StepAudio 3 Music 发布:支持 ABC 乐理规划,最长 5 分半生成
stepfun-ai · hf · 2026-09-16
阶跃星辰发布长时音乐生成模型 StepAudio 3 Music,支持显式音乐规划与开放域文本控制生成。
- 架构:Music Tokenizer 将音频表示为 50Hz、65536 码本的单码本流;用 flow-matching DiT 预测连续 VAE latents,再解码为 48kHz 音频;对比了单码本 VQ、语义/声学 RVQ 等方案
- ABC-CoT:MoE 自回归模型先用 ABC 记谱生成中间编曲规划,再预测音乐 token,让和声、节奏与旋律结构进入生成上下文
- 能力:最长生成 5 分 30 秒歌曲/器乐曲,支持干声伴奏生成与翻唱合成;采用渐进式课程训练 + SFT + DPO
- 成绩:AudioBox 三项指标最高;Artificial Analysis Music Arena Vocals 榜 Quality Elo 1105,仅次于 Suno V5.5 和 Mureka,超过 Suno V5 与 MiniMax 等系统
Demo 见 stepaudiollm.github.io。
所属事件:阶跃星辰连发五款 StepAudio 3 音频模型(6 条相关)→
「多模态」频道最新
- 25年老设计师发问：专业软件+AI 混合流还有人用吗 — Opening-Knee-5913 · 2026-11-02
- Google Pay 印度试点购物入口：虚拟试穿+图片搜同款 — heyshrutimishra · 2026-11-02
- Reddit 用户吐槽 MiniMax 视频输出塑料感，20GB 模型占满硬盘 — DelboyTrigger · 2026-11-02
- 剪纸拼贴风提示词走红：民间故事质感出图模板分享 — azed_ai · 2026-11-02
- RTX 5090 实测三大视频超分方案冲 4K：SeedVR2 对比 MiniMax 与 FlashVSR — CeFurkan · 2026-11-02
- 网友发问:一人用 Kling 和 CapCut 能否讲出同样故事 — tetsuoai · 2026-11-02