Outono de 2026 · Direto da Base da Tranquilidade
Entre no estúdio lunar ↗
Desenvolvimento de jogos

Stable Audio 3 Small SFX: efeitos sonoros grátis com IA

Stable Audio 3 Small SFX: efeitos sonoros com IA grátis e de uso comercial, em 3 s num notebook sem GPU. Instalação, licença e prompts.

Um astronauta de fone de ouvido gera efeitos sonoros num notebook dentro de uma base lunar; porta automática, pegadas, coqueteleira, luz e câmara de descompressão flutuam em ondas laranja, e um robozinho segura um boom
Um astronauta de fone de ouvido gera efeitos sonoros num notebook dentro de uma base lunar; porta automática, pegadas, coqueteleira, luz e câmara de descompressão flutuam em ondas laranja, e um robozinho segura um boom

A página inicial do meu site é uma base lunar: o protagonista, Terry, pode andar por ela, passar por portas automáticas e ir ao bar pedir um drink. O visual está cada vez mais caprichado, mas sempre teve um grande defeito: quase não tem som. Só uns "bipes" sintetizados por código nos minigames. A porta automática deslizando, os passos no piso de metal, o robô chacoalhando a coqueteleira: tudo em silêncio.

Para efeitos sonoros de jogo, até agora havia dois caminhos: garimpar bancos de sons um por um conferindo as licenças, ou pagar um serviço de geração de som com IA na nuvem. O Stable Audio 3, que a Stability AI lançou em maio deste ano, abre um terceiro caminho: o Small SFX é um modelo open source feito só para efeitos sonoros, que dispensa placa de vídeo e roda na CPU de um notebook.

Neste post eu explico o que é o Stable Audio 3 Small SFX, se dá para usar comercialmente e como instalar no seu próprio computador. Depois uso ele para criar 10 efeitos sonoros para a base lunar e coloco tudo no jogo para você ouvir.

O que é o Stable Audio 3? Small SFX, Medium e os 4 modelos comparados

O Stable Audio 3 é uma família de modelos de áudio com IA que a Stability AI lançou em 20 de maio de 2026. São quatro modelos de uma vez, três deles com pesos abertos, que você pode baixar e rodar no seu computador:

Modelo

Parâmetros

Uso

Hardware

Duração máx.

Small SFX

433 milhões

Só efeitos sonoros

Roda na CPU

2 min

Small

433 milhões

Música

Roda na CPU

2 min

Medium

1,4 bilhão

Música, efeitos sonoros

Placa de vídeo NVIDIA

6 min 20 s

Large

2,7 bilhões

Música, efeitos sonoros

Só via API, sem download

6 min 20 s

A geração anterior, o Stable Audio Open Small, gerava no máximo 11 segundos; esta pula direto para vários minutos. Além de gerar a partir de texto, ela suporta áudio para áudio (usar um som como base e dar outra textura a ele) e regeneração parcial, o inpainting (refazer só alguns segundos do meio, mantendo o começo e o fim). Também dá para fazer fine-tuning com LoRA usando sua própria biblioteca de sons.

O destaque deste post é o menor deles: o Small SFX. A proposta oficial é clara: gerar efeitos sonoros direto em aparelhos como celulares e notebooks comuns. A saída é estéreo em 44,1 kHz, o mesmo padrão dos bancos de sons tradicionais.

Dá para usar o Stable Audio 3 comercialmente? O que importa na licença

Essa é a pergunta que mais pesa para quem faz jogo. Resumindo o que diz a documentação oficial:

  • Os sons gerados são seus: você pode colocá-los nos seus projetos, publicar e vender.
  • Faturamento anual abaixo de US$ 1 milhão: vale a Stability AI Community License, então pessoas físicas e equipes pequenas podem usar comercialmente de graça.
  • Faturamento anual acima de US$ 1 milhão: é preciso comprar uma Enterprise License.
  • O codificador de texto tem termos próprios: o modelo usa o T5Gemma do Google, então também é preciso seguir os termos de uso do Gemma.
  • Dados de treinamento: segundo a Stability, foram usadas cerca de 1,28 milhão de gravações licenciadas, vindas do banco de sons licenciado da AudioSparx e de sons do Freesound com licenças CC0, CC BY e similares.

Esse último ponto é importante para quem faz jogos. O que mais preocupa no conteúdo gerado por IA é se os dados de treinamento foram "roubados", e desta vez a Stability deixou as fontes bem claras.

Outro detalhe: os pesos em PyTorch no Hugging Face (por exemplo stabilityai/stable-audio-3-small-sfx) só podem ser baixados depois de fazer login e aceitar os termos. A versão para CPU usada aqui vem de outro repositório, o stable-audio-3-optimized; a documentação oficial diz que dá para baixar anonimamente, só que com limite de velocidade, e no meu teste funcionou sem login. De qualquer forma, independentemente de onde você baixar, as mesmas condições de licença valem.

Requisitos: sem placa de vídeo, a CPU do notebook dá conta

Meu notebook tem um Intel Core Ultra 5 (6 núcleos) e o driver da placa NVIDIA não está funcionando, então na prática só tenho a CPU. A Stability oferece algumas versões otimizadas:

  • TFLite: só CPU, roda em Linux, macOS e Windows (x64), sem precisar instalar PyTorch. É a que uso neste post.
  • MLX: para Macs com Apple Silicon.
  • TensorRT: para placas de vídeo NVIDIA, a mais rápida.

A versão TFLite do Small SFX soma cerca de 1,7 GB de download (modelo de som, decodificador e codificador de texto) e usa uns 0,8 GB de memória rodando. Velocidade de geração medida:

Duração gerada

Tempo (incluindo carregar o modelo)

3 s

cerca de 2,9 s

8 s

cerca de 3,7 s

30 s

cerca de 8,4 s

Ou seja, num notebook sem placa de vídeo, gerar o som leva menos tempo do que o próprio som dura. Mudou o prompt, ouviu o resultado: uma rodada leva poucos segundos.

Como instalar o Stable Audio 3 Small SFX (versão CPU)

A versão oficial para CPU gerencia o ambiente Python com uv: o script de instalação cria um ambiente isolado e baixa os pesos sem mexer no Python do sistema.

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 baixa só o modelo de efeitos sonoros.

Se não quiser digitar os comandos, você também pode deixar isso com um assistente de programação com IA, como o Claude Code ou o Codex. Abra no terminal e digite:

Instale o Stable Audio 3 Small SFX para mim

Ele mesmo encontra o método de instalação oficial e baixa o código e o modelo; nas etapas que exigem login no Hugging Face, ele vai pedir que você resolva. Depois de instalado, dá para continuar pedindo que ele gere efeitos sonoros, converta e corte os arquivos.

Download lento ou travado? Faça login no Hugging Face para aumentar o limite de download

Os arquivos do modelo ficam no Hugging Face. Sem login (download anônimo), o Hugging Face limita quantos dados você pode baixar em cada intervalo de tempo, o chamado limite de taxa (rate limit): o download fica muito lento ou é pausado no meio, e você precisa esperar um tempo para continuar. Com uma conta gratuita o limite fica bem mais folgado, e os mesmos cerca de 1,7 GB costumam baixar em poucos minutos.

Como liberar:

  1. Crie uma conta gratuita ou faça login no Hugging Face.
  2. Em Access Tokens, crie um token com permissão Read.
  3. Na pasta de instalação, rode o comando de login e cole o token:
.venv/bin/hf auth login

O login fica salvo no seu computador e os próximos downloads não vão mais travar no limite de taxa; rode ./install.sh -y --download sm-sfx de novo para continuar. O huggingface-cli login que aparece em tutoriais antigos faz a mesma coisa; as versões novas do huggingface_hub trocaram por hf auth login.

Se for usar a versão em PyTorch (stabilityai/stable-audio-3-small-sfx), além do login você precisa aceitar os termos da licença na página do modelo, senão o download não é liberado.

Depois de instalado, um único comando já gera o som:

./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

Parâmetros mais usados:

  • --seconds: quantos segundos gerar.
  • --seed: a semente aleatória. O mesmo prompt com outra semente gera outra versão.
  • --steps: número de passos de geração, 8 por padrão; segundo a Stability, 8 é o melhor equilíbrio, e mais não significa necessariamente melhor.
  • --init-audio, --inpaint-range: áudio para áudio e regeneração parcial.

Também vem uma interface web, ./sa3-gradio, para quem prefere o navegador à linha de comando.

Como escrever prompts para efeitos sonoros com IA?

O guia oficial de prompts recomenda que a descrição de um efeito sonoro tenha três coisas:

  1. A fonte do som: o que produz o som, por exemplo "uma porta de correr de metal" ou "uma coqueteleira com cubos de gelo".
  2. A ação: como o som é disparado e quanto tempo dura, por exemplo "abrindo", "chacoalhada com força", "desliza pelo balcão e para".
  3. A captação: distância do microfone, ambiente e tratamento, por exemplo "close mic", "metallic room", "clean recording".

E mais duas dicas:

  • Comece com TrackType: SFX.: segundo a Stability, os efeitos saem mais coerentes assim.
  • Peça durações curtas: a maioria dos efeitos dura só um ou dois segundos. Mas o modelo tende a preencher toda a duração que você pede, então eu dou uma folga e corto o excesso depois.

O prompt tem que ser em inglês, e quanto mais parecido com a descrição de um arquivo de banco de sons, melhor, porque foi justamente com esses bancos que ele foi treinado.

Deixe o Claude Code ou o Codex escreverem os prompts

Inventar uma descrição em inglês toda vez cansa. Dá para colocar as regras acima na configuração global do seu assistente de programação com IA: no Claude Code é ~/.claude/CLAUDE.md, no Codex é ~/.codex/AGENTS.md. Daí em diante, basta dizer em português "faz um som de porta abrindo" que ele escreve o prompt seguindo essas regras e gera o som. Cole isto no final do arquivo:

## Gerar efeitos sonoros com o Stable Audio 3 Small SFX

Quando eu pedir um efeito sonoro, escreva o prompt seguindo estas regras e gere com o Stable Audio 3 Small SFX instalado localmente:

- Prompt sempre em inglês, começando com `TrackType: SFX.`.
- Descreva três coisas, nesta ordem: a fonte do som (o que produz o som, o material), a ação (como é disparado, intensidade, duração) e a captação (close mic / distant, room tone, clean recording).
- Escreva como a descrição de um arquivo de banco de sons: substantivos concretos com adjetivos, nada de história ou emoção, nenhuma palavra ligada a música.
- Um único evento sonoro por prompt; para sons contínuos (passos, ambiente), especifique "single" ou "loop".
- Peça 1–2 segundos a mais do que o necessário e corte o excesso depois de gerar.
- Gere cada prompt com 3 seeds diferentes e liste os nomes dos arquivos e os prompts para eu escolher.
- Para usar na web ou no jogo, corte o silêncio do começo e do fim, adicione um fade-out curto, padronize a loudness e converta para mp3.

Por exemplo, o som da coqueteleira no bar da base lunar veio deste prompt:

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

Teste na prática: 10 efeitos sonoros para a base lunar

Listei os 10 sons de que a base lunar mais precisava e gerei cada um com 3 sementes diferentes: 30 clipes ao todo, em menos de 2 minutos. Os áudios abaixo saíram direto do modelo, só com o volume padronizado; para os passos e a câmara de descompressão, coloquei cenas do próprio jogo, para você ouvir como ficam depois de integrados. Embaixo de cada clipe está o prompt completo:

Porta automática abrindo
TrackType: SFX. Sci-fi sliding door opening, short pneumatic hiss and smooth electric servo whir, metal panel gliding, close mic, clean recording
Ciclo da câmara de descompressão: no vídeo, a porta interna fecha, a pressão cai para 0 kPa e a porta externa abre
TrackType: SFX. Spaceship airlock cycling, heavy mechanical clunk, long pressure-equalizing air hiss, then a lock latching, metallic room
Passos no piso de metal
TrackType: SFX. Footsteps of one person walking at a steady pace on a hollow metal deck floor, rubber-soled boots, indoor, dry, close mic
Passos no cascalho lunar: na Lua não tem ar, então o jogo aplica um filtro passa-baixa, como se você ouvisse através do capacete
TrackType: SFX. Footsteps walking at a steady pace on dry gravel and fine dust, crunchy, outdoors, close mic
Luz com sensor acendendo
TrackType: SFX. Fluorescent ceiling light switching on, sharp relay click followed by a soft electrical hum, close mic
Som ambiente da base
TrackType: SFX. Space station interior room tone, steady low ventilation hum, soft air handling, distant machinery, constant, no events, seamless background
Chacoalhando a coqueteleira
TrackType: SFX. Cocktail shaker shaken hard with ice cubes, rhythmic rattling, close mic, bar
Servindo uma bebida
TrackType: SFX. Pouring a drink into a glass with ice cubes, liquid splash and ice clinking, close mic
Copo deslizando pelo balcão
TrackType: SFX. Glass tumbler sliding across a smooth bar counter and stopping, short friction slide, close mic

Algumas observações:

  • Sons com ritmo constante são os mais aproveitáveis: com "passos em ritmo constante", o intervalo entre cada passo sai quase igual (cerca de 0,7 s), o que facilita muito cortar passo a passo.
  • Ele entende descrições em sequência: a câmara de descompressão saiu na ordem "baque mecânico pesado → longo chiado de despressurização".
  • Ele preenche a duração: peça uma porta de 3 segundos e ele entrega mais de dois segundos de chiado, mais longo que uma porta de verdade, então é preciso cortar.
  • Às vezes aparecem eventos extras: numa das versões da luz com sensor surgiu um "clique" a mais no meio; nesses casos, é só partir para a próxima semente.

Sound design de jogos: colocando os efeitos com IA no jogo

Gerar é só o primeiro passo; para o som soar certo no jogo, ainda é preciso tratá-lo. A base lunar é um jogo web feito em Three.js, e o som toca pela Web Audio API do navegador:

  • Cortar os passos um a um: da gravação de 8 segundos andando, os passos são detectados automaticamente e cortados em 6 arquivos de passos individuais. A cada passo, o jogo sorteia um e varia um pouquinho o pitch, para não soar como o mesmo áudio se repetindo.
  • Sincronizar os passos com o calcanhar tocando o chão: lendo a altura dos ossos do pé na animação de caminhada, mede-se o instante exato em que o calcanhar toca o chão, e o som toca nesse momento, em vez de tocar em intervalos fixos.
  • Ambiente em loop sem emenda: nos 30 segundos de ambiente, o fim e o começo são mesclados com crossfade, formando um fundo que fica em loop sem a emenda aparecer.
  • Na Lua não tem ar: ao sair da base de traje espacial, o som ambiente vai ficando mais baixo e abafado, e os passos ganham um filtro passa-baixa, como se fossem ouvidos através do capacete.
  • Ligados aos eventos do jogo: portas automáticas abrindo e fechando, a câmara de descompressão começando a despressurizar ou pressurizar, as luzes do corredor acendendo, o robô do bar chacoalhando e servindo: cada um dispara seu próprio som, mais baixo quanto mais longe.
  • Botão de som no menu inferior: ele lembra a sua escolha.

No fim, os 23 arquivos de áudio somam só 632 KB, quase nada para um jogo web. Confira o resultado (aumente o volume):

A base lunar com efeitos sonoros de IA: passos no corredor, luzes com sensor, porta automática e o robô do bar chacoalhando, servindo e deslizando o copo pelo balcão

Limitações do Stable Audio 3 Small SFX

Depois de uma rodada completa, vale saber destes pontos:

  • Só efeitos sonoros: o Small SFX não faz música; para isso, use o Small ou o Medium.
  • Prompt em inglês: ele só entende inglês.
  • Gere várias vezes e escolha: com o mesmo prompt, a qualidade varia bastante de uma semente para outra. Ainda bem que é rápido: gerar de 3 a 5 versões de uma vez e escolher é o que mais economiza tempo.
  • O resultado ainda precisa de edição: duração, silêncio no começo e volume precisam de ajuste antes de ir direto para o jogo. Isso também dá para deixar com o Claude Code ou o Codex: peça que ele dispare um subagent separado como avaliador de som independente, responsável só por checar o que foi gerado (se tem silêncio no começo, se a duração está certa, se apareceu algum som que não deveria, se o volume está igual entre os clipes), escolher a melhor versão, cortar e devolver ao agent principal para colocar no jogo. Como o avaliador não participou da geração, ele tende menos a dar nota alta para o próprio trabalho.
  • Ele não sabe o que acontece no jogo: quando o som toca, em que volume, se deve soar abafado, tudo isso você ainda precisa projetar no jogo.

A maior vantagem para devs indie: colocar o som desde o começo

Fazendo jogos com um assistente de programação com IA, acho que o maior valor do Small SFX não é a qualidade do áudio, e sim permitir que os sons entrem logo no início do desenvolvimento.

No começo é difícil saber se esses sons vão servir no final, mas tudo bem: eles funcionam como placeholder. Porta, passos, botão: gere um de cada e conecte o código que dispara. Depois, trocar por uma versão melhor é só substituir o arquivo de mesmo nome; o momento de disparo, o volume e as configurações de distância continuam como estão.

Se você esperar o jogo estar quase pronto para colocar som, vai gastar várias vezes mais tempo e tokens. O motivo está em como o agent decide onde colocar som: ele precisa tirar print do jogo tela por tela e analisar, entender a história e as ações, para saber quando a porta abre, quando o pé toca o chão e onde falta som. Quanto maior o jogo, mais telas ele tem que revisar. Já se você coloca o som enquanto desenvolve cada funcionalidade, o agent já sabe o que acabou de escrever e não precisa voltar para olhar de novo.

Conclusão: um notebook basta para criar efeitos sonoros para jogos

Eu achava que o som era a parte mais difícil de resolver quando se faz um jogo sozinho: nos bancos de sons é difícil achar exatamente o que você quer, e para gravar você mesmo falta equipamento. O Stable Audio 3 Small SFX baixa a barreira para "um notebook, uma frase em inglês e alguns segundos", com uso comercial liberado e dados de treinamento licenciados: muito amigável para desenvolvedores indie.

A base lunar finalmente tem som. E você, como resolve o som nos seus jogos? Passa lá nos meus posts no Threads ou no X e deixa um comentário.