使用场景
音乐制作人使用该模型根据文本提示生成新的背景音乐。
研究人员利用模型来分析和改进生成性AI模型的科学状态。
音频工程师使用该模型来探索不同文本提示下的声音效果生成。
产品特色
生成长达47秒的立体声音频。
支持44.1kHz的音频采样率。
基于文本提示的音乐和音频生成。
使用自编码器压缩波形到可管理的序列长度。
基于T5的文本嵌入技术进行文本条件处理。
扩散模型在自编码器的潜在空间中操作。
使用教程
下载并安装所需的stable-audio-tools库。
使用提供的代码示例下载预训练模型。
设置文本和时间条件，定义音频的起始时间和总长度。
调用模型生成扩散条件音频。
对生成的音频进行重排、峰值归一化、剪辑、转换为int16格式，并保存为文件。
