stable-audio

Stable Audio 制作ガイド

Stable Audio は、音楽やサウンドデザイン向けの出力を生成する Stability AI のファミリーであり、音声、声のクローン、対話、最終的なミックス／マスタリング向けではありません。プロジェクトで、インストゥルメンタル音楽、ループ、ステム／アイデア、効果音、フォーリー風の素材、環境音、スティンガー、トランジション、または権利処理済み音源を使ったスタイル編集や続きを生成する必要がある場合に使用してください。音声、吹き替え、ナレーション、トランスクリプトの位置合わせ、ラウドネスのマスタリングは、用途に適した音声／ポストプロダクション用ツールに振り分けてください。

このガイドに記載されている変動する可能性のある情報は、2026-07-10 に Stability AI の公式ページ、Stability API OpenAPI 仕様、公式モデルカード／リポジトリ、Stability のポリシーページで確認しました。

機能一覧

確認済みの事実：

• ホスト型 Stability API では、Stable Audio のルートファミリーが 2 種類公開されています。
  • /v2beta/audio/stable-audio-2/... 配下の Stable Audio 2 エンドポイント。model の選択肢は stable-audio-2 と stable-audio-2.5 です。
  • /v2beta/audio/stable-audio/... 配下の Stable Audio 3 エンドポイント。model=stable-audio-3 です。
• サポートされているホスト型ワークフローは、テキストから音声への生成、音声から音声への生成、インペインティング／継続生成です。
• ホスト型の出力は 44.1 kHz のステレオで、出力形式は mp3 または wav です。
• Stable Audio 2／2.5 のホスト型エンドポイントは、成功時に音声を同期的に返します。Stable Audio 3 のホスト型エンドポイントは生成 ID とともに HTTP 202 を返します。HTTP 200 で音声が返されるまで、GET /v2beta/audio/results/{id} をポーリングしてください。
• Stable Audio 2／2.5 のホスト型エンドポイントで指定できる長さは 1～190 秒です。音声から音声への生成とインペインティングに使用する音声アップロードは 6～190 秒、形式は mp3 または wav である必要があり、リクエストの上限は 50 MB です。
• Stable Audio 3 のホスト型エンドポイントで指定できる長さは 1～380 秒です。音声から音声への生成とインペインティングに使用する音声アップロードは 6～380 秒、形式は mp3 または wav である必要があり、リクエストの上限は 100 MB です。
• プロンプトの長さは 10,000 文字までです。
• seed に 0 を指定するか省略するとランダム生成になります。再現性のため、明示的に指定したシードを記録しておくこともできます。
• steps はモデルによって異なります。Stable Audio 2 では 30～100 ステップを指定でき、デフォルトは 50 です。Stable Audio 2.5 と Stable Audio 3 では 4～8 ステップを指定でき、デフォルトは 8 です。
• cfg_scale の範囲は 1～25 です。API ドキュメントでは、プロンプトへの準拠度を調整する値と説明されています。デフォルトは Stable Audio 2 で 7、Stable Audio 2.5 で 1、Stable Audio 3 で 1 です。プロンプト、長さ、モデル、ステップ数、ソース音声の設定を決めた後の二次的な調整値として扱ってください。
• 音声から音声への生成では、strength は 0～1 の範囲で、ソース音声の影響度を調整します。Stability の説明では、0 は入力と同一、1 は音声の影響がない状態に相当します。
• インペインティングでは、mask_start と mask_end を秒単位で指定し、置き換えまたは継続生成する区間を選択します。
• ホスト型サービスの料金（2026-07-10 に確認）：Stable Audio 2.0 は生成成功 1 回あたり credits = 17 + 0.06 * steps で、デフォルトの 50 ステップでは通常 20 クレジット、100 ステップでは 23 クレジットです。Stable Audio 2.5 は結果 1 件あたり 20 クレジット、Stable Audio 3.0 は結果 1 件あたり 26 クレジットです。Stability によると、生成に失敗した場合は課金されません。Stability の料金体系では 1 クレジット = $0.01 で、料金は変更される場合があります。
• Stable Audio Open 1.0 はオープンウェイトのテキストから音声への生成モデルで、44.1 kHz の可変長ステレオ音声を最大 47 秒まで生成します。
• Stable Audio 3 のオープンウェイト版には small-music、small-sfx、medium があります。公式リポジトリによると、Small の音楽／SFX モデルは 433M パラメーターで CPU に対応し、最大長は 120 秒です。Medium は 1.4B の CUDA モデルで、最大長は 380 秒です。Stable Audio 3 Large は公式リポジトリでは API 専用です。

出典：Stability API リファレンス／OpenAPI 仕様、Stable Audio 3 のページ、Stable Audio 2.0 の発表、Stable Audio 2.5 の発表、Stable Audio 3 リポジトリ、Stable Audio Open 1.0 モデルカード、Stable Audio Open の論文、Stable Audio 3 の論文、Stability の料金ページ.

プロンプトを入力する前にルートを選択する

最新かつ最も高性能なホスト型 Stable Audio が必要な場合、最大約6分のベッドを作成する場合、非同期生成を許容できる場合、またはインペインティング／継続生成を計画に含める場合は、ホスト型 Stable Audio 3 を使用してください。190秒では足りない、長尺の音楽ベッド、ゲームや音楽に合わせて変化するキュー、サウンドブランディングのバリエーション、複雑な環境音を作成する際に、最も適した選択肢です。

同期 API の動作が必要で、190秒で十分であり、Stable Audio 2.5 で文書化されている速度、音楽的な構成、ムード／ジャンルのプロンプトへの追従性、インペインティングの改善が重要な、商用の音楽／サウンド制作を行う場合は、ホスト型 Stable Audio 2.5 を使用してください。

Stable Audio 2 は、既存のパイプラインがその動作に依存している場合、または30～100ステップの範囲と cfg_scale の動作を意図的に必要とする場合にのみ使用してください。エンドポイントのデフォルトが stable-audio-2 だからという理由だけで、デフォルトとして使用しないでください。モデルを明示的に設定してください。

ローカルまたはセルフホスト可能な生成、ファインチューニング／LoRA の実験、データ管理のレビュー、オフラインでの反復作業が重要な場合は、Stable Audio 3 のオープンウェイトを使用してください。次のように選択してください。

• 最大120秒の音楽を CPU ですばやく下書きする場合は small-music。
• 最大120秒の効果音を CPU ですばやく下書きする場合は small-sfx。
• CUDA と依存関係の制約を許容でき、最大380秒の高品質なローカル生成を行う場合は medium。

47秒の制限を許容でき、旧世代のオープンモデル、diffusers／stable-audio-tools との互換性、または研究目的での比較が必要な場合にのみ、Stable Audio Open 1.0 を使用してください。

次の用途には Stable Audio を使用しないでください。

• 必要なボーカルのワークフローを現行の製品／ツールが明示的にサポートしていない限り、歌詞や歌唱パフォーマンスの生成。
• ナレーション、朗読、音声クローン、リップシンク。
• 既知のアーティスト、楽曲、レーベルのサウンド、または著作権で保護された録音の正確な再現。
• ユーザーが権利処理を済ませていないアップロード。
• 最終的な法務／音楽監修上のクリアランス。

権利、同意、プライバシー、アップロードの確認

オーディオからオーディオへの生成またはインペイントのリクエストを行う前に、アップロードするすべての音声について、変換に必要な権利が確保されていることをユーザーまたはプロジェクト概要で確認してください。Stability の API ドキュメントと Stable Audio の発表では、著作権で保護されたコンテンツのアップロードは禁止されており、アップロード時にコンテンツ認識／コンプライアンススキャンを実施すると説明されています。「ネットでこの曲を見つけました」という音声は、ライセンス取得済み、パブリックドメイン、委託制作、自身で録音したもの、またはその他の方法で許可を得た素材に差し替えられるまで、使用不可として扱ってください。

商用メディアの場合は、次の情報を記録してください。

• プロバイダー／モデル／バージョン、またはリポジトリ ID；
• エンドポイント／ワークフロー；
• プロンプト；
• 使用した場合は、長さ、シード、ステップ数、cfg_scale、strength、マスクの時刻、出力形式；
• 元の音声ファイル名、所有者、ライセンス／許可、および第三者の音楽、ボーカル、個人を特定できる音声、ブランド、場所の環境音が含まれているかどうか；
• 生成日時、利用可能な場合はリクエスト ID／生成 ID、クレジット使用量；
• 後処理の手順と最終的な書き出し先のパス。

Stability の利用規約では、ユーザーは入力に責任を負い、入力に関する権利、ライセンス、許可を有している必要があると定められています。また、ユーザーと Stability の間では、コンプライアンスおよび適用法を条件として、Stability が出力に対して有する権利をユーザーに譲渡するとされています。同じ規約では、出力はユーザー間で類似する場合があること、使用前にユーザーが合法性と適切性を確認する必要があること、利用可能な場合にユーザーがオプトアウトしない限り、Stability がサービスの改善に入力／出力を使用する場合があることも記載されています。プライバシー／セキュリティポリシーの主張を誇張しないでください。Stability は組織的および技術的な保護策を講じているとしていますが、インターネット上での送信／保存が完全に安全である保証はありません。

機密性の高いブランドライブラリ、未発表の音楽、有名人の音声、未成年者、医療／法律に関するコンテンツ、または契約上の知的財産については、プロジェクトのデータ取り扱い要件が判明している場合に限り、エンタープライズで承認された設定、またはローカル／オープンウェイトの方法を優先してください。API が便利だからという理由だけで、機密性の高いステムをアップロードしないでください。

出典：Stability 利用規約、Stability 許容使用ポリシー、Stability プライバシーポリシー、Stable Audio 2.0 の発表、Stable Audio 2.5 の発表、Stability SOC 2／SOC 3 の発表。

本番向けのプロンプト作成

Stable Audio は、動画に何を表示するかではなく、音声をどのように聞かせたいかをプロンプトで説明すると、最も良い結果を返します。視覚的な意図を音響パラメーターに置き換えてください。

Stability のガイダンスで文書化されているプロンプト要素には、ジャンル／サブジャンル、スタイル、テンポ／BPM、ムード、楽器の種類があります。以下の制作上のヒューリスティックは、文書化された保証ではありません。レビューや反復作業を容易にするために活用してください。

• まず用途を明示します。「15-second UI success stinger」「90-second product-launch bed」「6-second cloth-rustle foley」「loopable 120 BPM tech-house drum loop」。
• 同期が重要な場合はテンポ／BPMを含めます。「loopable」は、ループのつなぎ目をQAする場合にのみ含めてください。
• 他の音楽に重ねる必要がある場合にのみキーを指定します。キーの指定に従うことは保証されないため、耳または音声分析で確認してください。
• 具体的な楽器編成とミックス表現を使います。「muted palm-picked electric guitar」「dry close-mic footsteps on wet concrete」「subtle analog tape hiss」「wide stereo pad, no lead melody」。
• 音楽ベッドではセクションを表す言葉を使います。イントロ、リフト、ブレイクダウン、アウトロ、締めのアクセント、20 秒前に急なドロップを入れない、などです。
• ホスト型 API にネガティブプロンプトのパラメーターがない場合は、肯定的なプロンプト内で避けたい要素を控えめに指定します。「no vocals, no recognizable melody, no heavy drums」。
• 効果音では、物体、素材、動作、空間、距離、強さ、余韻を説明します。「陶器のマグカップを木製の机に静かに置く。近い視点、小さな部屋の反響、短く自然な余韻。」
• 映画的なアンビエンスでは、ベッド音とイベント音を分けて記述します。「遠くで時折サイレンが鳴り、タイヤのかすかな音が聞こえる、途切れのない低い街の夜の環境音。前景の話し声はなし。」

プロンプト内で矛盾がないようにしてください。「ミニマルなアンビエント系の企業向けピアノ」と「アグレッシブなドラムンベースのフェス向けドロップ」を同時に求める単一のプロンプトでは、レビュー対象を制御しにくくなります。

パラメーター戦略

長さ：

• 必要な編集尺に、ハンドル分を加えた長さに近い音声を生成します。30 秒のベッド音では、フェードイン／アウトや別のダウンビートが必要になる可能性がある場合、35～45 秒を指定します。効果音では、必要な長さに短い余韻だけを加えて指定します。長い効果音を生成すると、無関係なイベントが入りやすくなります。
• ループ用アセットでは、ループ 1 周分より長く生成してから、最も安定した区間を切り出し、後処理でクロスフェードまたはビートマッチングを行います。

モデル：

• 常に model を明示的に設定します。エンドポイントのデフォルト設定に依存しないでください。
• 191～380 秒のホスト型処理や非同期パイプラインでは、stable-audio-3 を優先します。
• 同期型の 1～190 秒のホスト型処理では、プロジェクトの履歴から 2.0 が必要な場合を除き、stable-audio-2.5 を優先します。

ステップ数：

• 2.5／3 では、文書化されている 4～8 の範囲内で品質を優先する設定として、デフォルトの 8 を使います。ステップ数を下げるのは、ドラフトをまとめて生成する場合に限ります。
• 2.0 では、デフォルトの 50 をコストと品質の基準にします。最終版に近いレンダーにもう一度品質向上の処理を加える必要があり、追加クレジットを許容できる場合にのみ、100 に近づけます。

シード：

• アイデア出しのバッチ生成にはランダムシードを使います。
• 採用する生成結果については、返されたシードを記録します。
• シードを再利用するのは、プロンプトまたはパラメーターの変更をテストする場合に限ります。モデルやプロバイダーの更新後も完全に同じ結果になるとは保証しないでください。

出力形式：

• 編集、ループ、レイヤー化、ミックス、またはマスタリングを行うアセットには wav を使います。
• 手早いプレビュー、リスクの低い仮トラック、または納品システムで必要な場合は mp3 を使います。

音声から音声への変換強度：

• 0.15～0.35：元の動作やタイミングを保ち、控えめにスタイルを変更します。
• 0.35～0.65：大まかなリズムや輪郭を保ちながら、音の特徴を変えます。
• 0.65～0.9：元の音声を主に着想源として使い、大きく変換します。
• 1.0：API ドキュメントによると、実質的に元の音声の影響がなくなります。実装上アップロード経由が必要な場合を除き、代わりにテキストから音声への生成を使ってください。

インペイントマスク：

• モデルがなじませる余地を持てるよう、問題のある区間より少し前に mask_start を、少し後に mask_end を設定します。
• 続きを生成する場合は、継続させたい位置から目的の終わりまでをマスクします。
• インペイント後は、つなぎ目のクリックノイズ、位相の変化、テンポのずれ、キーのずれ、部屋鳴りの不連続を確認します。

ワークフローパターン

テキストから音楽ベッドを生成する場合：

1. 動画や編集のニーズを音楽の役割に落とし込みます。エネルギーの変化、目標の長さ、テンポの範囲、避ける要素、編集ポイントを整理します。
2. フル尺の最終版を作る前に、短めまたは中程度の候補を3～6個生成します。
3. 初聴での高揚感だけでなく、構成と編集のしやすさを基準に選びます。
4. 記録したシード値とパラメーターを使って、最終版をwavで生成します。
5. 映像に合わせて編集し、フェードをかけ、セリフの下で音量を下げ、ラウドネスを正規化して確認します。

テキストから効果音／フォーリーを生成する場合：

1. アンビエンスが意図的な場合を除き、分離された、残響の少ない素材を生成します。
2. UI音やフォーリーには近い視点と短い余韻を、アンビエンスには環境と距離を指定します。
3. 短い尺で複数のバリエーションを生成します。
4. ポストプロダクションでレイヤーを重ねてタイミングを合わせます。1回の生成ですべてのヒット音をまかなえるとは考えないでください。
5. 隠れた音声、音楽、クリッピング、過剰な残響、視点の不一致がないか確認します。

音声から音声への変換：

1. アップロードする権利があることを確認し、非公開または不要な素材を取り除きます。
2. ソースを必要な部分だけにトリミングし、ドキュメントに記載された尺とサイズの上限を守ります。
3. タイミングやモチーフをどの程度残す必要があるかに応じて、強度を選びます。
4. ソースの説明だけでなく、変換後の音をプロンプトで指定します。
5. 不要なコピー、漏れ、認識可能な第三者の素材がないか、ソースと比較します。

インペイント／続きの生成：

1. 音声素材の大部分は問題ないものの、一部の置き換えや延長が必要な場合に使用します。
2. プロンプトではテンポ、キー、質感に関する手がかりを維持します。
3. マスクは広めに設定しつつ、安定している部分を不必要に置き換えないようにします。
4. ヘッドホンとスピーカーで修復箇所のつなぎ目を確認します。

完全な例

例：30秒の製品ローンチ用音楽ベッド

目的：SaaSのローンチ動画でナレーションの下に流す、楽観的な音楽ベッドです。ボーカルはなく、音量を下げやすいものにします。

ルート：ホスト型Stable Audio 2.5のテキストから音声への生成、同期処理、wav。

パラメーター：

endpoint: POST /v2beta/audio/stable-audio-2/text-to-audio
model: stable-audio-2.5
duration: 40
steps: 8
output_format: wav
seed: 0

プロンプト：

40-second modern product-launch instrumental bed at 104 BPM, optimistic and confident, clean electronic pop with warm analog synth pulses, soft piano accents, light brushed percussion, subtle bass, wide polished stereo mix. Structure: 4-second gentle intro, steady lift through 25 seconds, restrained final button ending. Designed to sit under spoken narration. No vocals, no lead guitar solo, no aggressive drums, no recognizable melody.

このように構成する理由：プロンプトでは、ナレーションに関連する役割、尺、BPM、ムード、アレンジ、セクションごとの展開、ミックスの優先事項、除外要素を指定しています。

確認項目：最初の4秒に使いやすいイントロの余白があるかを確認し、25～30秒の部分が主要な訴求を支えられるかを検証します。40秒のレンダーをカット／フェードして、最終的な30秒の編集に仕上げます。

起こりやすい問題：リードメロディーが強すぎる、ドラムが音声を覆う、終わり方が未解決、またはテンポが編集に合わない、といった問題です。楽器を減らすか、「よりシンプルに、ナレーションのためのサイドチェーンの余白を増やして」と指定して調整します。

例：権利処理済み音声から音への変換による、サウンドブランドのバリエーション

目的：クライアント所有の2音のチャイムを、より柔らかなオンボーディング音のシリーズに変換します。

前提条件：プロジェクトログで、クライアントがチャイムを所有し、変換を許可していることを確認済みです。

ルート：ホスト型Stable Audio 3の音声から音声への変換、非同期処理、wav。

パラメーター：

endpoint: POST /v2beta/audio/stable-audio/audio-to-audio
model: stable-audio-3
duration: 8
steps: 8
strength: 0.42
output_format: wav
seed: 0

プロンプト：

8-second soft premium onboarding chime derived from the source gesture, calm and reassuring, two-note identity preserved as a subtle motif, warm glass mallet tone layered with quiet felt piano resonance, gentle airy tail, close clean studio sound, no melody beyond the two-note motif, no voice, no percussion, no harsh digital sparkle.

ワークフロー：ジョブを送信し、返された生成IDを保存し、/v2beta/audio/results/{id}をポーリングします。返されたシード値とリクエストIDを保存し、波形、ラウドネス、主観的なメモを記載した候補シートを作成します。

起こりやすい問題：強度が高いとソースのモチーフが消える、強度が低いとソースに忠実すぎる、余韻が長すぎてUIに合わない、といった問題です。まずはプロンプトの複雑さではなく、strengthを調整します。

例：不備のあるゲーム用アンビエンスのインペイント

目的：それ以外は使える90秒のSF風の廊下のアンビエンスから、偶発的な前景の話し声が入った12秒の区間を置き換えます。

ルート：ホスト型Stable Audio 2.5のインペイント、同期処理、wav。

パラメーター：

endpoint: POST /v2beta/audio/stable-audio-2/inpaint
model: stable-audio-2.5
duration: 90
steps: 8
mask_start: 31.5
mask_end: 45.0
output_format: wav
seed: keep original asset seed if known; otherwise 0

プロンプト：

90-second seamless sci-fi hallway ambience, low ventilation rumble, distant electrical hum, subtle metallic room tone, occasional very soft servo movement far away, tense but not musical. The replacement section should match the surrounding ambience and contain no speech, no footsteps, no alarms, no rhythmic music.

確認：ヘッドホンで28～48秒を聴き、つなぎ目のクリック音、ルームトーンの変化、新たな前景音、ステレオイメージの変化がないか確認します。新しい区間が目立つ場合は、プロンプトでイベント密度を下げ、マスクを少し広げます。

本番用 QA

Stable Audio アセットを承認する前に、以下を確認してください。

• 権利：入力素材の権利がクリアされていること。プロンプトで存命アーティスト、著作権のある楽曲、保護対象の録音の模倣を求めていないこと。出力がプロジェクトのライセンス条件に照らして承認されていること。
• 適合性：尺、テンポ、エネルギーの変化、セクションの切り替わり、ボタンを押したような終わり方が編集に適していること。
• 音質：クリッピング、ポンピング、耳障りな高音、過剰な低音、不要なノイズ、聞き取れない音声、突然のアーティファクトがないこと。
• 編集のしやすさ：使用可能なイントロ／アウトロの余白があること。必要に応じてループの継ぎ目が適切であること。SFX のトランジェントのタイミングが明確であること。ナレーション／台詞との分離が十分であること。
• 一貫性：キー、BPM、アンビエンスの視点、リバーブの空間、ステレオ幅が周囲のアセットと一致していること。
• 来歴：モデル、エンドポイント、パラメーター、シード／リクエスト／生成 ID、プロンプト、ソースの権利、ファイルのチェックサムが記録されていること。
• 納品：本番用にアーカイブ用の wav を書き出すこと。圧縮プレビュー／納品形式は、承認済みのマスターから作成すること。