Stable Audio 3 Small SFX: звуки для игр нейросетью бесплатно
Stable Audio 3 Small SFX — бесплатно и для коммерции: ИИ-звук за 3 секунды на ноутбуке без видеокарты. Установка, лицензия и промпты.

Главная страница моего сайта — это лунная база: главный герой Terry может по ней гулять, проходить через автоматические двери и заказывать в баре фирменный коктейль. Картинка с каждой версией становится всё лучше, но у неё всегда был один большой недостаток: звука почти нет. Только несколько программно синтезированных «бипов» в мини-играх, а скользящие автоматические двери, шаги по металлическому полу, робот, трясущий шейкер, — всё это происходило в полной тишине.
Раньше со звуками для игры было два пути: искать их по одному на стоках и проверять лицензию каждого или платить облачному сервису генерации звука на ИИ. Stable Audio 3, который Stability AI представила в мае этого года, открывает третий путь: модель Small SFX — open-source модель специально для звуковых эффектов, ей не нужна видеокарта, хватает процессора ноутбука.
В этой статье разберём, что такое Stable Audio 3 Small SFX, можно ли использовать её в коммерческих проектах и как установить её на свой компьютер, а потом я на деле сделаю с её помощью 10 звуков для лунной базы и покажу, как они звучат в игре.
Что такое Stable Audio 3? Сравнение 4 моделей: Small SFX, Medium и другие
Stable Audio 3 — семейство аудиомоделей на ИИ, которое Stability AI представила 20 мая 2026 года. Вышли сразу четыре модели, у трёх из них открытые веса, то есть их можно скачать и запускать у себя:
Модель | Параметры | Назначение | Железо | Максимум |
|---|---|---|---|---|
Small SFX | 433 млн | Только звуковые эффекты | Хватает CPU | 2 минуты |
Small | 433 млн | Музыка | Хватает CPU | 2 минуты |
Medium | 1,4 млрд | Музыка, звуковые эффекты | Видеокарта NVIDIA | 6 мин 20 с |
Large | 2,7 млрд | Музыка, звуковые эффекты | Только API, скачать нельзя | 6 мин 20 с |
Предыдущее поколение, Stable Audio Open Small, умело генерировать максимум 11 секунд, а новое сразу дотягивает до нескольких минут. Помимо генерации по тексту, оно поддерживает audio-to-audio (берёте звук за основу и меняете его фактуру) и инпейнтинг (перегенерировать только несколько секунд в середине, сохранив начало и конец), а ещё модель можно дообучить через LoRA на своей библиотеке звуков.
Герой этой статьи — самая маленькая модель, Small SFX. Её назначение официально сформулировано чётко: генерировать звуковые эффекты прямо на устройствах вроде телефонов и обычных ноутбуков. На выходе стерео 44,1 кГц — тот же формат, что и у обычных звуковых библиотек.
Можно ли использовать Stable Audio 3 в коммерческих проектах? Главное о лицензии
Для разработчика игр это самый важный вопрос. Вот что говорит официальная документация:
- Сгенерированные звуки принадлежат вам: их можно вставлять в свои проекты, публиковать и продавать.
- Годовая выручка до 1 млн долларов: действует Stability AI Community License, то есть частные разработчики и небольшие команды могут бесплатно использовать модель в коммерческих целях.
- Годовая выручка больше 1 млн долларов: нужно отдельно купить Enterprise License.
- У текстового энкодера свои условия: в модели используется T5Gemma от Google, поэтому нужно соблюдать и условия использования Gemma.
- Обучающие данные: по словам Stability, это около 1,28 млн лицензированных записей из библиотеки AudioSparx и звуков с Freesound под лицензиями CC0, CC BY и т. п.
Последний пункт для геймдева очень важен. Больше всего в ИИ-контенте пугает вопрос «а не краденые ли обучающие данные?», и на этот раз Stability чётко указала источники.
Ещё один момент: веса PyTorch на Hugging Face (например, stabilityai/stable-audio-3-small-sfx) можно скачать только после входа в аккаунт и согласия с условиями. Версия для CPU, которую я использую в этой статье, лежит в другом репозитории, stable-audio-3-optimized: по документации анонимно скачивать можно, но с ограничением скорости, и у меня скачалось без входа. Но откуда бы вы ни скачивали, условия лицензии те же.
Системные требования: видеокарта не нужна, хватает процессора ноутбука
У меня ноутбук на Intel Core Ultra 5 (6 ядер), драйвер видеокарты NVIDIA не работает, так что по сути есть только CPU. Официально доступно несколько оптимизированных версий:
- TFLite: только CPU, работает на Linux, macOS и Windows (x64), PyTorch ставить не нужно. В этой статье используется именно она.
- MLX: для Mac на Apple Silicon.
- TensorRT: для видеокарт NVIDIA, самая быстрая.
Файлы TFLite-версии Small SFX (звуковая модель, декодер и текстовый энкодер) весят в сумме около 1,7 ГБ, а при работе занимают около 0,8 ГБ памяти. Реальная скорость генерации:
Длина звука | Затраченное время (с загрузкой модели) |
|---|---|
3 секунды | около 2,9 секунды |
8 секунд | около 3,7 секунды |
30 секунд | около 8,4 секунды |
То есть на ноутбуке без видеокарты звук генерируется быстрее, чем длится сам. Поменяли промпт, послушали результат — один цикл занимает считаные секунды.
Установка Stable Audio 3 Small SFX (версия для CPU)
Официальная CPU-версия управляет окружением Python через uv: установочный скрипт сам создаёт изолированное окружение и скачивает веса, не трогая системный Python.
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 скачивает только модель звуковых эффектов.
Если не хочется вводить команды самому, можно поручить это ИИ-ассистенту для программирования вроде Claude Code или Codex: запустите его в терминале и напишите:
Установи мне Stable Audio 3 Small SFXОн сам найдёт официальный способ установки и скачает код и модель, а там, где нужен вход в Hugging Face, попросит вас сделать это самостоятельно. После установки можно и дальше просить его генерировать звуки, конвертировать и обрезать их.
Скачивание идёт медленно или зависло? Войдите в Hugging Face, чтобы снять лимит
Файлы модели лежат на Hugging Face. При скачивании без входа (анонимно) Hugging Face ограничивает объём данных за определённый промежуток времени — это rate limit: скорость сильно падает или загрузка останавливается на полпути, и приходится ждать, прежде чем продолжить. С бесплатным аккаунтом лимит становится намного мягче, и те же примерно 1,7 ГБ обычно скачиваются за несколько минут.
Как снять ограничение:
- Зарегистрируйтесь или войдите в бесплатный аккаунт на Hugging Face.
- В разделе Access Tokens создайте токен с правом Read.
- В папке установки выполните команду входа и вставьте токен:
.venv/bin/hf auth loginДанные для входа сохранятся на вашем компьютере, и дальше скачивание уже не будет упираться в rate limit — просто снова запустите ./install.sh -y --download sm-sfx, чтобы продолжить. Команда huggingface-cli login из старых инструкций делает то же самое, в новых версиях huggingface_hub она называется hf auth login.
Если нужна версия на PyTorch (stabilityai/stable-audio-3-small-sfx), то помимо входа нужно ещё принять условия лицензии на странице модели, иначе скачать не получится.
После установки звук генерируется одной командой:
./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.wavОсновные параметры:
--seconds: сколько секунд генерировать.--seed: сид генератора случайных чисел. Один и тот же промпт с разными сидами даёт разные варианты.--steps: число шагов генерации, по умолчанию 8; по словам разработчиков, 8 — оптимальный баланс, и больше не значит лучше.--init-audio,--inpaint-range: audio-to-audio и инпейнтинг.
Есть и официальный веб-интерфейс ./sa3-gradio: если командная строка непривычна, можно работать через браузер.
Как писать промпты для ИИ-звуков?
Официальное руководство по промптам советует включать в описание звука три вещи:
- Источник звука: что звучит, например «металлическая раздвижная дверь», «шейкер со льдом».
- Действие: чем вызван звук и сколько он длится, например «открывается», «сильно трясут», «скользит по стойке и останавливается».
- Способ записи: расстояние до микрофона, помещение, обработка, например «close mic», «metallic room», «clean recording».
И ещё два небольших приёма:
- Начинайте с
TrackType: SFX.: по словам разработчиков, так звуки получаются убедительнее. - Ставьте длину поменьше: большинство звуковых эффектов длятся секунду-две. Но модель стремится заполнить всю заданную длительность, поэтому я даю немного с запасом, а лишнее обрезаю после генерации.
Промпты нужно писать на английском, и чем больше они похожи на описания файлов в звуковых библиотеках, тем лучше: модель обучалась именно на таких библиотеках.
Поручите промпты Claude Code или Codex
Каждый раз придумывать описание на английском утомительно. Эти правила можно прописать в глобальных настройках ИИ-ассистента: у Claude Code это ~/.claude/CLAUDE.md, у Codex — ~/.codex/AGENTS.md. После этого достаточно сказать по-русски «сделай звук открывающейся двери», и он сам напишет промпт по этим правилам и сгенерирует звук. Вставьте этот блок в конец файла:
## Генерация звуков в Stable Audio 3 Small SFX
Когда я прошу звук, пиши промпт по этим правилам и генерируй его с помощью локально установленной модели Stable Audio 3 Small SFX:
- Промпт всегда на английском и начинается с `TrackType: SFX.`.
- Описывай три вещи по порядку: источник звука (что звучит, материал), действие (чем вызван, насколько сильный, сколько длится), способ записи (close mic / distant, room tone, clean recording).
- Пиши как описание файла в библиотеке звуковых эффектов: конкретные существительные и прилагательные, без сюжета и описания эмоций, без музыкальных терминов.
- Описывай только одно звуковое событие за раз; для непрерывных звуков (шаги, эмбиент) явно указывай "single" или "loop".
- Ставь длительность на 1–2 секунды больше нужной, а лишнее обрезай после генерации.
- Генерируй каждый промпт с 3 разными сидами и перечисли имена файлов и промпты, чтобы я выбрал.
- Если звук идёт на сайт или в игру: обрежь тишину в начале и в конце, добавь короткое затухание, выровняй громкость и сконвертируй в mp3.Например, звук шейкера в баре лунной базы получен вот таким промптом:
TrackType: SFX. Cocktail shaker shaken hard with ice cubes, rhythmic rattling, close mic, barТест на практике: 10 игровых звуков для лунной базы
Я выписал 10 звуков, которые больше всего нужны лунной базе, и сгенерировал каждый с 3 разными сидами — всего 30 фрагментов меньше чем за 2 минуты. Ниже — звуки прямо с выхода модели, я только выровнял громкость; для шагов и шлюза я поставил реальные кадры из игры, чтобы было слышно, как они звучат уже внутри. Под каждым фрагментом — полный промпт:
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 micНесколько наблюдений:
- Лучше всего выходят звуки с ровным ритмом: в «шагах в ровном темпе» интервал между шагами почти одинаковый (около 0,7 секунды), поэтому их легко нарезать на отдельные шаги.
- Последовательность событий модель понимает: фрагмент со шлюзом выходит именно в порядке «тяжёлый механический удар → долгое шипение воздуха».
- Заполняет всю длительность: просишь дверь на 3 секунды — получаешь больше двух секунд шипения, дольше, чем у настоящей двери, так что приходится обрезать.
- Иногда добавляет лишние события: в одной из версий лампы посередине проскочил лишний «щелчок» — такие варианты просто меняешь на следующий сид.
Звуковой дизайн игры: как встроить ИИ-звуки в игру
Генерация — только первый шаг: чтобы звуки в игре звучали правильно, их нужно ещё обработать. Лунная база — это браузерная игра на Three.js, звук воспроизводится через Web Audio в браузере:
- Шаги нарезаны на отдельные: из 8-секундной записи ходьбы автоматически вырезается каждый шаг — получается 6 файлов с одиночными шагами. В игре на каждый шаг случайно выбирается один из них и чуть-чуть случайно сдвигается высота тона, так что не кажется, будто крутится один и тот же звук.
- Шаги совпадают с касанием пятки: я считываю высоту костей стопы в анимации ходьбы, нахожу момент, когда пятка касается пола, и запускаю звук именно в этот момент, а не раз в фиксированное число секунд.
- Эмбиент в бесшовном цикле: у 30-секундного фонового звука конец и начало сведены кроссфейдом, и он превратился в фон, который можно крутить бесконечно без слышимого стыка.
- На Луне нет воздуха: когда выходишь из базы в скафандре, фоновый звук постепенно затихает и становится глухим, а на шаги накладывается фильтр нижних частот, будто слышишь их через шлем.
- Привязка к игровым событиям: открытие и закрытие автоматических дверей, начало сброса или набора давления в шлюзе, включение ламп в коридоре, робот в баре трясёт шейкер и наливает напиток — каждое событие запускает свой звук, и чем дальше, тем тише.
- Переключатель звука в нижнем меню: запоминает ваш выбор.
В итоге все 23 звуковых файла весят всего 632 КБ — для браузерной игры нагрузка совсем небольшая. Вот как это звучит на деле (не забудьте включить звук):
Ограничения Stable Audio 3 Small SFX
После работы с моделью могу сказать, что стоит знать заранее:
- Только звуковые эффекты: музыку Small SFX не делает, для неё нужны Small или Medium.
- Промпты только на английском: другие языки она не понимает.
- Генерируйте несколько раз и выбирайте: у одного и того же промпта качество между сидами заметно скачет. К счастью, генерация быстрая, и проще всего сразу сделать 3–5 вариантов и выбрать.
- Результат всё равно нужно обрезать: длину, тишину в начале и громкость надо доводить, прежде чем ставить звук в игру. Это тоже можно поручить Claude Code или Codex: попросите запустить отдельного subagent в роли независимого звукового судьи, который только проверяет результаты — нет ли тишины в начале, правильная ли длина, нет ли лишних звуков, одинаковая ли громкость, — выбирает лучший вариант, обрезает его и отдаёт главному agent, чтобы тот вставил его в игру. Агент-судья не участвовал в генерации, поэтому меньше склонен завышать оценку собственной работе.
- Она не знает, что происходит в игре: когда звук играет, насколько громко, должен ли он быть глухим — всё это по-прежнему придётся проектировать в игре самому.
Главная выгода для инди-разработчиков: звуки можно добавить с самого начала
Когда делаешь игру с ИИ-ассистентом, главная ценность Small SFX, на мой взгляд, не в качестве звука, а в том, что звуки можно вставить уже на ранней стадии разработки.
На старте трудно понять, подойдут ли эти звуки в итоге, но это и не важно: используйте их как заглушки. Сгенерируйте по одному звуку для двери, шагов, кнопки и подключите код, который их запускает. Когда потом захочется версию получше, вы просто заменяете файл с тем же именем, а моменты срабатывания, громкость и дистанцию настраивать заново не нужно.
Если добавлять звуки, когда игра почти готова, времени и токенов уйдёт в разы больше. Всё дело в том, как agent решает, где нужен звук: ему приходится снимать скриншоты игры кадр за кадром и анализировать их, разбираться в сюжете и действиях, чтобы понять, когда открывается дверь, когда нога касается пола и где нужен звук. Чем больше игра, тем больше кадров приходится прогонять заново. А если добавлять звуки сразу, пока делаешь каждую функцию, agent и так знает, что он только что написал, и возвращаться к этому не нужно.
Итог: звуки для игры можно сделать на одном ноутбуке
Раньше мне казалось, что звук — самая трудная часть, когда делаешь игру в одиночку: в библиотеках сложно найти ровно тот звук, который нужен, а записывать самому не на чем. Stable Audio 3 Small SFX опускает порог до «один ноутбук, одна фраза на английском, несколько секунд», к тому же модель можно использовать коммерчески, а обучающие данные лицензированы — для инди-разработчиков это очень удобно.
У лунной базы наконец-то появился звук. А как вы решаете вопрос со звуком, когда делаете игру? Пишите в комментариях к моим постам в Threads или X, обсудим.


