Sex minuter AI-musik i sträck – nu utmanar maskinen musikstudion på allvar
Stability AI genererar sex minuters sammanhållen musik – studion utmanas.
Från bildgenerering till musikproduktion
De flesta känner Stability AI som företaget bakom Stable Diffusion – bildgenereringsverktyget som för några år sedan förändrade hur vi tänker på visuellt skapande. Nu gör man samma manöver på ljudsidan. Enligt TechCrunch lanseras nu modellsviten Stable Audio 3.0, bestående av fyra modeller med olika kapacitet och användningsområden.
Det är en genomtänkt produktarkitektur. Längst ned i sviten finns small SFX och small, båda med 459 miljoner parametrar, lämpade för ljudeffekter och kortare musiksnuttar direkt på enheten – perfekt för spelutvecklare eller appar som behöver lokal inferens utan molnanrop. Ett steg upp finns medium på 1,4 miljarder parametrar, och i toppen tronar large med 2,7 miljarder parametrar.
Sex minuter och tjugo sekunder – varför spelar det roll?
Den siffran – 6 minuter och 20 sekunder – kan verka godtycklig, men den är faktiskt ganska meningsfull ur ett musikaliskt perspektiv. En typisk poplåt ligger på tre till fyra minuter, men genrer som progressiv rock, elektronisk dansmusik och jazz kräver ofta mer utrymme för att bygga spänning, släppa den och landa ordentligt. Tidigare AI-modeller för musikgenerering har ofta producerat korta, fragmentariska stycken som mer liknar skisser än färdiga kompositioner.
Att Stable Audio 3.0 large och medium kan hålla musikalisk sammanhållning och melodisk struktur över den tidshorisonten är tekniskt imponerande. Det handlar inte bara om att generera fler sekunder ljud – det handlar om att modellen måste ha en intern representation av musikens form: intro, uppbyggnad, klimax, avslut. Det är en annan typ av utmaning än att generera en bild.
För jämförelsens skull: föregångaren Stable Audio 2.0 från 2024 klarade maximalt 47 sekunders musik i sin öppna variant. Från 47 sekunder till drygt sex minuter på ett år är en remarkabel utvecklingskurva.
Öppna vikter – med en strategisk reservation
En av de mer intressanta aspekterna i lanseringen är tillgänglighetsmodellen. Tre av fyra modeller – small SFX, small och medium – släpps med öppna vikter, vilket betyder att vem som helst kan ladda ned, anpassa och bygga vidare på dem. Det är ett tydligt ställningstagande för öppen forskning och ger ett stort lyft för utvecklare som vill experimentera utan att betala per anrop.
Large-modellen däremot är enbart tillgänglig via programmeringsgränssnitt och betalda värdtjänster. Det är en välbekant affärsstrategi: öppna de modeller som bygger ekosystem och gemenskap, men behåll det skarpaste verktyget bakom en betalvägg. Klokt ur ett affärsperspektiv, och förmodligen nödvändigt för att hålla verksamheten lönsam.
Upphovsrätt – elefanten i studion
Man kan inte skriva om AI-musikgenerering utan att nämna den rättsliga grumliga zonen som branschen befinner sig i. Musikbranschen har redan stämt flera AI-bolag för att ha tränat modeller på upphovsrättsskyddat material utan tillstånd. Stability AI har själva varit involverade i rättsliga processer kring sina bildmodeller.
För Stable Audio 3.0 är det ännu oklart hur träningsdata ser ut och vilka avtal – om några – som finns på plats med rättighetshavare. Det är en central fråga, inte minst eftersom modellens förmåga att efterlikna specifika musikstilar gör den potentiellt känslig. Hur domstolar och lagstiftare i Sverige och EU kommer att bedöma dessa fall kan bli vägledande för hela branschen.
Vad det innebär för musikskapare
Jag ser det här som ett verktyg, inte en ersättare. En låtskrivare som fastnat i ett ackordschema kan använda Stable Audio för att snabbt skissa på arrangemang. En indiespelutvecklare utan musikbudget kan generera atmosfärisk bakgrundsmusik. En podcastproducent kan skapa unika signaturer utan att betala licensavgifter.
Det intressanta sker i korsningen mellan mänsklig kreativitet och maskinens generativa förmåga – och dit är vi nu definitivt på väg.
Vår analys
Stable Audio 3.0 är inte bara en produktlansering – det är ett tecken på att musikgenerering är på väg att mogna som teknologi. Vi befinner oss i en fas som liknar den bildgenerering genomgick 2022–2023: snabb kapacitetsökning, bredare tillgänglighet och tilltagande branschoro.
Den strategiska kombinationen av öppna vikter för de mindre modellerna och betalvägg för large är ett mönster vi känner igen från Meta med Llama och Mistral AI. Det bygger förtroende och utvecklargemenskap samtidigt som det skapar affärsvärde.
Den rättsliga dimensionen är dock den verkliga osäkerhetsfaktorn. Om EU:s rättsväsende sätter ett tydligt prejudikat kring träningsdata och upphovsrätt kan det antingen accelerera eller kraftigt bromsa den här typen av modeller. Hur den frågan löser sig de närmaste ett till två åren kommer att forma hela branschen – och det är något vi på AI Nyheterna kommer att följa noga.