vocal、香港流行曲風格、地道配器支援，官方資料未有足夠證據，未實測前要列做 [待確認]。

開放權重唔等於任用

Stable Audio 3.0 最大賣點之一係三個模型有 open weights，但「開放權重」唔等於傳統意義上完全自由使用。Stability AI 官方 license 頁寫明，Community License 可供年收入少於 100 萬美元或等值本地貨幣嘅個人、創作者、小型公司作研究、非商用同商用用途；如果機構年收入超過 100 萬美元，而又用模型作商業產品、服務或內部商業營運，就要傾 Enterprise License。官方亦話，輸出內容喺你同 Stability 之間屬於你，可以商業化，但仍然要符合適用法律同 acceptable use policy。換句話講，呢個授權解決嘅係「用 Stability 模型」嘅合約問題，唔係一張保證全世界所有音樂版權、平台審查同客戶合約都無風險嘅免死金牌。

Stability AI 今次強調 Stable Audio 3.0 用「fully licensed data」訓練；arXiv 摘要則寫成 licensed and Creative Commons data。呢兩句都要小心處理：官方有權描述自己嘅資料來源，但外部用家未必能夠逐首、逐段聲音核對授權鏈。香港公司如果要將 AI 配樂放入客戶廣告、品牌 campaign、遊戲上架、串流平台或付費課程，仍然要留低 prompt、生成時間、模型版本、授權頁截圖、後期修改紀錄，同客戶確認 AI 生成音樂是否可接受。尤其係需要買 media placement、交俾大型品牌、上架 app store 或遊戲平台嘅作品，法務同客戶合約往往比模型聲稱更關鍵。

音樂生成變成授權戰

Stability AI 不是唯一一間做 AI 音樂嘅公司。Google 今年推出 Lyria 3 Pro，TechCrunch 報道指可生成最長三分鐘 track，並會進入 Gemini app、Google Vids、Vertex AI、Gemini API 同 AI Studio；Google 亦強調用合作方資料，以及 YouTube 同 Google 可允許使用嘅資料訓練，並用 SynthID 標記 AI 生成。ElevenLabs 亦推出 ElevenMusic iOS app，免費層每日可生成幾首歌，Pro 層以美元訂閱，並試圖由 voice AI 擴展到音樂同創作工具。Suno、Udio 就代表另一條路：產品體驗強、消費者採用快，但同唱片公司、訓練資料、YouTube 音訊來源有持續法律爭議。

呢個競爭脈絡解釋到點解 Stability AI 咁重視「licensed data」同唱片公司合作。公司去年分別公布同 Universal Music Group、Warner Music Group 合作，方向係開發負責任嘅音樂創作工具；TechCrunch 今次亦提到前 Universal Audio 同 Fender 高層 Ethan Kaplan 加入，負責專業音樂產品。呢啲動作唔只係公關包裝，而係 AI 音樂市場嘅生存條件：模型質素固然重要，但如果平台想吸引品牌、代理商、唱片公司、遊戲廠同大型內容公司，授權來源、賠償安排、企業合約同風險分配，會同音質一樣重要。

香港創作者可以點落地

香港場景未必需要一開始就生成完整歌曲。更實際嘅用法係做短片 B-roll 背景、YouTube review 開場、podcast bumper、直播轉場、產品 demo music、indie game loop、UI sound、trailer 氣氛聲同 pitch deck demo 配樂。呢啲素材好多時唔需要成首可上架單曲，但需要快、可改、貼合片長、唔撞款。Stable Audio 3.0 如果真係可以喺本機或自架環境穩定生成兩分鐘內音樂同 sound effects，對細 team 會有吸引力，因為香港內容製作常見係一兩個人剪片、接 job、改稿，未必有預算每條片都買 bespoke music。

比較務實嘅 workflow 會係咁：

• 草稿階段：用本機 Small 或 Hugging Face 權重做 10 至 30 秒 mood demo，快速同剪接節奏對齊。
• 交付階段：如果係公開商用 project，轉用清楚授權嘅 API、自架企業合約，或者保留傳統 stock music / composer 作 final。
• 風險控制：避免 prompt 入知名歌手、樂隊、歌曲名、品牌 jingle；保留生成紀錄，並由人手聽完、剪完、混音後先用。

香港可用性方面，公開資料暫時未見 Stable Audio 3.0 嘅香港專屬定價、港幣訂閱、本地代理或本地合作消息。官方公告寫明 Stable Audio 3.0 Large 會經 Stability AI API 同企業自架提供，Small/Medium 會喺 Hugging Face；Stable Audio 網站亦有試用入口。不過香港用家能否直接用同一付款流程開 API、Stable Audio 網站會否有地區限制、Hugging Face 權重存取是否需要逐個申請批核，仍然要登入平台後確認，現階段寫 [待確認] 會比硬講「香港已全面可用」負責任。商用授權方面，100 萬美元年收入門檻用「等值本地貨幣」表述，對香港中小企有參考價值，但大型公司、代理商同跨境客戶仍應直接問 Enterprise 條款。

唔好當成免費配樂機

Stable Audio 3.0 對香港創作市場最有價值嘅地方，唔係令每個人即刻出歌，而係將音樂同聲效由外判、買庫、等素材，變成可快速試錯嘅製作層。開放權重可以令開發者自架、微調、接入剪片工具或遊戲 engine；API 可以俾 SaaS、短片工具、品牌內容平台做大規模生成；本機模型則可以令細 team 喺無網上環境、客戶資料較敏感、或只需要 demo 嘅情況下工作。不過，生成音樂仍然係出版物，唔係無主檔案。越接近商業發行、品牌投放、唱片或平台上架，越要將 AI 音樂當成有授權、有紀錄、有審核嘅素材處理。

所以今次新聞唔應該只睇成 Stability AI 又出一個模型。更準確嘅睇法係：AI 音樂工具開始分層，有消費者 app、有 Google 式雲端平台、有 ElevenLabs 式 creator app、有 Suno/Udio 式大眾產品，亦有 Stability AI 呢種 open weights 加 API 加企業授權路線。香港創作者可以用佢加快草稿同聲效設計，但唔應該將「fully licensed data」直接理解成「所有商用場景都安全」。最實際嘅策略係將 AI 配樂放入前期構思同低風險內容，遇到品牌、大客、遊戲上架、廣告投放，就用可追溯授權、清晰合約同人手後期審核把關。

參考來源

• TechCrunch — Stability AI releases a new audio model that can create six-minute songs — original report
• Stability AI：Meet Stable Audio 3.0 — 官方公告，確認 open weights、fully licensed data 聲稱、Hugging Face、API、自架同輸出商用說法。
• arXiv：Stable Audio 3 — 研究論文，提供架構、semantic-acoustic autoencoder、variable-length generation、inpainting、本機/硬件表現等技術背景。
• Stability AI License — 確認 Community License、100 萬美元收入門檻、Enterprise License、輸出擁有權同商用限制。
• TechCrunch：Google launches Lyria 3 Pro music generation model — 競品背景，用作比較 Google Lyria 3 Pro 嘅生成長度、Gemini / Vertex AI / API 分發同 SynthID。
• TechCrunch：ElevenLabs releases a new AI-powered music generation app — 競品背景，確認 ElevenMusic app、免費/Pro 層同 ElevenLabs 由 voice AI 擴展到音樂工具。
• Music Business Worldwide：Udio admits to scraping YouTube audio for AI training — 行業法律脈絡，說明 AI 音樂訓練資料同唱片公司訴訟仍係核心風險。

本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。