【Stable Audio 3とは】使い方・料金・商用利用まとめ｜歌は作れる？

Stable Audio 3は、Stability AIが2026年5月20日に発表したAI作曲・効果音モデルのシリーズだよ。
この記事では「どんなモデルがあるのか」「どうやって使うのか」「料金と商用利用はどうなってるのか」を、公式の資料だけでまとめたね。
いきなり結論を言うと、インスト曲と効果音ならパソコンのCPUでも作れて、ブラウザのデモならインストールなしで試せるよ。

案内役は、今日もかわいさ満点のねこまろ様。
MVの曲づくりに本気な猫として、しっかり調べてきたよ。

🎵 Stable Audio 3とは｜4つのモデルの違い

Stable Audio 3は1つのモデルじゃなくて、用途別の4兄弟になっているんだ。
音はどれもステレオ・44.1kHz（CDと同じ音質の規格）で出てくるよ。

Small-Music：音楽専用・最長2分・GPU（画像や計算を速くする専用チップ）なしのCPUで動く
Small-SFX：効果音専用・最長2分・CPUで動く
Medium：音楽も効果音もOK・最長6分20秒・NVIDIAのGPUが必要・パラメーター数（AIの脳の大きさの目安）は14億
Large：いちばん高品質・最長6分20秒・パラメーター数27億・StabilityのAPI（プログラムから呼び出す窓口）でだけ使える

Small2つとMediumは、Hugging Face（AIモデルの配布サイト）から重みをダウンロードできる「オープンウェイト」だよ。
Largeだけは配布されていなくて、APIか企業向けの自社運用で使う形なんだ。

猫で例えると、Smallは家の中でも遊べる猫じゃらし、Mediumはちゃんとした遊び場、Largeはプロ用の舞台って感じかな。

stability.ai

🎛️ Stable Audio 3でできること｜3つの作り方

公式GitHubによると、使い方は大きく3つあるよ。

テキストから音を作る：「ハウス、124 BPM、夏フェスの気分」みたいな文章から曲や効果音を作る
音から音を作る：手持ちの録音を渡して、雰囲気やスタイルを文章で変える
インペイント・続きを作る：曲の「4秒〜8秒だけ」のように一部分だけ作り直したり、短い音源の続きを伸ばしたりする

インペイントは、離れた複数の区間を1回でまとめて作り直すこともできるんだ。
「サビ前のドラムだけ差し替えたい」みたいな、映像に合わせた細かい調整に向いているね。
さらにLoRA（手持ちの音で好みの作風を覚えさせる追加学習）にも対応していて、SmallとMediumで使えるよ。

速さもかなりのものだよ。
公式の計測では、Smallで2分の曲を作るのにMacのCPUだけで約5.9秒、Mediumで6分20秒の曲を作るのにNVIDIA H200（データセンター向けの高性能GPU）で約1.3秒だったんだ。

💻 Stable Audio 3の使い方｜3つの入口

① いちばん手軽：Hugging Faceのデモ
ブラウザで開くだけの試用ページがあるよ。
画面ではMedium・Small Music・Small SFXの3つから選べて、プロンプト（作りたい音の説明文）と長さを入れて「Generate」を押すだけ。
Mediumを選ぶと長さは最大380秒まで指定できるよ。

② 自分のパソコンで動かす：GitHubの公式リポジトリ
WindowsやLinux、Macなら、CPUで動く軽量版（TFLite版）をコマンド1行で入れられるようになっているよ。
Apple SiliconのMacには専用のMLX版もあって、こちらはMac上でLoRA学習までできるんだ。
一方でMediumはNVIDIAのGPUとFlash Attention 2（計算を速くする部品）が必須だよ。
公式のトラブル対処には「Mediumの出力がザザッというノイズになる時は、たいていFlash Attentionの入れ方が原因」と書かれているから、つまずいたらまずそこを確認してね。

③ アプリに組み込む：Stability AIのAPI
Stability AIの料金表では、APIの「Stable Audio 3.0」は1回26クレジット。
1クレジット＝0.01ドルなので、1回0.26ドル（1ドル150円で約39円）だよ。
ちなみに前世代のStable Audio 2.5は20クレジットで、最長3分までだったんだ。
公式ブログでは、ComfyUIや提携プラットフォームでも使えると案内されているよ。

huggingface.co

✍️ Stable Audio 3のプロンプトのコツ

公式のプロンプトガイドに、覚えておくと得するポイントがまとまっていたよ。

音楽は「ジャンル・楽器・気分・BPM（テンポ）」の4つを入れる
先頭に TrackType: Music, VocalType: Instrumental を付けると、品質とまとまりが良くなりやすい
単体の楽器パートがほしい時は TrackType: Instrument から書き始める
長さは最大まで伸ばすより、内容に合った長さにした方が結果が良い
同じ結果をもう一度出したい時はseed（乱数の番号）を固定する

学習データはFreesoundとAudioSparx（どちらも音素材のサイト）の音とタグなので、そのタグの書き方に寄せると言うことを聞いてくれやすいんだって。
説明文は短いより、具体的に長く書いた方が良い結果になりやすいとも書かれていたよ。

⚠️ Stable Audio 3の注意点｜歌声と商用利用

歌は作れない
いちばん大事なのがここ。
公式ガイドには「聞き取れる歌声は出力しない」とはっきり書かれているよ。
ときどき言葉にならない声っぽい響きが混ざることはあるけど、歌詞を歌わせる用途には向かないんだ。
歌ものを作りたいなら、別のAIと組み合わせる前提で考えるのがいいね。

商用利用は「年間売上100万ドル」が境目
Stability AI Community Licenseでは、年間売上100万ドル（約1億5,000万円）未満の個人や会社なら、作った音の所有権は作った人のもので、配布や販売にも使えるよ。
この売上は収入源を問わず数えるルールで、超えた場合はEnterprise License（企業向けの有料契約）が必要になるんだ。
もちろん法律と利用ポリシーを守るのが前提だよ。

学習データはライセンス済み
公式ブログは、4つのモデルすべてが「完全にライセンスされたデータ」で学習されていると説明しているよ。
作った音を公開する時の安心材料のひとつになるね。

github.com