--- title: "Stable Audio 3.0とは？4モデルの違いと使い方（ローカル・Web・API）・料金・商用利用" url: "https://www.issoh.co.jp/tech/details/12208/" published: 2026-05-21 updated: 2026-10-17 categories: ["AI"] publisher: "株式会社一創" --- # Stable Audio 3.0とは？4モデルの違いと使い方（ローカル・Web・API）・料金・商用利用 Stable Audio 3.0は、Stability AIが2026年5月20日に公開した音楽・効果音生成モデルのファミリーです。効果音向けのSmall SFX、楽曲向けのSmall、長尺に強いMedium、APIで提供されるLargeの4モデルで構成され、Largeを除く3モデルは重みがHugging Faceで配布されています。この記事では、4モデルの違いと選び方、ブラウザ・ローカル・APIの3通りの使い方、料金、商用利用の条件を、[公式リポジトリ（Stability-AI/stable-audio-3）](https://github.com/Stability-AI/stable-audio-3)、[APIリファレンス](https://platform.stability.ai/docs/api-reference)、[Community Licenseの原文](https://stability.ai/community-license-agreement)をもとに整理します。GPUの無いIntel Macで実際に動かした結果も載せています（2026年10月16日時点）。 ## まとめ：Stable Audio 3.0の要点 - **モデルは4種類**：Small SFX（効果音）とSmall（楽曲）は433Mパラメータ（READMEの値。論文では459M）・最大120秒でCPUでも動作、Mediumは1.4B・最大380秒、Largeは2.7Bで重みが公開されておらず、APIなどのクラウド経由で使います。 - **使い方は3通り**：インストール不要のWebアプリ（StableAudio.com）とDAWプラグイン、Hugging Faceの重みを使うローカル実行、Largeを呼ぶAPIです。 - **ローカル実行**：PyTorch版のMediumはCUDA GPUとFlash Attention 2が必須ですが、CPU向けのTFLite版ならMediumもCPUで動きます。ただし公式の実行経路はどれもIntel Macに対応しておらず、Intel MacではDockerなどのLinux環境が必要です。 - **API料金**：2026年10月16日時点の公式API仕様では、成功した生成1回につき8クレジット（1クレジット=0.01ドルなので0.08ドル）の定額です。2026年9月末時点では26クレジットでした。 - **商用利用**：年間売上100万ドル未満ならStability AI Community Licenseで無償で商用利用できますが、商用目的での登録が必要です。モデルや派生物、それらを使う製品・サービスを第三者に提供する場合は「Powered by Stability AI」などの帰属表示も必要です。テキストエンコーダーにT5Gemmaを同梱しているため、Gemmaの利用規約も適用されます。 - **できないこと**：歌詞のある歌声は生成できず、プロンプトは英語で学習されています。日本語の歌ものが目的なら別のモデルを選びます。 ## Stable Audio 3.0の4モデルの違いと選び方 4モデルは、パラメータ数・最大生成長・動作環境がはっきり分かれています。次表は公式READMEの記載です。パラメータ数は拡散トランスフォーマー部分を示し、Smallの値はREADMEの433Mと原論文の459Mで異なります。 | モデル | 指定名 | パラメータ | 最大長 | 動作環境 | 用途 | | --------- | ----------- | ----- | ---- | --------------------- | ---------- | | Small SFX | small-sfx | 433M | 120秒 | CPU | 効果音・ワンショット | | Small | small-music | 433M | 120秒 | CPU | 楽曲・ループ | | Medium | medium | 1.4B | 380秒 | CUDA GPU（TFLite版はCPU） | 長尺の楽曲 | | Large | （API） | 2.7B | 380秒 | クラウド／企業向けセルフホスト | 最高品質・量産 | 公式ブログでは「Small」と呼ばれていますが、Hugging Face上のリポジトリ名と、コードで指定する名前は `small-music` です。`stable-audio-3-small` というリポジトリは存在しないので、検索するときは注意してください。 ### 4モデルの用途別選定基準 - **ゲームやアプリの効果音**：Small SFX。足音や扉の開閉のような短い音に特化しており、音楽は生成できません。 - **GPUの無いPCやMacでBGMを作る**：Small。公式READMEのベンチマークでは、120秒の生成にMac CPU構成で5.92秒、Mac CoreML構成で3.09秒と報告されています。このCPU構成もCoreMLとTFLiteを組み合わせた実装で、一般のPyTorch実行時間ではありません。 - **2分を超える曲や、構成のある曲**：Medium。H200では380秒の曲を1.31秒で生成します。ピーク時のVRAM使用量は6.52GBです。 - **サービスに組み込んで大量に生成する**：Large。重みは一般に配布されていません。使えるのはStability AIのAPIと、DAWプラグインのクラウド生成、エンタープライズ契約でのセルフホストです。 ### Mediumの最大生成長に関する公式資料間の不一致 Mediumの最大長は、README・公式ブログ・プロンプトガイドでは380秒（6分20秒）ですが、同じリポジトリの設計解説（docs/guides/model-overview.md）では「約4.75分」、Largeは「約6.3分」と書かれています。APIの `duration` パラメータの上限は380秒です。長尺の曲を前提に設計するなら、380秒ぎりぎりではなく短めの尺で品質を確かめてから決めてください。プロンプトガイド自身も、内容に合った尺を指定したほうが結果が良いとしています。 ## Stable Audio 3.0の仕組みと従来版からの変化点 ### SAMEオートエンコーダーと可変長生成 Stable Audio 3.0は、音声を圧縮するオートエンコーダー「SAME」と、その圧縮表現（潜在変数）を生成する拡散トランスフォーマーの2段構成です。SAMEは44.1kHzステレオの音声を時間方向に4096分の1へ圧縮し、潜在系列のレートは約10.76Hzで、10秒の音声は概ね256次元×108フレームに対応します。GPU向けのSAME-Lと、CPU向けに蒸留したSAME-Sの2種類があり、SmallはSAME-S、MediumとLargeはSAME-Lを使います。 もう一つの変化は可変長生成です。従来は短い音が欲しいときでも最大長のぶん生成してから切り詰めていましたが、3.0は指定した秒数だけを生成するため、短い効果音ほど速く終わります。推論ステップ数は既定で8と少なく、敵対的ポストトレーニングで少ないステップでも品質を保つように作られています。 ### Stable Audio Open・2.5との比較 | モデル | 公開 | 最大長 | 重みの公開 | API料金 | | ----------------------- | ------- | ---- | ----- | ------ | | Stable Audio Open 1.0 | 2024年6月 | 47秒 | あり | なし | | Stable Audio Open Small | 2025年5月 | 11秒 | あり | なし | | Stable Audio 2.5 | 2025年9月 | 約3分 | なし | 8クレジット | | Stable Audio 3.0 Small | 2026年5月 | 120秒 | あり | なし | | Stable Audio 3.0 Medium | 2026年5月 | 380秒 | あり | なし | | Stable Audio 3.0 Large | 2026年5月 | 380秒 | なし | 8クレジット | 公式ブログは、3.0 Smallの最大2分を、Stable Audio Open Smallの11秒、Stable Audio Openの47秒と比べています。オンデバイスで数秒のサンプルしか作れなかった前世代から、曲として成立する長さまで伸びた点が3.0の一番大きな違いです。2.5は企業向けの非公開モデルで、APIでは引き続き選べます。API料金はどちらも2026年10月16日時点の値です。 ### 生成できないものと言語の制約 公式の設計解説は、制約として「音声や話し声の生成向けではない」「英語の説明文で学習しており、他の言語では性能が落ちる」の2点を挙げています。プロンプトガイドも、聞き取れる歌声は出力しないと明記しています（意味のない声のような質感が混じることはあります）。日本語の歌詞付きの曲を作りたい場合は、50以上の言語で歌唱できる[ACE-Step 1.5](/tech/details/10868/)や、歌詞から曲全体を生成する[DiffRhythm](/tech/details/5685/)のほうが目的に合います。 ## Stable Audio 3.0の使い方は3通り：Web・ローカル・API どこで動かすかによって、使えるモデル・費用・データの扱いが変わります。 | 経路 | 使えるモデル | 費用 | 向いている人 | | ----------------------- | ------------------------------------ | ------------------- | --------------------------- | | StableAudio.com（Webアプリ） | Stable Audio 3.0（クラウド） | 月額サブスク（新規50クレジット付与） | まず試したい・曲を作りたい | | DAWプラグイン | SA3 SFX・SA3 Medium（ローカル）、Large（クラウド） | クラウド生成はWebと同じクレジット | Logic Pro・Ableton Liveで制作する | | ローカル実行 | Small SFX・Small・Medium | 無償（条件付き） | 社外にデータを出したくない・組み込みたい | | API | Large（3.0）・2.5 | 1回8クレジット（0.08ドル） | アプリやサービスで量産する | ### StableAudio.comの生成モードと月額料金 いちばん手軽なのは、Stability AIのWebアプリ[StableAudio.com](https://stableaudio.com/)です。2026年8月18日の刷新で、1曲を「セッション」として扱い、最大4トラックを重ねて編集できるようになりました。[公式の使い方ガイド](https://kb.stability.ai/knowledge-base/how-to-use-stable-audio)によると、生成モードは次の2つです。 - **FULL MIX**：プロンプトをそのままモデルに渡し、1本のミックス済みトラックで返します。公式は最初はこちらから始めるよう勧めています。 - **MULTI-TRACK**：エージェントが編成を決め、パートごとに別トラックで録ります。トラック単位でミュートや作り直しができる代わりに、プロンプトの文字どおりの解釈からずれることがあり、実験的な機能です。 長さは自動のほか、0:30（ループ）、1:00、1:30、3:00から選べます。生成後は、トラック追加（ADD TRACK）、1トラックだけの作り直し（REGENERATE）、区間の差し替え（REPLACE SECTION）、続きの生成（EXTEND）でクレジットを使い、音量・パン・ミュート・ソロの操作はクレジットを使いません。 料金は月額のサブスクリプションで、[公式のプラン表](https://kb.stability.ai/knowledge-base/stable-audio-subscription-plans-and-credit-system)は次のとおりです。新規アカウントには50クレジットが付与されます。月のクレジットは繰り越せず、追加購入したクレジットパックには期限がありません。消費量はトラック数と処理内容で変わります。 | プラン | 月額 | 月のクレジット | | ------- | ----- | ------- | | Creator | 12ドル | 660 | | Pro | 30ドル | 1,800 | | Studio | 90ドル | 6,000 | | Max | 199ドル | 14,000 | なお、「stableaudio3.com」のようにStable Audio 3を名乗る別ドメインのサイトもあります。公式のWebアプリはstableaudio.com、重みはHugging Faceの `stabilityai` 配下です。 ### DAWプラグインの対応形式と利用モデル 同じ8月18日に、DAWの中で生成できるプラグイン（ベータ）も公開されました。[公式ガイド](https://kb.stability.ai/knowledge-base/stable-audio-daw-plugin-guide)によると、初期の対応形式はmacOSのVST（Cubase・Reaper・Ableton）とAU（Logic Pro）で、ローカルで動くSA3 SFXとSA3 Mediumを同梱しています。Stable Audioのアカウントでログインすると、クラウドのStable Audio 3 Largeも使え、こちらはWebアカウントと同じクレジットを消費します。インストゥルメントとして読み込む形で、Abletonならインストゥルメントトラックのプラグイン、Logicならインストゥルメントスロットに挿します。初期の機能は文章からの生成だけで、Windows対応、AAX（Pro Tools）、プラグイン内での部分差し替えやaudio-to-audioは今後の予定です。 ## ローカルでの使い方：Hugging Faceから取得して生成する手順 ### 事前準備：モデルの利用申請とハードウェア Hugging Faceの `stable-audio-3-small-sfx`・`small-music`・`medium` はゲート付きで、氏名・メールアドレス・国・所属・利用目的を入力し、ライセンスに同意するとダウンロードできるようになります（承認は自動）。ダウンロード前に `hf auth login` などでアクセストークンを設定しておきます。一方、LoRA学習用の `-base` チェックポイントと、TFLite・MLX・TensorRT用の変換済み重みをまとめた `stable-audio-3-optimized` は、2026年10月16日時点でゲートが無く、ログインせずに取得できます。どちらもライセンスは同じCommunity Licenseです。 必要なハードウェアはモデルと実行経路で変わります。READMEが公表しているH200上のピークVRAMは、Smallが120秒で2.40GB、Mediumが120秒で6.49GB、380秒で6.52GBです。デコードを分割すると、Mediumの120秒は約5.14GBまで下がります。ただしPyTorch版のMediumはFlash Attention 2が前提で、CUDAのGPUでしか動きません。[FlashAttention](/tech/details/16059/)がビルドできる世代のGPUかどうかを先に確認してください。 ### 公式リポジトリ（PyTorch版）でのインストールと生成 公式リポジトリはPythonのパッケージ管理にuvを使います。依存関係はPyTorch 2.7.1で、Linux（x86\_64）では既定でCUDA 12.6版がインストールされます。 ``` git clone https://github.com/Stability-AI/stable-audio-3.git cd stable-audio-3 uv sync --extra ui # Gradio UIも入れる場合 uv run stable-audio --model small-music -p "lo-fi hip hop beat, 90 BPM" --duration 30 -o beat.wav ``` Pythonから呼ぶ場合は `StableAudioModel.from_pretrained()` にモデル名を渡し、`generate()` にプロンプトと秒数を指定します。デバイスは省略するとCUDA、MPS、CPUの順に選ばれます。 ``` from stable_audio_3 import StableAudioModel model = StableAudioModel.from_pretrained("small-sfx") audio = model.generate( prompt="A classic, natural recording of 14-inch hi-hats played tightly closed.", duration=3, seed=42, ) ``` ブラウザで操作したい場合は `uv run python run_gradio.py --model medium` でGradioのUIが起動します。Mediumを使うときは、先にFlash Attention 2を別途入れておく必要があります（上の `uv sync` だけでは入りません）。 ### MacやCPUだけのPCで動かす経路（MLX・TFLite） リポジトリの `optimized/` には、PyTorchを使わない推論ランタイムが3つあります。 - **optimized/mlx**：Apple Silicon専用（Metal GPU）。small-music・small-sfxに加えてMediumも動き、PyTorch版では必須のCUDAとFlash Attentionが要りません。LoRA学習にも対応しています。 - **optimized/tflite**：CPUで動作する版です。2026年10月9〜10日の更新で、3モデルとも長さごとに固定サイズのグラフを用意した「ラングラダー」形式のint8（w8a8）が既定になりました。READMEによると、DiT部分のピークRAMは長さに関係なくMediumで約2〜4GB、Small系で約0.8GBに収まります（旧形式のMedium DiTは380秒で約40GBに達していました）。テキストエンコーダーとデコーダーを含む生成全体のメモリは、下の実測を参考にしてください。 - **optimized/tensorRT**：Linux＋NVIDIA GPU向けの高速化版で、H200ではMediumの380秒を0.43秒で生成します。10月の更新でLoRAの読み込みにも対応しました。 MLX版のREADMEによると、最も遅いM1（メモリ8GB）でも10秒のクリップをSmallは約1秒、Mediumは約5秒で生成し、ピークのメモリ使用量はそれぞれ1.6GBと3.8GBです。M4 Pro（48GB）での計測例では、Mediumで380秒の曲を47.78秒で生成しています。Apple SiliconのMacでMediumを試したいなら、MLX版を使うのが近道です。MLX版は `./sa3 --prompt "..." --dit medium --decoder same-l --seconds 30 --out piano.wav` の形で実行します。 ### Intel MacやGPUなしPCでの実測：Docker上のTFLite版 READMEの表はTFLite版を「macOS / Linux / Windows、x86とARM」としていますが、Intel Macでは公式の3経路がどれもインストールできませんでした（Core i9-9880H搭載のMacBook Proで確認）。 - **PyTorch版**：PyTorch 2.7.1のwheelはLinux（x86\_64・aarch64）、macOS（arm64）、Windows（x64）向けだけで、uvは「requirements are unsatisfiable」で止まります。 - **TFLite版**：必須の `ai-edge-litert` 2.2.0以上は、macOS向けがarm64のwheelしか無く、Intel Macには入りません。 - **MLX版**：Apple Silicon専用です。 Linuxのwheelはあるため、Docker（colimaのx86\_64 VM、4コア・メモリ6GB）上の `python:3.12-slim` で、2026年10月11日時点のmain（コミット77e0398）のTFLite版を動かしたところ、3モデルとも生成できました。重みは初回の実行時にHugging Faceから自動で取得され、ログインは不要でした。2回目以降の実行時間（Pythonの起動とモデルの読み込みを含む生成コマンド全体。依存関係のインストールは含まない）は次のとおりです。 | モデル | 生成した長さ | コマンド全体 | うちDiTの8ステップ | ピークRSS | | ----------------- | ------ | ------ | ----------- | ------ | | Small SFX（sm-sfx） | 5秒 | 28.1秒 | 10.8秒 | 2.16GB | | Small SFX（sm-sfx） | 20秒 | 88.9秒 | 27.7秒 | 2.16GB | | Small（sm-music） | 30秒 | 54.4秒 | 29.3秒 | 2.16GB | | Small（sm-music） | 120秒 | 154.4秒 | 99.4秒 | 2.16GB | | Medium | 30秒 | 129.6秒 | 93.6秒 | 2.16GB | | Medium | 120秒 | 435.0秒 | 356.8秒 | 2.29GB | ``` # stable-audio-3 をcloneしたディレクトリで実行する。重みは ./hf に保存して次回以降も使い回す docker run --rm -v "$PWD":/work -v "$PWD/hf":/root/.cache/huggingface \ -w /work/optimized/tflite python:3.12-slim bash -c ' pip install -q -r requirements.txt && python scripts/sa3_tflite.py --prompt "footsteps on gravel" \ --dit sm-sfx --decoder same-s --seconds 5 --seed 42 --out /work/steps.wav' ``` DiTとデコーダーはどちらも既定のint8（w8a8）で、デコーダーにはSAME-Sを使い、ステップ数は既定の8です。どの長さでもピークRSSは約2.2〜2.3GB（Mediumの初回は2.56GB）で、READMEが説明する「長さに関係なくRAMが平坦」という挙動と合っていました。同じseedで3回生成したWAVはバイト単位で一致し、seedを固定すれば再現できます。一方、テキストエンコーダー（T5Gemma）の処理は実行ごとに9.6〜49.6秒とばらつき、短い効果音では生成そのものより長くかかりました。スレッド数の既定は8で、READMEは物理コア数まで（4〜8）を勧めています。処理時間は音声の長さに対して、Smallの120秒で約1.3倍、Mediumの30秒で約4.3倍、Mediumの120秒で約3.6倍かかりました。GPUのような即時生成ではありませんが、GPUの無い4コアの環境でもMediumまで動かせます。初回はモデルの取得が加わり、Hugging Faceのキャッシュは、Small SFX・SmallとT5Gemmaで約1.7GB、Mediumを加えると約3.2GBになりました。なお、Mediumで `--decoder` を省略すると、スクリプトから呼んだ実行では対話式の選択待ちのまま入力が得られず終了したため、`--decoder same-s` を明示しています。 ### ComfyUIのモデル配置とワークフローテンプレート ComfyUIには公式のワークフローテンプレート「Stable Audio 3.0 Medium」があります。チェックポイント（`stable_audio_3_medium.safetensors`）を `models/checkpoints/` に、テキストエンコーダー（`t5gemma_b_b_ul2.safetensors`）を `models/text_encoders/` に置きます。Mediumのテンプレートは短いアイデアをQwen（`qwen3.5_2b_bf16.safetensors`）で詳しいプロンプトに展開する構成で、Qwenを使わない「Medium Base」版もあります。 ### ローカル実行でつまずきやすい点 - **Mediumの出力が「ザー」というノイズになる**：READMEのトラブルシューティングでは、Flash Attentionが正しく入っていないことが原因とされています。 - **`uv sync` でflash-attnが消える**：flash-attnは `pyproject.toml` に書かれていないため、通常の `uv sync` を実行すると削除されます。入れた後は `uv sync --inexact` を使います。 - **READMEの例のまま音源を渡すと正しく動かない**：READMEとdocsの例は `torchaudio.load()` の戻り値をそのまま `init_audio` や `inpaint_audio` に渡していますが、`torchaudio.load()` が返すのは（波形, サンプルレート）の順です。一方、`generate()` の実装は（サンプルレート, 波形）の順で受け取ります。付属のCLI（`cli.py`）はこの順序を入れ替えてから渡しているので、Pythonから呼ぶときも同じように入れ替えます（2026年10月16日時点のmainでも未修正）。 - **CUDAのバージョンが合わない**：PyTorch 2.7.1が用意しているのはcu118・cu126・cu128です。先にtorchとtorchaudioを入れてから `uv sync --no-install-package torch --no-install-package torchaudio` で同期します。 - **TFLite版でLoRAが効かない**：LoRAを重ねるには `--dit-precision fp32` が必要です。既定のint8（w8a8）にはマージできないため、`--lora` を付けるとfp32に切り替わります。 ## プロンプトの書き方と既存音源の編集 ### 楽曲・効果音プロンプトの記述要素とAudioSparxタグ 公式のプロンプトガイドは、楽曲ならジャンル・楽器・ムード・BPM、効果音なら音源・鳴り方・録音環境を書くよう勧めています。学習データのAudioSparxのメタデータ形式に合わせたタグも効きます。 - `TrackType: Music, VocalType: Instrumental`：楽曲の品質と一貫性が上がりやすい - `TrackType: Instrument`：単独の楽器やステムを出したいとき - `TrackType: SFX`：効果音やサンプル 同じプロンプトでも毎回違う結果になるので、気に入った結果を再現したいときは `seed` を固定します。 ### audio-to-audio・部分差し替え・続きの生成 3.0は文章からの生成に加えて、既存の音源を元にした編集もできます。`init_noise_level` を0.1にすると元の音源に近い変化、0.5で元と新規の中間になります。部分差し替え（インペインティング）は、指定した区間だけを作り直し、それ以外を残します。 ``` import torchaudio from stable_audio_3 import StableAudioModel model = StableAudioModel.from_pretrained("medium") waveform, sr = torchaudio.load("loop.wav") # 10秒の音源とする src = (sr, waveform) # generate() は (サンプルレート, 波形) の順で受け取る audio = model.generate( inpaint_audio=src, inpaint_mask_start_seconds=10.0, # 音源の終わりから inpaint_mask_end_seconds=18.0, # 8秒ぶん続きを作る duration=18, # 省略すると既定の120秒で出力される prompt="dreamy synth outro", ) ``` 開始位置を音源の長さに合わせると、元の曲の続きを生成できます。`duration` の既定値は120秒なので、続きを作るときは出力全体の長さを指定します。複数の区間を一度に作り直す場合は、開始と終了をそれぞれ同じ長さのリストで渡します。 ## LoRAで手持ちの音源に寄せるファインチューニング 公式ブログによると、[LoRA](/tech/details/8963/)学習のドキュメントを重みと一緒に公開したのは3.0が初めてです。学習結果は50〜200MB程度の `.safetensors` ファイルで、推論時にベースモデルへ重ねて強さを調整できます。学習の起点には、ポストトレーニング前の `-base` チェックポイントを使います。 ``` uv sync --extra lora uv run python scripts/train_lora.py \ --model medium-base \ --data_dir ./my_data \ --rank 16 \ --adapter_type lora-xs \ --base_precision bf16 \ --steps 1000 ``` データは音声ファイルと説明文の組で、最低でも20〜50クリップが目安です。公式の目安では、MediumのLoRA学習に約6.5GB、上の `lora-xs` と `bf16` の組み合わせで約5.5GB、Smallなら約2〜2.5GBのVRAMを使います。少ないデータで学習すると秒数の条件付けが乗っ取られることがあるため、その場合は `--exclude seconds_total` で対象から外します。学習したLoRAは、PyTorch版のほかMLX版・TFLite版・TensorRT版でも読み込めます。 ## APIでLargeを使う手順と料金 ### 料金は1回8クレジットの定額（2026年10月時点） Stability AIのAPIは前払いのクレジット制で、1クレジットは0.01ドルです。2026年10月16日時点の[料金ページ](https://platform.stability.ai/pricing)とAPI仕様では、Stable Audio 3.0は成功した生成1回につき8クレジット（0.08ドル）で、尺の長さに関係なく同じ料金です。失敗した生成は課金されません。2026年9月末の時点では26クレジットで、多くの解説記事はこの旧料金のままです。新規登録時に付与される25クレジットで、3回まで試せます。Stable Audio 2.5も、API仕様上は2.5モデルの生成が1回8クレジットです。 月に1,000曲生成すると80ドルになります。料金は改定されることがあるので、見積もりの前に料金ページで確かめてください。 ### 非同期APIのHTTP 202受付と生成結果の取得 エンドポイントは `POST /v2beta/audio/stable-audio/text-to-audio` で、送るとすぐに生成IDがHTTP 202で返ります。結果は `GET /v2beta/audio/results/{id}` を、200が返るまでポーリングして取得します。結果は生成から24時間で削除されます。 ``` curl -s https://api.stability.ai/v2beta/audio/stable-audio/text-to-audio \ -H "authorization: Bearer $STABILITY_API_KEY" \ -H "accept: application/json" \ -F prompt="Upbeat corporate background music, acoustic guitar and light percussion, 110 BPM" \ -F duration=60 \ -F output_format=wav # 返り値の例 {"id": "..."} このidを下のGENERATION_IDに入れる # 202なら生成中なので数秒待って再実行する。200が返ったときだけ音声を保存する code=$(curl -s -o result.tmp -w "%{http_code}" \ https://api.stability.ai/v2beta/audio/results/GENERATION_ID \ -H "authorization: Bearer $STABILITY_API_KEY" \ -H "accept: audio/*") [ "$code" = "200" ] && mv result.tmp bgm.wav || echo "HTTP $code" ``` | パラメータ | 範囲 | 既定値 | | -------------- | ---------- | ---- | | duration | 1〜380秒 | 190 | | steps | 4〜8 | 8 | | cfg\_scale | 1〜25 | 1 | | output\_format | mp3 / wav | mp3 | | prompt | 最大10,000文字 | （必須） | `duration` を省略すると190秒で生成されるので、効果音やジングルのような短い用途では必ず指定します。audio-to-audioとinpaintのエンドポイントも同じ料金で、入力音声はmp3かwav、長さ6〜380秒、リクエスト全体で100MBまでです。 ## 商用利用の条件とライセンス ### Community Licenseの売上条件と登録・帰属表示義務 Small SFX・Small・Mediumの重みは、Stability AI Community Licenseで配布されています。Stability AIとの関係では、適用法で認められる範囲で生成物は利用者に帰属します。年間売上100万ドル（相当額）未満の個人・組織は、ライセンス条件に従って無償で商用利用できます。売上はStability AIのモデルから得たものに限らず、関連会社を含む組織全体で数えます。100万ドルを超えた時点でCommunity Licenseでの権利は終了し、Stability AIに別途ライセンスを申請する必要があります（公式ブログはエンタープライズライセンスを案内しています）。 見落とされやすいのは、無償の範囲でも商用目的で使うならStability AIへの登録が必要な点です。また、モデルや派生物を第三者に提供する場合や、それらを使った製品・サービスを提供する場合は、ライセンス文の提供、所定の帰属表示を記したNoticeファイルの同梱、関連するWebサイト・UI・製品ドキュメントなどでの「Powered by Stability AI」の表示が求められます。 ### WebアプリとAPIで作った音の商用利用 StableAudio.comとAPIで作った音は、ローカルの重みとは別の規約で扱われます。[公式の利用ライセンス解説](https://kb.stability.ai/knowledge-base/stable-audio-commerical-and-usage-licensing)は、無料プランを含むどのプランでも、APIの従量課金でも、利用規約と利用ポリシーの範囲で商用利用できるとしています。収益化したYouTube・配信の動画、広告、アプリやゲームのBGM、楽曲配信、ストック素材やサンプルパックとしての販売も、認められる例として挙げられた用途です。他者の権利を侵害しないことは利用者の責任で、契約上の補償が必要ならエンタープライズ契約を相談するよう案内されています。同じ解説は、自分でホストする重みについては、プランではなく各モデルのライセンス（3.0のSmallとMediumはCommunity License）が適用されると明記しています。 ### T5Gemma同梱に伴うGemma利用規約の適用 Hugging Faceのモデルページでは、同意する規約がStability AIのライセンスだけではありません。重みにはテキストエンコーダーのT5Gemmaが同梱されており、ダウンロード時にGemma Terms of Use（第3.2項の利用制限を含む）への同意も求められます。リポジトリにも `LICENSE.md` と別に `LICENSE_GEMMA.md` が入っています。ゲートの無い `-base` や `optimized` から取得した場合も、同じ2つの規約が同梱されています。製品に組み込む場合は、両方の条件を満たしているかを法務と確認してください。 ### 学習データの提供元・件数とライセンス内訳 公式ブログは全モデルを「完全にライセンスされたデータ」で学習したと説明していますが、技術レポートの要旨の表現は「licensed and Creative Commons data」です。Hugging Faceのモデルカードによると、学習データは1,278,902件の録音で、うち806,284件が商用音楽ライブラリのAudioSparxからライセンスを受けたもの、472,618件が音源共有サイトFreesoundのCC0・CC-BY・CC Sampling+の音源です。Freesound側は音楽らしい音源をタグ付けモデルで検出し、外部の検査会社に著作物の混入を確認させたうえで除外したと説明しています。 公式モデルカードには学習データの提供元・ライセンス・除外処理が記載されており、社内や取引先に学習データの調達方針を説明する材料になります。ただし公式ブログが法的補償（インデムニフィケーション）を挙げているのはエンタープライズライセンスだけで、補償が必要な案件ではエンタープライズ契約が前提になります。 ## Suno・Udio・他のオープンモデルとの使い分け 判断の軸は「歌が要るか」と「どこで動かすか」の2つです。 - **歌詞付きの曲を作る**：Stable Audio 3.0は向きません。SunoやUdioのようなクラウドサービスか、オープンモデルならACE-Step 1.5やDiffRhythmを選びます。Googleの[Gemini音楽生成（Lyria）](/tech/details/11555/)や[Flow Music（旧ProducerAI）](/tech/details/11140/)もこの用途の選択肢です。 - **インストゥルメンタルや効果音を、社外にデータを出さずに作る**：Stable Audio 3.0のSmall系が候補です。CPUだけで動き、重みと依存関係を一度取得すれば推論はローカルで完結します。 - **まず音を聞いてみたい・DAWで制作したい**：ブラウザだけで試すならStableAudio.com、Logic ProやAbleton Liveで制作するならDAWプラグインを入れて、インストゥルメントとして読み込みます。どちらもPythonやGPUの準備は要りません。 - **自社の音源の雰囲気に寄せたい**：LoRA学習の公式手順があるStable Audio 3.0が扱いやすい選択です。 逆に、年間売上100万ドルを超える企業が、エンタープライズ契約を結ばずにSmallやMediumを製品へ組み込むのは避けるべきです。重みを自由に落とせても、Community Licenseの対象外になるためです。同じStability AIの画像生成モデルの入手条件は[Stable Diffusion 3の記事](/tech/details/2738/)で扱っています。効果音やBGMの生成を自社のアプリやサービスに組み込む場合は、ライセンス条件の確認から実装まで[生成AI開発・AI受託開発](/service/ai/development/)でご相談いただけます。 ## Stable Audio 3.0のよくある質問 ### Stable Audio 3.0は無料で使えますか？ Small SFX・Small・Mediumの重みは無料でダウンロードでき、年間売上100万ドル未満なら商用利用も無償です（商用目的では登録が必要）。StableAudio.comは新規登録で50クレジット、APIは新規登録で25クレジットが付与され、APIのLargeは1回8クレジット（2026年10月16日時点）なので3回まで試せます。 ### ローカル実行に必要なVRAMはどれくらいですか？ Smallは120秒の生成でピーク2.40GBで、GPUが無くてもCPUで動きます。PyTorch版のMediumは120秒で6.49GB、380秒で6.52GBで、CUDA GPUとFlash Attention 2が必要です。Apple SiliconのMacならMLX版、GPUの無いPCならTFLite版でMediumを動かせます。 ### Intel MacやGPUの無いPCでも動きますか？ GPUの無いWindows（x64）やLinuxならTFLite版で動きます。Intel Macは公式の3経路がどれもインストールできないため、DockerなどでLinux環境を用意してTFLite版を使います。この方法で、Small SFXの5秒の効果音を約28秒（モデルの読み込みを含む）で生成できました。 ### 日本語のプロンプトは使えますか？ 入力はできますが、英語の説明文で学習しているため品質が落ちると公式が明記しています。英語で、ジャンル・楽器・ムード・BPMを具体的に書くのが確実です。 ### 歌やボーカル入りの曲は作れますか？ 作れません。聞き取れる歌声は出力されず、話し声の生成にも対応していません。歌ものはACE-Step 1.5やSunoなど別のモデルを使います。 ### Largeモデルをローカルで動かせますか？ 公開重みを取得して一般利用者がローカル実行することはできません。Largeの利用経路は、Stability AIのAPI、DAWプラグインのクラウド生成、エンタープライズ契約でのセルフホストです。 ## 関連記事 - [ACE-Step 1.5とは？使い方とRemix・Repaintのやり方、XLの必要VRAM・商用利用【2026年10月】](/tech/details/10868/) - [DiffRhythmとは？使い方・必要VRAM・DiffRhythm 2との違いと商用利用](/tech/details/5685/) - [Gemini音楽生成は30秒以上作れる｜Lyria 3.5で最長3分・制限・料金・商用利用](/tech/details/11555/) - [ProducerAIとは？Google Flow Musicへの改称と料金・無料枠・使い方【2026年9月】](/tech/details/11140/) - [FlashAttentionとは？仕組みとFA2・3・4の違い・GPU世代別の実装判断を解説](/tech/details/16059/) --- 出典: [Stable Audio 3.0とは？4モデルの違いと使い方（ローカル・Web・API）・料金・商用利用]()（株式会社一創）