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.

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 mimEle 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:
- Crie uma conta gratuita ou faça login no Hugging Face.
- Em Access Tokens, crie um token com permissão Read.
- Na pasta de instalação, rode o comando de login e cole o token:
.venv/bin/hf auth loginO 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.wavParâmetros 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:
- A fonte do som: o que produz o som, por exemplo "uma porta de correr de metal" ou "uma coqueteleira com cubos de gelo".
- A ação: como o som é disparado e quanto tempo dura, por exemplo "abrindo", "chacoalhada com força", "desliza pelo balcão e para".
- 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, barTeste 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:
TrackType: SFX. Sci-fi sliding door opening, short pneumatic hiss and smooth electric servo whir, metal panel gliding, close mic, clean recordingTrackType: SFX. Spaceship airlock cycling, heavy mechanical clunk, long pressure-equalizing air hiss, then a lock latching, metallic roomTrackType: SFX. Footsteps of one person walking at a steady pace on a hollow metal deck floor, rubber-soled boots, indoor, dry, close micTrackType: SFX. Footsteps walking at a steady pace on dry gravel and fine dust, crunchy, outdoors, close micTrackType: SFX. Fluorescent ceiling light switching on, sharp relay click followed by a soft electrical hum, close micTrackType: SFX. Space station interior room tone, steady low ventilation hum, soft air handling, distant machinery, constant, no events, seamless backgroundTrackType: SFX. Cocktail shaker shaken hard with ice cubes, rhythmic rattling, close mic, barTrackType: SFX. Pouring a drink into a glass with ice cubes, liquid splash and ice clinking, close micTrackType: SFX. Glass tumbler sliding across a smooth bar counter and stopping, short friction slide, close micAlgumas 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):
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.


