Dunia **generasi audio AI** terus berkembang, dan **Stable Audio 3: Next Generation AI Audio Generation** hadir sebagai inovasi terbaru dari Stability AI. Platform ini dirancang untuk inferensi dan fine-tuning, dibangun berdasarkan pelajaran dari model Stable Audio sebelumnya. Jika kamu berencana melakukan riset dasar atau bekerja dengan model Stable Audio lama, *repository* mereka yang asli masih menjadi tempat yang tepat. Namun, untuk pengalaman yang lebih fokus dan efisien, Stable Audio 3 adalah jawabannya.

Stable Audio 3 menawarkan berbagai *checkpoint* dasar (yang belum *post-trained*), *autoencoder* SAME yang sama, serta varian yang telah dioptimalkan. Platform ini mendukung penggunaan CPU-only melalui CoreML untuk Diffusion Transformer dan TFLite untuk SAME-S decoder. Kamu bisa menghasilkan audio berdurasi menit dalam hitungan milidetik, menjadikannya alat yang kuat untuk berbagai kebutuhan kreasi.

## Fitur Unggulan Stable Audio 3

Stable Audio 3 dibekali dengan beberapa kemampuan utama yang membuatnya menonjol, memungkinkan kamu berkreasi lebih bebas tanpa hambatan teknis.

### Generasi Audio Multimode

Platform ini mampu menangani berbagai jenis generasi audio secara fleksibel:

*   **Text-to-audio**: Cukup masukkan teks, dan Stable Audio 3 akan mengubahnya menjadi audio.
*   **Audio-to-audio editing**: Edit rekaman yang sudah ada dengan *prompt* untuk mengubah gaya atau *mood*-nya.
*   **Inpainting/continuation**: Regenerasi area spesifik pada *file* audio sambil mempertahankan bagian lainnya, atau perpanjang klip audio yang sudah ada.

### Efisiensi Sumber Daya

Stable Audio 3 dirancang agar efisien. Ini mampu menangani generasi berbagai sekuens tanpa membuang waktu inferensi dan VRAM pada *latent* yang tidak terpakai. Sebagai gambaran, berikut adalah penggunaan VRAM pada perangkat H200:

| Konfigurasi                       | VRAM Dialokasikan (H200, unchunked) | VRAM Dialokasikan (Chunked) |
| :-------------------------------- | :---------------------------------- | :-------------------------- |
| Generasi audio 120 detik          | 6.49 GB                             | ~5.14 GB                    |

Penggunaan *chunked decoding* dapat mengurangi beban VRAM secara signifikan, seperti yang terlihat pada tabel di atas.

### Stylization Fleksibel

Fitur **Stylization** memungkinkan kamu mengadaptasi model apa pun ke gaya target. Ini dapat ditumpuk dan disesuaikan saat *runtime*, memberikan kontrol kreatif yang mendalam atas hasil audionya.

### Backend Inferensi Beragam

Stable Audio 3 mendukung berbagai backend inferensi, sehingga kamu dapat memilih yang paling sesuai dengan *setup* perangkat kerasmu:

| Backend Inferensi | Platform          | Catatan                                |
| :---------------- | :---------------- | :------------------------------------- |
| CPU (Small)       | CPU-only          |                                        |
| CUDA/TensorRT     | NVIDIA GPU        | Untuk performa tinggi                  |
| Apple Silicon     | CoreML            |                                        |
| Lainnya           | Segera hadir      |                                        |

### Semantic-Acoustic Music Encoder (SAME)

*Encoder* ini, atau **Semantic-Acoustic Music Encoder (SAME)**, beroperasi dalam stereo pada 44.1 kHz dengan *latent* 256-dimensi. SAME dioptimalkan untuk *generative tractability* dan rekonstruksi audio berkualitas tinggi, menjadi komponen krusial dalam kemampuan Stable Audio 3.

## Panduan Instalasi Stable Audio 3

Untuk mulai menggunakan Stable Audio 3, kamu bisa menginstal versi minimal agar lebih ringan:

```bash
pip install stable-audio-3[minimal]
```

Jika kamu memerlukan PyTorch yang di-build dengan versi CUDA yang berbeda dari CUDA 12.6, kamu perlu menginstal *torch* dan *torchaudio* secara manual terlebih dahulu. Pastikan versinya sama dengan yang digunakan oleh Stable Audio 3, lalu sinkronkan tanpa menginstalnya kembali. Contohnya:

```bash
pip install torch==2.7.1 torchaudio==2.7.1 --index-url https://download.pytorch.org/whl/cu121
pip install stable-audio-3[cuda] --no-deps
```

Periksa situs PyTorch untuk memastikan varian CUDA yang kamu inginkan tersedia.

### Persyaratan untuk Stable Audio 3 Medium

Versi **Stable Audio 3 Medium** membutuhkan *flash-attn* untuk performa cepat tanpa kompilasi. Cara termudah mendapatkannya adalah dari *community repo* PyTorch. Cari *wheel* yang cocok dengan versi CUDA, PyTorch, dan Python-mu, lalu instal langsung. Contohnya:

```bash
pip install flash_attn-2.5.9+cu126torch2.7.1-cp310-cp310-linux_x86_64.whl
```

Pastikan nama *file* sesuai dengan lingkunganmu. Jika tidak ada *pre-built wheel* yang cocok, kamu bisa *build* dari *source*. Instal `ninja` terlebih dahulu untuk mempercepat kompilasi C++, lalu atur variabel lingkungan untuk *machine* kamu:

```bash
export TORCH_CUDA_ARCH_LIST="8.6" # Atur sesuai compute capability GPU kamu, contoh: 8.6 untuk RTX3080/RTX4090/L40S
export MAX_JOBS=8 # Jumlah proses kompilasi paralel, 4-8 sudah umum
pip install -e '.[dev]' --no-deps # Instal/update dependensi
```

## Mulai Berkreasi dengan Stable Audio 3

Stable Audio 3 menyediakan antarmuka web Gradio dan *command line interface* (CLI) untuk memudahkan penggunaan.

### Antarmuka Web Gradio

Untuk meluncurkan antarmuka web lokal, jalankan perintah ini:

```bash
python -m stable_audio_3.ui
```

Ini akan memulai antarmuka web lokal dengan tautan yang bisa dibagikan. Untuk memuat *checkpoint* LoRA, kamu bisa mengaturnya di UI, misalnya: `/path/to/lora.safetensors`.

### Mode Inferensi via Python

Stable Audio 3 mendukung beberapa mode inferensi yang dapat kamu gunakan langsung dari skrip Python:

*   **Generasi audio dari teks**:
    ```python
    stable_audio_3.generate_to_audio("a jazz track", output_file="jazz_track.wav")
    ```
*   **Edit rekaman yang sudah ada**:
    ```python
    stable_audio_3.edit_audio(input_file="music.wav", prompt="turn this into a rock song", output_file="rock_version.wav")
    ```
*   **Regenerasi wilayah spesifik atau *continuation***:
    ```python
    stable_audio_3.inpaint_audio(input_file="music.wav", mask_start=5, mask_end=10, prompt="add a drum solo", output_file="music_with_solo.wav")
    ```
    Untuk meregenerasi beberapa wilayah dalam satu *pass*, teruskan daftar ke kedua parameter *mask*. Untuk memperpanjang klip audio (*continuation*), atur `mask_start` ke panjang *file* sumber dan pilih `target_audio_len` yang lebih panjang.
*   **Penggunaan *autoencoder* secara langsung**:
    ```python
    latents = stable_audio_3.encode_audio(input_file="music.wav")
    audio = stable_audio_3.decode_latents(latents)
    ```
    Fungsi ini juga mendukung *encoding batch*, pemrosesan *chunked*, dan *pre-encoding dataset* untuk pelatihan LoRA.

### Menggunakan Command Line Interface (CLI)

*CLI* Stable Audio 3 juga tersedia untuk menjalankan generasi tanpa perlu menulis kode Python:

*   **Generasi audio dari *prompt* teks**:
    ```bash
    stable-audio-3 generate "a jazz track" --output-file jazz_cli.wav
    ```
*   ***Restyle* rekaman yang sudah ada**:
    ```bash
    stable-audio-3 restyle music.wav "a rock song" --output-file rock_cli.wav
    ```
*   **Regenerasi wilayah tertentu**:
    ```bash
    stable-audio-3 inpaint music.wav --mask-start 5 --mask-end 10 "a drum solo" --output-file solo_cli.wav
    ```
*   **Perpanjang klip audio**:
    ```bash
    stable-audio-3 extend music.wav --target-len 60 --output-file extended_cli.wav
    ```

Kamu bisa melihat daftar lengkap *flag* yang tersedia dalam dokumentasi.

## Skalabilitas dan Komunitas

Stable Audio 3 dirancang untuk dapat diskalakan, mulai dari laptop pribadi hingga *server* GPU. Jika kamu mencari dukungan dan diskusi, bergabunglah dengan *server* Discord Harmonai. Tim riset di sana mengadakan *office hour* mingguan untuk membahas segala hal tentang AI audio dan musik.

Bagi *power user* pelatihan LoRA, Dadabots menawarkan alat eksperimental seperti orkestrasi dan pemantauan LoRA *agentic*. Kamu bisa mencarinya jika pelatihan LoRA di *repo* ini belum cukup.

## Tips Pemecahan Masalah

Jika kamu mengalami masalah dengan *flash-attention*, kemungkinan ada masalah instalasi. Kamu bisa memverifikasinya dengan menjalankan `import flash_attn`. Jika terjadi *error*, *flash-attn* tidak terinstal dengan benar. Cek kembali bagian instalasi.

Untuk menginstal dependensi *dev*, gunakan:

```bash
pip install -e '.[dev]'
```

Secara default, *output* audio yang dihasilkan akan disimpan ke direktori `outputs/` untuk memudahkan inspeksi manual.

## Referensi
https://github.com/Stability-AI/stable-audio-3

Pelajari Stable Audio 3, platform AI generasi audio terbaru dari Stability AI untuk inferensi dan fine-tuning, lengkap dengan fitur, instalasi, dan mode penggunaan yang beragam.

Stable Audio 3: Evolusi Berikutnya dalam Generasi Audio AI

Reggi

Solusi praktis integrasi webmail custom ke dalam dashboard Gmail. Kelola, baca, dan kirim email domain pribadi langsung dari satu tempat tanpa ribet gonta-ganti tab.

Mengapa Kamu Masih Buka Dua Tab Terpisah? Panduan Setup Custom Webmail Langsung di Dashboard Gmail

Pelajari efisiensi merakit mesin tetas telur listrik AC otomatis dengan modal murah untuk mendongkrak hasil ternak unggas tanpa repot bolak-balik telur manual.

Otomasi Ternak Unggas: Kenapa Rakit Sendiri Mesin Penetas Telur AC Jauh Lebih Worth It Dibanding Cara Konvensional?

Pelajari bagaimana mesin tetas telur berbasis arus listrik DC bekerja menjaga suhu dan kelembapan ideal untuk mendongkrak keberhasilan penetasan telur unggas.

Mesin Tetas Telur Arus DC: Solusi Hardware Murah Buat Tingkatin Angka Penetasan Unggas

Kupas tuntas seluk-beluk mobil aki anak dengan kontrol ganda dan fitur multimedia. Pahami batas spesifikasi hardware sebelum eksekusi build sendiri.

EV Versi Mini: Membedah Mobil Listrik Aki Lengkap dengan Remote Control dan Fitur Multimedia

Pelajari cara merakit smart power strip berbasis NodeMCU dan Blynk untuk kontrol daya nirkabel serta integrasi IoT yang aman dan efisien.

Mengapa Beli Mahal Kalau Bisa Bikin Sendiri? Rancang Smart Power Strip Berbasis NodeMCU dan Blynk

Solusi tuntas mengatasi bug sistem dan software bermasalah di MacBook dengan panduan install ulang macOS lewat Internet Recovery secara aman.

#text-to-audio

Getting Lastest Post..

Populer Bulan Ini