Stability AI تطلق Stable Audio 3 لتوليد الموسيقى بسرعة

كشفت Stability AI عن Stable Audio 3، وهي عائلة نماذج جديدة لتوليد الموسيقى الآلية والمؤثرات الصوتية. وبخلاف الإصدارات السابقة، تتميز النماذج الجديدة بسرعة أكبر بكثير وتحتاج إلى موارد حوسبة أقل، ما يجعل تقنية توليد الصوت متاحة لشريحة واسعة من المستخدمين. ونشرت الشركة الأوزان المفتوحة للنماذج، ما يتيح للمطورين استخدامها بحرية ودمجها في تطبيقاتهم.

جودة متاحة على أي عتاد

يتمثل التغيير الرئيسي في الإصدار الثالث في تعميم الوصول إلى توليد الصوت. فقد أصدرت الشركة الأوزان المفتوحة لنسختين من النماذج: small وmedium. تعمل نسخة small على معالج MacBook Pro M4 دون أي وحدة GPU إضافية، إذ يكفي حاسوب محمول عادي من النوع المتوافر لدى معظم المستخدمين حول العالم. وهذا يعني أن من لا يملكون عتادًا باهظ الثمن سيتمكنون أيضًا من توليد الصوت والموسيقى على أجهزتهم.

أما نسخة medium فتتطلب بطاقة رسوميات بذاكرة VRAM سعتها 8GB، وهي سعة تتوافر في الغالبية العظمى من وحدات GPU الاستهلاكية التي صدرت خلال السنتين أو الثلاث الماضية. وحتى مستخدمو البطاقات الاقتصادية مثل GTX 1660 أو RTX 3060 سيتمكنون من تشغيل النموذج محليًا على حاسوبهم، دون الاعتماد على الخدمات السحابية أو الاشتراكات الشهرية.

ويولّد الإصداران صوتًا ستيريو بتردد أخذ عينات يبلغ 44.1 kHz، وهو المعيار الاحترافي للموسيقى والمؤثرات الصوتية. وهذا يعني أن الجودة عالية بما يكفي للاستخدام في المشاريع التجارية، ومنها الأفلام والألعاب والبودكاست والألبومات الموسيقية.

الحلول الهندسية وراء السرعة

وراء صغر الحجم والسرعة بنية تدريب غير تقليدية. فقد تخلت Stability AI عن النهج المعتاد، واعتمدت عملية مبتكرة من ثلاث مراحل أتاحت تحسين جودة الصوت وتقليل متطلبات الحوسبة في آن واحد:

• Flow matching في المرحلة الأولى للتدريب الأساسي للنموذج على مجموعات ضخمة من البيانات الصوتية من مصادر متنوعة
• Distillation warmup — تقنية لضغط النماذج تحافظ على الجودة رغم التقليص الجذري في حجم الملف
• Adversarial post-training للتحسين النهائي لواقعية الصوت وجودته إلى مستوى يصعب تمييزه عن الأداء البشري

وقد أتاح هذا النهج ثلاثي المراحل تحقيق توازن نادر بين الجودة والسرعة. ففي التعلم الآلي التقليدي كثيرًا ما يتعارض هذان المطلبان: فالجودة العالية تستلزم نماذج كبيرة تعمل ببطء، والسرعة تستلزم ضغطًا يفقد جزءًا من الجودة. وقد وجدت Stability AI حلًا وسطًا بينهما.

نتائج أفضل من المنافسين

على اختبار BBC Sound Effects المرجعي، الذي تُختبر فيه النماذج على مقاطع صوتية مدتها 5 ثوانٍ، حصل Stable Audio 3 medium على درجة FAD (مسافة فريشيه الصوتية، Fréchet Audio Distance) بلغت 0.369. وهذه القيمة أقل من قيم جميع النماذج المفتوحة الأخرى التي شملتها دراسة الشركة. ويبلغ الفارق بين SA3 وأقرب منافس نحو 15-20%، وهو ما يُعد تحسنًا كبيرًا في عالم النماذج التوليدية.

وللتوضيح، تعني قيمة FAD الأقل جودة صوت أفضل. فالنموذج يولّد صوتًا يبدو أكثر طبيعية وأقرب إلى الأمثلة الحقيقية في مجموعة البيانات. وبعبارة أخرى، تفوق Stable Audio 3 على جميع الحلول المنافسة المفتوحة في السوق، بما فيها الإصدارات السابقة من نماذج الشركة نفسها.

ماذا يعني ذلك

ينتقل توليد الصوت من نطاق تجريبي ضيق إلى أداة عملية للعمل. فسيتمكن الموسيقيون المستقلون وصنّاع محتوى الفيديو من توليد الموسيقى الخلفية والمؤثرات الصوتية والأجواء المطلوبة مباشرة على حواسيبهم المحمولة، دون الاعتماد على الخدمات السحابية أو الإنترنت. كما يعني التوليد المحلي خصوصية أكبر، إذ لا تُرسل أي بيانات إلى الخوادم.

وبالنسبة للاستوديوهات المحترفة، يعني ذلك أيضًا خفض تكاليف ترخيص الموسيقى الخالية من حقوق الملكية ومكتبات المؤثرات الصوتية. فبدلًا من شراء مقطوعات جاهزة، سيتمكن المطورون وصنّاع المحتوى من توليد محتوى صوتي فريد في دقائق معدودة، ما يوفر المال والوقت اللذين يُنفقان في البحث عن موسيقى مناسبة للمشاريع.