Stability Audio 3.0公開 — 6分超の楽曲生成と3モデルをOSS公開

Stability AIが音楽・効果音生成モデル「Stability Audio 3.0」を発表し、4種のモデルのうち小型3モデルをオープンソースで公開しました（TechCrunch報道）。最大の2.7Bパラメータ「large」モデルは6分20秒の楽曲を生成でき、曲の構造や旋律を維持した長尺コンポジションが可能になっています。2024年の前作「Stable Audio Open」が最大47秒だったのと比較すると、生成可能な長さが約8倍に伸びた大幅なアップデートです。Warner Music GroupとUniversal Music Groupとのライセンス契約により学習データの権利問題をクリアしており、競合との法的リスクの差別化も図っています。

背景と文脈
技術/ビジネス面
これからどうなるか
まとめ
参考リンク

背景と文脈

AI音楽生成ツールは2023〜2024年にかけて急速に進化しました。SunoやUdioが高品質な音楽をテキストプロンプトから生成できることを示し、業界の注目を集める一方で、両社は著作権侵害訴訟を複数抱えており、学習データのライセンス問題が業界全体の課題として浮上しました。

Stability AIは2022年の画像生成モデル「Stable Diffusion」で注目を集めましたが、その後経営難による人員削減を経験するなど苦境の時期もありました。音楽生成分野ではStable Audio（2023年）、Stable Audio Open（2024年）とモデルを重ねてきましたが、47秒という生成時間の制限が実用面の壁になっていました。今回のStability Audio 3.0はその制限を突破する技術的前進と、ライセンス問題への対処を同時に実現した形です。

競合のSunoやUdioが訴訟リスクを抱えながら運営するなか、Stability AIが主要レーベルとのライセンス契約を取得したことは、商業展開の観点で大きな差異となります。

技術/ビジネス面

Stability Audio 3.0は4種のモデルで構成されています。

small SFX（459Mパラメータ）: 効果音（SFX）に特化した軽量モデル、オンデバイス動作対応
small（459Mパラメータ）: 短尺の音楽生成（最大2分）、オンデバイス動作対応
medium（1.4Bパラメータ）: 6分20秒の本格的なコンポジション（楽曲全体の構成）に対応
large（2.7Bパラメータ）: プロ品質の長尺楽曲生成（6分20秒）、API・エンタープライズ向け

small SFXとsmallの2つは「オンデバイス音楽・効果音生成に適している」と公式に案内されており、クラウドを介さずローカルで実行できます。プライバシーを重視する環境や低レイテンシ（応答の遅延）が求められるゲーム・インタラクティブアプリでの活用が期待されます。

ライセンス面では、small SFX・small・mediumの3モデルがオープンソースとして公開されています。largeモデルはAPIアクセス、セルフホスティング、またはエンタープライズライセンスが必要で、年間収益100万ドルを超える企業にはエンタープライズ契約が義務づけられています。学習データについては、Warner Music GroupとUniversal Music Groupとのライセンス契約を締結しており、「完全にライセンスされたデータ」で訓練したと明言しています。

これからどうなるか

開発者視点では、smallモデルのOSS公開は、ゲーム・動画・ポッドキャストアプリに効果音や背景音楽を組み込む用途で使いやすい出発点になります。オンデバイス動作可能な点は、エッジ環境やオフライン対応アプリへの組み込みを可能にします。largeモデルがAPIとして提供される場面では、長尺の劇伴・広告音楽・ゲームBGMの量産といったプロダクション用途でも現実的な選択肢になります。

業界全体としては、ライセンス済みデータで訓練したモデルが商業的に競争力を持てるかどうかの試金石になります。法的リスクを避けながら高品質な音楽生成AIを導入したい企業にとって、Stability Audio 3.0は今後の採用候補として注目度が高まりそうです。