Stability AI 推出 ARC 后期训练和 Stable Audio Open Small：无蒸馏实现跨设备文本转音频生成的突破
原文中文，约2600字，阅读约需7分钟。
📝
内容提要
文本转音频生成技术通过对抗性相对对比损失（ARC）实现高效合成，显著提升生成速度，适用于移动设备。Stable Audio Open Small模型优化推理过程，支持实时应用，提升音频质量和多样性。
🔎
延伸解读
ARC 方法的优势
ARC 后训练方法通过整合相对对抗性损失和对比鉴别器损失，显著提高了文本转音频生成的效率。这种方法不仅减少了生成步骤，还避免了传统蒸馏方法的高计算成本，使得在移动设备上实现实时音频生成成为可能。
Stable Audio Open Small 的应用前景
Stable Audio Open Small 模型专为资源受限环境设计，适合移动设备的音频生成需求。其在 Vivo X200 Pro 上的推理延迟显著降低，内存使用量减少，使其在音乐、游戏和创意工具等领域的应用前景广阔，尤其是在需要快速响应的场景中。
多样性与质量的平衡
ARC 方法在多样性和音频质量上表现出色，其 CLAP 条件多样性得分为 0.41，主观评估中多样性得分为 4.4。这表明，ARC 不仅能快速生成音频，还能保持高水平的输出质量，适合需要丰富音频内容的创意应用。
❓
Q&A
ARC 方法如何提升文本转音频生成的速度？
ARC 方法通过整合相对对抗性损失和对比鉴别器损失，减少生成步骤，从而显著提升生成速度。
Stable Audio Open Small 模型的特点是什么？
Stable Audio Open Small 是一个紧凑高效的模型，专为资源受限环境设计，支持497M参数和8步生成，适合移动部署。
ARC 在移动设备上的表现如何？
在移动设备上，ARC 能在约7秒内生成12秒的音频，推理延迟显著降低。
乒乓采样技术的作用是什么？
乒乓采样技术通过交替的去噪和重噪循环来优化音频输出，提高输出质量并减少推理步骤。
ARC 的多样性和质量评分如何？
ARC 的多样性得分为4.4，质量得分为4.2，表现出色。
ARC 方法与传统蒸馏方法相比有什么优势？
ARC 方法避免了蒸馏和 CFG 的依赖，提供了更高的生成速度和多样性，同时不牺牲输出质量。
🏷️
