Stable Audio 3 Portable: запускаем генерацию музыки с ИИ локально на своём ПК!

Мы протестировали новую портативную сборку Stable Audio 3 от Neurogen. Это семейство открытых моделей для генерации аудио, которое теперь можно запускать на своём компьютере под Windows без сложных манипуляций с pip, venv и CUDA.

Что входит в сборку

• Stable Audio 3 Small-Music (433M) — генерация музыки длительностью до 120 секунд.
• Stable Audio 3 Small-SFX (433M) — создание звуковых эффектов, тоже до 120 секунд.
• Stable Audio 3 Medium (1.4B) — флагманская модель, способная генерировать до 380 секунд аудио.
• T5Gemma — текстовый кодировщик, вшит в кеш и работает полностью офлайн.
• Gradio Web UI и полноценный CLI.
• Готовые запускающие скрипты под каждую модель.
• Автоопределение SOCKS5-прокси для пользователей, которым нужна смена региона.
• Утилита hf_transfer для быстрых параллельных загрузок весов.

Как начать пользоваться

1. Распакуйте архив в любую папку, предпочтительно без пробелов в пути.
2. Один раз запустите setup.bat. Он установит зависимости и скачает модели (потребуется около 17 ГБ).
3. Выберите модель:
   • Запустите gui.bat, чтобы увидеть меню выбора: 1 — музыка, 2 — звуки, 3 — medium.
   • Или используйте конкретный ярлык: gui-music.bat для музыки, gui-sfx.bat для звуковых эффектов, gui-medium.bat для флагманской модели (ей нужно 6–7 ГБ VRAM). После этого откроется браузер с интерфейсом.
4. Альтернативный вариант — запуск через консоль. Пример команды:

   run.bat --model small-music -p "lo-fi beat" --duration 30 -o output\beat.wav

Дополнительные инструменты в сборке

• download.bat — докачка или восстановление файлов весов моделей.
• fix_pagefile.bat — исправление ошибки «файл подкачки слишком мал» (WinError 1455), которая может возникать при загрузке моделей, если используется маленький фиксированный файл подкачки.

Системные требования

• Windows 10/11 (64-bit).
• Видеокарта NVIDIA с поддержкой CUDA 12.6.
• Для Small-моделей достаточно 4 ГБ VRAM. Модель Medium требует 6–7 ГБ VRAM (в 4 ГБ не поместится).
• Около 25 ГБ свободного места на диске (17 ГБ модели и примерно 5 ГБ окружение).
• Аккаунт на Hugging Face и принятые лицензии для всех трёх страниц используемых моделей (ссылки есть в README).

Важный нюанс: библиотека flash-attn под Windows устанавливается некорректно, поэтому модель Medium работает через fallback-механизм внимания. Это немного медленнее, но полностью стабильно. Small-моделям flash-attn не требуется совсем.

Скачать сборку можно по ссылке: Stable Audio 3 Portable.