Herbst 2026 · Aus der Tranquility-Basis
Ins Mondstudio ↗
Spieleentwicklung

Stable Audio 3 Small SFX: kostenlose KI-Soundeffekte für Games

Stable Audio 3 Small SFX: kostenlose KI-Soundeffekte, kommerziell nutzbar, in 3 s auf dem Laptop ohne GPU. Installation, Lizenz und Prompts.

Ein Astronaut mit Kopfhörern erzeugt in einer Mondbasis am Laptop Soundeffekte; Schiebetür, Fußabdrücke, Cocktailshaker, Sensorlicht und Luftschleuse schweben auf orangen Schallwellen davon, ein kleiner Roboter hält eine Tonangel
Ein Astronaut mit Kopfhörern erzeugt in einer Mondbasis am Laptop Soundeffekte; Schiebetür, Fußabdrücke, Cocktailshaker, Sensorlicht und Luftschleuse schweben auf orangen Schallwellen davon, ein kleiner Roboter hält eine Tonangel

Die Startseite meiner Website ist eine Mondbasis: Hauptfigur Terry kann darin herumlaufen, durch automatische Schiebetüren gehen und an der Bar einen Cocktail bestellen. Die Grafik wird immer detaillierter, aber ein großes Manko gab es von Anfang an: Es gibt fast keinen Ton. Nur ein paar per Code synthetisierte „Piep“-Laute in den Minispielen. Die aufgleitende Schiebetür, Schritte auf dem Metallboden, der Roboter, der den Shaker schüttelt – alles stumm.

Für Soundeffekte im Spiel gab es bisher zwei Wege: Sound-Libraries Datei für Datei durchsuchen und Lizenzen prüfen, oder für einen KI-Sounddienst in der Cloud bezahlen. Mit Stable Audio 3, das Stability AI im Mai dieses Jahres vorgestellt hat, kommt ein dritter Weg dazu: Small SFX ist ein Open-Source-Modell speziell für Soundeffekte, das ohne Grafikkarte auskommt und auf der CPU eines normalen Laptops läuft.

In diesem Artikel geht es darum, was Stable Audio 3 Small SFX ist, ob man es kommerziell nutzen darf und wie man es auf dem eigenen Rechner installiert. Danach habe ich damit 10 Soundeffekte für die Mondbasis erzeugt und ins Spiel eingebaut – zum Anhören weiter unten.

Was ist Stable Audio 3? Small SFX, Medium und die 4 Modelle im Vergleich

Stable Audio 3 ist eine KI-Audiomodellreihe, die Stability AI am 20. Mai 2026 vorgestellt hat. Es erscheinen gleich vier Modelle, drei davon mit offenen Gewichten, die man herunterladen und lokal ausführen kann:

Modell

Parameter

Einsatz

Hardware

Max. Länge

Small SFX

433 Mio.

Nur Soundeffekte

Läuft auf der CPU

2 Min.

Small

433 Mio.

Musik

Läuft auf der CPU

2 Min.

Medium

1,4 Mrd.

Musik, Soundeffekte

NVIDIA-Grafikkarte

6 Min. 20 Sek.

Large

2,7 Mrd.

Musik, Soundeffekte

Nur per API, kein Download

6 Min. 20 Sek.

Der Vorgänger Stable Audio Open Small schaffte maximal 11 Sekunden, die neue Generation springt direkt auf mehrere Minuten. Neben Text-zu-Audio unterstützt sie auch Audio-zu-Audio (einen vorhandenen Sound als Basis nehmen und ihm eine andere Klangtextur geben) und Inpainting (nur ein paar Sekunden in der Mitte neu erzeugen, Anfang und Ende bleiben erhalten). Außerdem lässt sie sich per LoRA auf die eigene Sound-Library feintunen.

Im Mittelpunkt steht hier das kleinste Modell, Small SFX. Die Positionierung ist klar: Soundeffekte direkt auf Geräten wie Smartphones oder normalen Laptops erzeugen. Ausgegeben wird Stereo mit 44,1 kHz, dasselbe Format wie bei üblichen Sound-Libraries.

Darf man Stable Audio 3 kommerziell nutzen? Das Wichtigste zur Lizenz

Das ist für Spieleentwickler die entscheidende Frage. Zusammengefasst aus den offiziellen Angaben:

  • Die erzeugten Sounds gehören dir: Du darfst sie in eigenen Werken veröffentlichen und verkaufen.
  • Unter 1 Million US-Dollar Jahresumsatz: Es gilt die Stability AI Community License, Einzelpersonen und kleine Teams dürfen das Modell kostenlos kommerziell nutzen.
  • Über 1 Million US-Dollar Jahresumsatz: Dann braucht man eine Enterprise License.
  • Für den Text-Encoder gelten eigene Bedingungen: Das Modell nutzt Googles T5Gemma, also müssen auch die Nutzungsbedingungen von Gemma eingehalten werden.
  • Trainingsdaten: Laut Stability wurden rund 1,28 Millionen lizenzierte Aufnahmen verwendet, aus der lizenzierten Sound-Library von AudioSparx sowie Freesound-Sounds unter CC0, CC BY und ähnlichen Lizenzen.

Der letzte Punkt ist für Spieleentwickler wichtig. Die größte Sorge bei KI-generierten Inhalten ist, ob die Trainingsdaten „geklaut“ sind – diesmal legt Stability die Quellen klar offen.

Außerdem zu beachten: Die PyTorch-Gewichte auf Hugging Face (zum Beispiel stabilityai/stable-audio-3-small-sfx) lassen sich nur nach Login und Zustimmung zu den Bedingungen herunterladen. Die hier verwendete CPU-Version kommt aus einem anderen Repository, stable-audio-3-optimized; laut offizieller Doku geht der Download auch anonym, nur gedrosselt, und bei mir hat er ohne Login funktioniert. Egal, woher man lädt: Die Lizenzbedingungen oben gelten genauso.

Systemanforderungen: keine Grafikkarte nötig, die Laptop-CPU reicht

Mein Laptop hat einen Intel Core Ultra 5 (6 Kerne), der NVIDIA-Grafiktreiber läuft nicht – praktisch habe ich also nur die CPU. Offiziell gibt es mehrere optimierte Versionen:

  • TFLite: nur CPU, läuft unter Linux, macOS und Windows (x64), ohne PyTorch-Installation. Diese Version nutze ich hier.
  • MLX: für Macs mit Apple Silicon.
  • TensorRT: für NVIDIA-Grafikkarten, am schnellsten.

Die TFLite-Version von Small SFX umfasst insgesamt rund 1,7 GB (Soundmodell, Decoder, Text-Encoder) und braucht zur Laufzeit etwa 0,8 GB Arbeitsspeicher. Gemessene Generierungszeiten:

Erzeugte Länge

Dauer (inkl. Laden des Modells)

3 Sek.

ca. 2,9 Sek.

8 Sek.

ca. 3,7 Sek.

30 Sek.

ca. 8,4 Sek.

Heißt: Auf einem Laptop ohne Grafikkarte geht das Erzeugen schneller als der Sound selbst lang ist. Prompt ändern, Ergebnis anhören – eine Runde dauert nur ein paar Sekunden.

Stable Audio 3 Small SFX installieren (CPU-Version)

Die offizielle CPU-Version verwaltet die Python-Umgebung mit uv. Das Installationsskript legt eine eigene Umgebung an und lädt die Gewichte herunter, ohne das System-Python anzufassen.

git clone --depth 1 https://github.com/Stability-AI/stable-audio-3
cd stable-audio-3/optimized/tflite
./install.sh -y --download sm-sfx

--download sm-sfx lädt nur das Soundeffekt-Modell herunter.

Wer die Befehle nicht selbst tippen will, kann das auch einem KI-Coding-Assistenten wie Claude Code oder Codex überlassen. Im Terminal starten und eingeben:

Bitte installiere Stable Audio 3 Small SFX für mich

Er findet selbst die offizielle Installationsanleitung und lädt Code und Modell herunter; wo ein Hugging-Face-Login nötig ist, bittet er dich, das selbst zu erledigen. Danach kannst du ihn auch gleich Soundeffekte erzeugen, konvertieren und schneiden lassen.

Download langsam oder hängt? Mit Hugging-Face-Login das Rate Limit aufheben

Die Modelldateien liegen auf Hugging Face. Beim anonymen Download begrenzt Hugging Face, wie viele Daten man pro Zeitraum laden darf – das Rate Limit: Der Download wird sehr langsam oder bricht mittendrin ab, und man muss eine Weile warten, bevor es weitergeht. Mit einem kostenlosen Account ist das Limit deutlich großzügiger, die rund 1,7 GB sind dann meist in wenigen Minuten da.

So geht's:

  1. Bei Hugging Face einen kostenlosen Account anlegen oder einloggen.
  2. Unter Access Tokens einen Token mit Read-Berechtigung erstellen.
  3. Im Installationsordner den Login-Befehl ausführen und den Token einfügen:
.venv/bin/hf auth login

Die Login-Daten werden lokal gespeichert, spätere Downloads bleiben nicht mehr am Rate Limit hängen. Einfach ./install.sh -y --download sm-sfx noch einmal ausführen, um weiterzuladen. Das huggingface-cli login aus älteren Tutorials macht dasselbe; neuere Versionen von huggingface_hub verwenden stattdessen hf auth login.

Für die PyTorch-Version (stabilityai/stable-audio-3-small-sfx) muss man zusätzlich zum Login auf der Modellseite den Lizenzbedingungen zustimmen, sonst ist kein Download möglich.

Nach der Installation reicht ein einziger Befehl zum Erzeugen:

./sa3 --dit sm-sfx --decoder same-s \
  --prompt "TrackType: SFX. Sci-fi sliding door opening, short pneumatic hiss and smooth electric servo whir, close mic, clean recording" \
  --seconds 3 --seed 1 --out door-open.wav

Häufig genutzte Parameter:

  • --seconds: wie viele Sekunden erzeugt werden.
  • --seed: der Zufalls-Seed. Derselbe Prompt mit anderem Seed ergibt eine andere Version.
  • --steps: Anzahl der Generierungsschritte, Standard ist 8. Laut Stability ist 8 der beste Kompromiss, mehr ist nicht unbedingt besser.
  • --init-audio, --inpaint-range: Audio-zu-Audio und Inpainting.

Es gibt auch eine Weboberfläche, ./sa3-gradio, falls man lieber im Browser als auf der Kommandozeile arbeitet.

Wie schreibt man Prompts für KI-Soundeffekte?

Der offizielle Prompt-Guide empfiehlt, dass eine Soundbeschreibung drei Dinge enthält:

  1. Die Klangquelle: Was erzeugt den Ton, zum Beispiel „eine metallene Schiebetür“ oder „ein Cocktailshaker mit Eiswürfeln“.
  2. Die Aktion: Wie wird der Ton ausgelöst und wie lange dauert er, zum Beispiel „öffnet sich“, „kräftig geschüttelt“, „gleitet über die Theke und bleibt stehen“.
  3. Die Aufnahme: Mikrofonabstand, Raum, Bearbeitung, zum Beispiel „close mic“, „metallic room“, „clean recording“.

Dazu zwei kleine Tricks:

  • Mit TrackType: SFX. beginnen: Laut Stability werden die Soundeffekte so stimmiger.
  • Die Länge eher kurz halten: Die meisten Soundeffekte dauern nur ein, zwei Sekunden. Das Modell neigt aber dazu, die angegebene Länge auszufüllen. Ich gebe deshalb etwas mehr vor und schneide das Überflüssige danach weg.

Prompts müssen auf Englisch sein, und je mehr sie nach der Dateibeschreibung in einer Sound-Library klingen, desto besser – genau mit solchen Libraries wurde das Modell trainiert.

Prompts von Claude Code oder Codex schreiben lassen

Jedes Mal selbst eine englische Beschreibung zu formulieren, ist mühsam. Man kann die Regeln oben in die globale Konfiguration seines KI-Coding-Assistenten schreiben: bei Claude Code ~/.claude/CLAUDE.md, bei Codex ~/.codex/AGENTS.md. Danach reicht ein „Mach mir einen Sound für eine aufgehende Tür“ auf Deutsch, und er schreibt den Prompt nach diesen Regeln und erzeugt den Sound. Einfach Folgendes ans Ende der Datei kopieren:

## Soundeffekte mit Stable Audio 3 Small SFX erzeugen

Wenn ich einen Soundeffekt brauche, schreib den Prompt nach diesen Regeln und erzeuge ihn mit dem lokal installierten Stable Audio 3 Small SFX:

- Prompts immer auf Englisch, beginnend mit `TrackType: SFX.`.
- Beschreibe der Reihe nach drei Dinge: Klangquelle (was den Ton erzeugt, Material), Aktion (wie ausgelöst, wie stark, wie lange), Aufnahme (close mic / distant, room tone, clean recording).
- Schreib wie eine Dateibeschreibung in einer Sound-Library: konkrete Substantive plus Adjektive, keine Geschichten oder Gefühle, keine musikbezogenen Begriffe.
- Pro Prompt nur ein Klangereignis; für fortlaufende Sounds (Schritte, Atmo) ausdrücklich "single" oder "loop" angeben.
- 1–2 Sekunden länger als nötig erzeugen und den Überschuss danach wegschneiden.
- Jeden Prompt mit 3 verschiedenen Seeds erzeugen und Dateinamen plus Prompts zur Auswahl auflisten.
- Für Web oder Spiel: Stille am Anfang und Ende wegschneiden, kurzes Fade-out, Lautheit angleichen, in mp3 umwandeln.

Der Shaker-Sound in der Bar der Mondbasis stammt zum Beispiel aus diesem Prompt:

TrackType: SFX. Cocktail shaker shaken hard with ice cubes, rhythmic rattling, close mic, bar

Praxistest: 10 Game-Soundeffekte für die Mondbasis

Ich habe die 10 Sounds aufgelistet, die die Mondbasis am dringendsten brauchte, und jeden mit 3 verschiedenen Seeds erzeugt – 30 Clips in insgesamt unter 2 Minuten. Die Audiodateien unten kommen direkt aus dem Modell, nur die Lautstärke wurde angeglichen; bei den Schritten und der Luftschleuse siehst du direkt Szenen aus dem Spiel, damit du hörst, wie sie eingebaut klingen. Unter jedem Clip steht der vollständige Prompt:

Automatische Schiebetür öffnet sich
TrackType: SFX. Sci-fi sliding door opening, short pneumatic hiss and smooth electric servo whir, metal panel gliding, close mic, clean recording
Luftschleusenzyklus: Im Video schließt sich die Innentür, der Druck fällt auf 0 kPa, dann öffnet sich die Außentür
TrackType: SFX. Spaceship airlock cycling, heavy mechanical clunk, long pressure-equalizing air hiss, then a lock latching, metallic room
Schritte auf Metallboden
TrackType: SFX. Footsteps of one person walking at a steady pace on a hollow metal deck floor, rubber-soled boots, indoor, dry, close mic
Schritte auf Mondgeröll: Auf dem Mond gibt es keine Luft, deshalb liegt im Spiel ein Tiefpassfilter darauf – als hörte man es durch den Helm
TrackType: SFX. Footsteps walking at a steady pace on dry gravel and fine dust, crunchy, outdoors, close mic
Sensorlicht geht an
TrackType: SFX. Fluorescent ceiling light switching on, sharp relay click followed by a soft electrical hum, close mic
Atmo der Basis
TrackType: SFX. Space station interior room tone, steady low ventilation hum, soft air handling, distant machinery, constant, no events, seamless background
Cocktailshaker wird geschüttelt
TrackType: SFX. Cocktail shaker shaken hard with ice cubes, rhythmic rattling, close mic, bar
Getränk wird eingeschenkt
TrackType: SFX. Pouring a drink into a glass with ice cubes, liquid splash and ice clinking, close mic
Glas gleitet über die Theke
TrackType: SFX. Glass tumbler sliding across a smooth bar counter and stopping, short friction slide, close mic

Ein paar Beobachtungen:

  • Gleichmäßige Rhythmen funktionieren am besten: Bei „Schritte in gleichmäßigem Tempo“ ist der Abstand zwischen den Schritten fast identisch (etwa 0,7 Sek.), sodass man sie leicht in Einzelschritte schneiden kann.
  • Zeitliche Abfolgen versteht es: Die Luftschleuse kommt genau in der Reihenfolge „schweres mechanisches Geräusch → langes Zischen beim Druckausgleich“ heraus.
  • Es füllt die Länge aus: Bei einer 3-Sekunden-Tür bekommt man über zwei Sekunden Zischen, länger als bei einer echten Tür – also schneiden.
  • Manchmal kommen Extra-Ereignisse dazu: Bei einer Version des Sensorlichts klickte es in der Mitte noch einmal zusätzlich. Dann einfach den nächsten Seed nehmen.

Game-Sounddesign: KI-Soundeffekte ins Spiel einbauen

Das Erzeugen ist nur der erste Schritt. Damit ein Sound im Spiel stimmig klingt, braucht es noch etwas Nachbearbeitung. Die Mondbasis ist ein Browsergame mit Three.js, der Ton läuft über die Web Audio API des Browsers:

  • Schritte in Einzelschritte schneiden: Aus der 8-sekündigen Gehaufnahme werden die Schritte automatisch erkannt und in 6 einzelne Dateien geschnitten. Bei jedem Schritt wählt das Spiel zufällig eine aus und verschiebt die Tonhöhe minimal, damit es nicht wie derselbe Sound in Dauerschleife klingt.
  • Schritte auf das Aufsetzen der Ferse legen: Anhand der Höhe der Fuß-Bones in der Gehanimation wird gemessen, wann genau die Ferse den Boden berührt, und genau dann wird der Sound abgespielt – statt in festen Intervallen.
  • Nahtlos loopende Atmo: Bei der 30-sekündigen Atmo werden Ende und Anfang ineinander überblendet, sodass ein Hintergrund entsteht, der endlos loopt, ohne dass man eine Naht hört.
  • Auf dem Mond gibt es keine Luft: Verlässt man die Basis im Raumanzug, wird die Atmo langsam leiser und dumpfer, und auch die Schritte bekommen einen Tiefpassfilter, als hörte man sie durch den Helm.
  • An Spielereignisse gekoppelt: Schiebetüren öffnen und schließen, die Luftschleuse beginnt Druck abzubauen oder aufzubauen, das Sensorlicht im Gang geht an, der Barroboter schüttelt und schenkt ein – jedes Ereignis löst seinen eigenen Sound aus, je weiter weg, desto leiser.
  • Sound-Schalter im unteren Menü: Deine Auswahl wird gespeichert.

Am Ende sind alle 23 Audiodateien zusammen nur 632 KB groß – für ein Browsergame kaum der Rede wert. Hier das Ergebnis (Ton an!):

Die Mondbasis mit KI-Soundeffekten: Schritte im Gang, Sensorlicht, Schiebetür und der Barroboter, der schüttelt, einschenkt und das Glas über die Theke schiebt

Die Grenzen von Stable Audio 3 Small SFX

Nach einer kompletten Runde sollte man diese Punkte kennen:

  • Nur Soundeffekte: Small SFX macht keine Musik, dafür braucht man Small oder Medium.
  • Prompts auf Englisch: Es versteht nur Englisch.
  • Mehrfach erzeugen, dann auswählen: Beim gleichen Prompt schwankt die Qualität je nach Seed deutlich. Zum Glück geht es schnell – 3 bis 5 Versionen auf einmal erzeugen und dann auswählen spart am meisten Zeit.
  • Nachbearbeitung bleibt nötig: Länge, Stille am Anfang, Lautstärke – alles muss bearbeitet werden, bevor es direkt ins Spiel kann. Auch das lässt sich an Claude Code oder Codex abgeben: Lass einen separaten Subagent als unabhängigen Sound-Reviewer laufen, der nur die Ergebnisse prüft – etwa ob am Anfang Stille ist, ob die Länge passt, ob unerwünschte Geräusche dabei sind und ob die Lautstärke der Clips einheitlich ist –, die beste Version auswählt, zuschneidet und an den Haupt-Agent zum Einbau zurückgibt. Weil der Reviewer nicht an der Erzeugung beteiligt war, neigt er weniger dazu, die eigene Arbeit zu gut zu bewerten.
  • Es weiß nicht, was im Spiel passiert: Wann ein Sound spielt, wie laut und ob er gedämpft wird, muss man weiterhin selbst im Spiel gestalten.

Der größte Vorteil für Indie-Entwickler: Sounds gleich von Anfang an einbauen

Wenn man Spiele mit einem KI-Coding-Assistenten entwickelt, liegt der größte Wert von Small SFX für mich nicht in der Klangqualität, sondern darin, dass man Sounds schon früh in der Entwicklung einbauen kann.

Am Anfang weiß man kaum, ob die Sounds am Ende passen – egal, sie dienen erst mal als Platzhalter: Tür, Schritte, Button, je einen erzeugen und an den Trigger-Code hängen. Später eine bessere Version einzusetzen heißt nur, die gleichnamige Datei auszutauschen; Timing, Lautstärke und Entfernungseinstellungen bleiben, wie sie sind.

Wer erst kurz vor Schluss Sounds nachrüstet, braucht ein Vielfaches an Zeit und Tokens. Das liegt daran, wie der Agent entscheidet, wo Sounds hingehören: Er muss das Spiel Bildschirm für Bildschirm per Screenshot analysieren, Handlung und Bewegungen verstehen, um zu wissen, wann die Tür aufgeht, wann der Fuß aufsetzt und wo Ton nötig ist. Je größer das Spiel, desto mehr Bildschirme muss er erneut durchgehen. Baut man den Sound dagegen gleich beim Entwickeln jedes Features mit ein, weiß der Agent ohnehin, was er gerade geschrieben hat, und muss nicht noch einmal zurückschauen.

Fazit: Game-Soundeffekte mit einem einzigen Laptop

Früher hielt ich Sound für den schwierigsten Teil, wenn man allein ein Spiel macht: In Libraries findet man selten genau den passenden Sound, und für eigene Aufnahmen fehlt das Equipment. Stable Audio 3 Small SFX senkt die Hürde auf „ein Laptop, ein englischer Satz, ein paar Sekunden“ – kommerziell nutzbar und mit lizenzierten Trainingsdaten, für Indie-Entwickler wirklich angenehm.

Die Mondbasis hat endlich Ton. Wie löst du Sounds in deinen Spielen? Schreib mir gern einen Kommentar unter meine Posts auf Threads oder X.