Stable Audio Introduction

Stable Audio utilise une architecture sophistiquée de modèle de diffusion latent composée d'un autoencodeur variationnel (VAE), d'un encodeur de texte et d'un modèle de diffusion conditionnée basé sur U-Net. Pour la génération texte-à-audio, les utilisateurs saisissent des invites descriptives que le modèle interprète pour créer l'audio correspondant. La fonctionnalité audio-à-audio permet aux utilisateurs de télécharger des échantillons audio existants et de les transformer à l'aide d'invites en langage naturel, permettant des transferts de style et des variations. La plateforme intègre également un conditionnement innovant sur les métadonnées textuelles, la durée audio et l'heure de début, permettant un contrôle précis sur le contenu et la longueur de l'audio généré. Cette approche surmonte les limitations des sorties audio de taille fixe traditionnelles, permettant la création de structures musicales cohérentes avec des intros, des développements et des outros.