شرکت Stability AI، خالق مدل مشهور استیبل دیفیوژن، از جدیدترین نسل مدلهای صوتی خود با نام استیبل آدیو ۳.۰ (Stable Audio 3.0)رونمایی کرد. مهمترین دستاورد این نسخه، توانایی تولید قطعات موسیقی حرفهای به طول بیش از ۶ دقیقه و ۲۰ ثانیه است؛ رقمی که نسبت به نسل قبل بیش از دو برابر شده است.
بر اساس گزارشها نسخه قبلی استیبل آدیو اوپن که در سال ۲۰۲۴ منتشر شده بود، حداکثر قادر به ساخت ۴۷ ثانیه موسیقی بود. اما مدلهای جدید متوسط (Medium) و بزرگ (Large) این بار میتوانند قطعات کامل با حفظ ساختار موسیقی و تُن ملودیک را در مدت زمان ۶ دقیقه و ۲۰ ثانیه تولید کنند.
نسخه Stable Audio 3.0 قابلیتی به نام Inpainting دارد که میتوانید بخش خاصی از صدا را حذف یا جایگزین کنید بدون اینکه بقیه آهنگ آسیب ببیند. همچنین با گزینه Continuation میشود یک ملودی کوتاه را ضبط کنید و هوش مصنوعی آن را به صورت هوشمند ادامه دهد.
فناوری جدیدی، صدا را تا ۴۰۹۶ برابر فشرده میکند و با استفاده از تکنیکی به نام «نمونهبرداری پینگ-پنگ» (Ping-Pong sampling)، کیفیت صدا را در کمترین زمان ممکن به سطح مطلوب میرساند. به گفته این شرکت، روی پردازندههای قدرتمند H200، ساخت یک آهنگ ۶ دقیقهای کمتر از ۲ ثانیه زمان میبرد.
| مدل | تعداد پارامتر | حداکثر طول | کاربرد اصلی | وضعیت دسترسی |
|---|---|---|---|---|
| Small SFX | 459 میلیون | ۲ دقیقه | افکتهای صوتی (بدون نیاز به GPU قوی) | Open Weight |
| Small Music | 459 میلیون | ۲ دقیقه | موسیقی کوتاه (ساخت آفلاین روی لپتاپ معمولی) | Open Weight |
| Medium | ۱.۴ میلیارد | ۶:۲۰ دقیقه | تولید آهنگ کامل با کیفیت بالا (نیاز به ۶.۵ گیگابایت حافظه گرافیکی) | Open Weight |
| Large | ۲.۷ میلیارد | ۶:۲۰ دقیقه | کیفیت حرفهای و تأخیر حداقلی (مناسب برای سرورها) | فقط API (پولی) |
برخلاف بسیاری از رقبا که فقط خدمات ابری ارائه میدهند، Stability AI چهار مدل متمایز Open Weights منتشر کرده است تا توسعهدهندگان بتوانند آنها را روی سختافزارهای مختلف اجرا کنند. برای خرید اکانت stability ai میتوانید به نامبرلند مراجعه کنید و از قابلیتهای جدید این مدل استفاده کنید.
جالبترین بخش این است که مدلهای Small به گونهای بهینهسازی شدهاند که روی پردازنده مرکزی (CPU) لپتاپهای معمولی (حتی با رم کمتر از ۲.۵ گیگابایت) اجرا میشوند.
پروژه Gemini for Science گوگل هم معرفی شد؛ ابزار جدید که قرار است فرایندهای پیچیده علمی را به شکل قابل توجهی ساده کند.
