Mùa thu 2026 · Gửi từ Căn cứ Tĩnh Lặng
Ghé studio trên Mặt Trăng ↗
terryl.inNhật ký căn cứ Mặt Trăng — ghi chép phát triển từ Mặt Trăng
Làm game

Stable Audio 3 Small SFX: hiệu ứng âm thanh miễn phí bằng AI

Stable Audio 3 Small SFX miễn phí, dùng thương mại được, không cần GPU, laptop tạo hiệu ứng âm thanh trong 3 giây. Cài đặt, giấy phép, 10 SFX game.

Phi hành gia đeo tai nghe dùng laptop tạo hiệu ứng âm thanh trong căn cứ mặt trăng, cửa tự động, dấu chân, bình lắc cocktail, đèn cảm biến và luồng khí của buồng khóa khí bay ra theo những sóng âm màu cam, một chú robot nhỏ giơ cần micro
Phi hành gia đeo tai nghe dùng laptop tạo hiệu ứng âm thanh trong căn cứ mặt trăng, cửa tự động, dấu chân, bình lắc cocktail, đèn cảm biến và luồng khí của buồng khóa khí bay ra theo những sóng âm màu cam, một chú robot nhỏ giơ cần micro

Trang chủ website của mình là một căn cứ mặt trăng: nhân vật chính Terry có thể đi lại bên trong, bước qua cửa tự động, ghé quầy bar gọi một ly đặc biệt. Hình ảnh ngày càng chỉn chu, nhưng nó luôn có một điểm yếu lớn: gần như không có âm thanh. Chỉ có vài tiếng "bíp" tổng hợp bằng code trong mini game, còn cửa tự động trượt mở, bước chân trên sàn kim loại, robot lắc bình cocktail thì đều im lặng.

Trước đây muốn có hiệu ứng âm thanh cho game chỉ có hai cách: lên các trang thư viện âm thanh tìm từng file một, kiểm tra giấy phép, hoặc trả tiền dùng dịch vụ AI tạo âm thanh trên cloud. Stable Audio 3 mà Stability AI công bố hồi tháng 5 năm nay mở ra cách thứ ba: trong đó Small SFX là mô hình mã nguồn mở chuyên làm hiệu ứng âm thanh, không cần card đồ họa, CPU của laptop là chạy được.

Bài này tổng hợp Stable Audio 3 Small SFX là gì, có dùng thương mại được không, cài lên máy mình thế nào, rồi thực tế dùng nó làm 10 loại âm thanh cho căn cứ mặt trăng, đưa vào game cho bạn nghe thử.

Stable Audio 3 là gì? So sánh 4 mô hình Small SFX, Medium...

Stable Audio 3 là dòng mô hình AI âm thanh mà Stability AI công bố ngày 20/5/2026, ra mắt cùng lúc bốn mô hình, trong đó ba mô hình công khai trọng số, tải về máy mình chạy được:

Mô hình

Số tham số

Dùng để

Phần cứng

Dài tối đa

Small SFX

433 triệu

Chỉ hiệu ứng âm thanh

Chạy bằng CPU

2 phút

Small

433 triệu

Nhạc

Chạy bằng CPU

2 phút

Medium

1,4 tỷ

Nhạc, hiệu ứng âm thanh

Card đồ họa NVIDIA

6 phút 20 giây

Large

2,7 tỷ

Nhạc, hiệu ứng âm thanh

Chỉ có API, không cho tải

6 phút 20 giây

Thế hệ trước, Stable Audio Open Small, chỉ tạo được tối đa 11 giây, thế hệ này kéo lên hẳn vài phút. Ngoài gõ chữ để tạo, nó còn hỗ trợ audio-to-audio (lấy một đoạn âm thanh làm nền rồi đổi sang chất âm khác) và inpainting (chỉ làm lại vài giây ở giữa, giữ nguyên phần trước và sau), còn có thể dùng LoRA để fine-tune bằng thư viện âm thanh của riêng bạn.

Nhân vật chính của bài này là mô hình nhỏ nhất, Small SFX. Định vị chính thức rất rõ: tạo hiệu ứng âm thanh ngay trên điện thoại, laptop phổ thông. Đầu ra là stereo 44.1 kHz, đúng chuẩn của các file âm thanh thư viện thông thường.

Stable Audio 3 có dùng thương mại được không? Những điểm chính về giấy phép

Đây là câu hỏi người làm game quan tâm nhất, mình tóm tắt từ thông tin chính thức:

  • Âm thanh tạo ra thuộc về bạn: có thể đưa vào sản phẩm của mình để phát hành, bán.
  • Doanh thu năm dưới 1 triệu USD: áp dụng Stability AI Community License, cá nhân và team nhỏ được dùng thương mại miễn phí.
  • Doanh thu năm trên 1 triệu USD: phải mua thêm Enterprise License.
  • Bộ mã hóa văn bản có điều khoản riêng: mô hình dùng T5Gemma của Google, nên cũng phải tuân theo điều khoản sử dụng của Gemma.
  • Dữ liệu huấn luyện: theo thông tin chính thức, dùng khoảng 1,28 triệu bản ghi âm có giấy phép, lấy từ thư viện âm thanh có bản quyền của AudioSparx và các âm thanh trên Freesound theo giấy phép CC0, CC BY...

Điểm cuối rất quan trọng với người làm game. Điều đáng lo nhất với nội dung do AI tạo ra là "dữ liệu huấn luyện có phải đi ăn cắp không", và lần này Stability ghi nguồn dữ liệu rất rõ ràng.

Thêm một lưu ý: trọng số bản PyTorch trên Hugging Face (ví dụ stabilityai/stable-audio-3-small-sfx) phải đăng nhập và bấm đồng ý điều khoản mới tải được. Bản CPU mình dùng trong bài này tải từ một repo khác là stable-audio-3-optimized, chính thức ghi là tải ẩn danh cũng được, chỉ bị giới hạn tốc độ, mình thử không đăng nhập vẫn tải thành công. Nhưng dù tải từ đâu, các điều kiện giấy phép ở trên vẫn áp dụng như nhau.

Cấu hình máy: không cần card đồ họa, CPU laptop là đủ

Laptop của mình chạy Intel Core Ultra 5 (6 nhân), driver card NVIDIA không hoạt động, coi như chỉ có CPU. Bên chính thức có sẵn vài bản tối ưu:

  • TFLite: chỉ dùng CPU, chạy được trên Linux, macOS, Windows (x64), không cần cài PyTorch. Bài này dùng bản này.
  • MLX: cho Mac chip Apple Silicon.
  • TensorRT: cho card đồ họa NVIDIA, nhanh nhất.

Bản TFLite của Small SFX tải về (mô hình âm thanh, bộ giải mã, bộ mã hóa văn bản) tổng cộng khoảng 1.7 GB, khi chạy tốn khoảng 0.8 GB RAM. Tốc độ tạo thực tế:

Độ dài âm thanh

Thời gian (tính cả nạp mô hình)

3 giây

khoảng 2.9 giây

8 giây

khoảng 3.7 giây

30 giây

khoảng 8.4 giây

Nghĩa là trên một chiếc laptop không có card đồ họa, thời gian tạo âm thanh còn ngắn hơn chính đoạn âm thanh đó. Sửa prompt một lần, nghe kết quả một lần, mỗi vòng chỉ mất vài giây.

Cài đặt Stable Audio 3 Small SFX (bản CPU)

Bản CPU chính thức dùng uv để quản lý môi trường Python, script cài đặt tự tạo môi trường riêng và tải trọng số, không đụng tới Python của hệ thống.

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 chỉ tải mô hình hiệu ứng âm thanh.

Nếu không muốn tự gõ lệnh, bạn cũng có thể giao cho trợ lý lập trình AI như Claude Code hay Codex: mở nó trong terminal rồi nhập:

Hãy cài Stable Audio 3 Small SFX giúp tôi

Nó sẽ tự tìm cách cài chính thức, tải code và mô hình; chỗ nào cần đăng nhập Hugging Face thì nó sẽ nhờ bạn tự làm. Cài xong, bạn có thể tiếp tục nhờ nó tạo âm thanh, chuyển định dạng và cắt ghép.

Tải chậm hoặc bị treo? Đăng nhập Hugging Face để gỡ giới hạn tốc độ

File mô hình nằm trên Hugging Face. Khi tải mà không đăng nhập (ẩn danh), Hugging Face giới hạn lượng dữ liệu tải được trong mỗi khoảng thời gian, tức là rate limit: tốc độ tải rất chậm, hoặc đang tải thì bị dừng, phải đợi một lúc mới tải tiếp được. Đăng nhập tài khoản miễn phí thì giới hạn được nới ra rất nhiều, cùng khoảng 1.7 GB đó thường vài phút là xong.

Cách gỡ:

  1. Vào Hugging Face đăng ký hoặc đăng nhập tài khoản miễn phí.
  2. Vào Access Tokens tạo một token quyền Read.
  3. Trong thư mục cài đặt, chạy lệnh đăng nhập và dán token vào:
.venv/bin/hf auth login

Thông tin đăng nhập được lưu trên máy bạn, các lần tải sau sẽ không bị rate limit chặn nữa, chạy lại ./install.sh -y --download sm-sfx là tải tiếp được. Lệnh huggingface-cli login hay gặp trong các hướng dẫn cũ cũng là việc này, bản huggingface_hub mới đã đổi thành hf auth login.

Nếu muốn dùng bản PyTorch (stabilityai/stable-audio-3-small-sfx), ngoài đăng nhập còn phải vào trang mô hình bấm đồng ý điều khoản giấy phép trước, nếu không sẽ không tải được.

Cài xong, một dòng lệnh là tạo được âm thanh:

./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

Các tham số hay dùng:

  • --seconds: muốn tạo bao nhiêu giây.
  • --seed: seed ngẫu nhiên. Cùng một prompt, đổi seed khác sẽ ra phiên bản khác.
  • --steps: số bước tạo, mặc định 8, chính thức nói 8 là cân bằng nhất, nhiều hơn chưa chắc đã tốt hơn.
  • --init-audio, --inpaint-range: audio-to-audio và inpainting.

Bên chính thức còn kèm giao diện web ./sa3-gradio, nếu không quen dòng lệnh thì có thể thao tác bằng trình duyệt.

Viết prompt hiệu ứng âm thanh AI thế nào?

Hướng dẫn viết prompt chính thức khuyên một đoạn mô tả âm thanh nên có ba thứ:

  1. Nguồn âm: vật gì phát ra tiếng, ví dụ "cửa trượt kim loại", "bình lắc cocktail có đá".
  2. Hành động: âm thanh được kích hoạt thế nào, kéo dài bao lâu, ví dụ "mở ra", "lắc mạnh", "trượt qua quầy bar rồi dừng lại".
  3. Cách thu âm: khoảng cách micro, không gian, xử lý, ví dụ "close mic", "metallic room", "clean recording".

Thêm hai mẹo nhỏ:

  • Thêm TrackType: SFX. ở đầu: theo bên chính thức, như vậy âm thanh tạo ra sẽ hợp lý hơn.
  • Đặt độ dài ngắn thôi: phần lớn hiệu ứng âm thanh chỉ dài một hai giây. Nhưng mô hình có xu hướng lấp đầy độ dài bạn đưa, nên mình thường cho dư một chút, tạo xong rồi cắt phần thừa.

Prompt phải viết bằng tiếng Anh, viết càng giống phần mô tả file trong thư viện âm thanh càng tốt, vì dữ liệu huấn luyện của nó chính là các thư viện đó.

Giao việc viết prompt cho Claude Code hoặc Codex

Lần nào cũng tự nghĩ mô tả tiếng Anh thì mệt, bạn có thể ghi các nguyên tắc trên vào cấu hình toàn cục của trợ lý lập trình AI: Claude Code là ~/.claude/CLAUDE.md, Codex là ~/.codex/AGENTS.md. Sau đó chỉ cần nói bằng tiếng Việt "làm giúp tôi tiếng mở cửa", nó sẽ viết prompt theo cách này rồi tạo âm thanh. Dán đoạn dưới đây vào cuối file:

## Tạo hiệu ứng âm thanh bằng Stable Audio 3 Small SFX

Khi tôi cần hiệu ứng âm thanh, hãy viết prompt theo các quy tắc sau, rồi tạo bằng Stable Audio 3 Small SFX trên máy:

- Prompt luôn viết bằng tiếng Anh, mở đầu bằng `TrackType: SFX.`.
- Mô tả lần lượt ba thứ: nguồn âm (vật gì phát ra tiếng, chất liệu), hành động (kích hoạt thế nào, mạnh nhẹ, kéo dài bao lâu), cách thu âm (close mic / distant, room tone, clean recording).
- Viết giống phần mô tả file trong thư viện âm thanh: danh từ cụ thể kèm tính từ, không viết thành câu chuyện hay mô tả cảm xúc, không dùng từ liên quan đến âm nhạc.
- Mỗi lần chỉ mô tả một sự kiện âm thanh; nếu cần âm thanh liên tục (bước chân, âm nền) thì ghi rõ "single" hoặc "loop".
- Độ dài cho dư 1–2 giây so với cần thiết, tạo xong thì cắt phần thừa.
- Mỗi prompt tạo 3 lần với 3 seed khác nhau, liệt kê tên file và prompt để tôi chọn.
- Khi đưa vào web hoặc game, cắt khoảng lặng ở đầu và cuối, thêm fade out ngắn, chuẩn hóa âm lượng, chuyển sang mp3.

Ví dụ tiếng lắc bình ở quầy bar căn cứ mặt trăng dùng đúng prompt này:

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

Thử thực tế: làm 10 loại hiệu ứng âm thanh game cho căn cứ mặt trăng

Mình liệt kê 10 âm thanh căn cứ mặt trăng cần nhất, mỗi loại tạo 3 lần với 3 seed khác nhau, tổng cộng 30 đoạn, mất chưa tới 2 phút. Các file bên dưới là bản lấy thẳng từ mô hình ra, chỉ chuẩn hóa âm lượng; riêng ba đoạn bước chân và buồng khóa khí thì mình đặt luôn cảnh thật trong game, để bạn nghe chúng khi đã ghép vào game. Dưới mỗi đoạn có kèm prompt đầy đủ:

Cửa tự động trượt mở
TrackType: SFX. Sci-fi sliding door opening, short pneumatic hiss and smooth electric servo whir, metal panel gliding, close mic, clean recording
Chu trình buồng khóa khí: trong video, cửa trong đóng lại, xả áp xuống 0 kPa rồi cửa ngoài mở ra
TrackType: SFX. Spaceship airlock cycling, heavy mechanical clunk, long pressure-equalizing air hiss, then a lock latching, metallic room
Bước chân trên sàn kim loại
TrackType: SFX. Footsteps of one person walking at a steady pace on a hollow metal deck floor, rubber-soled boots, indoor, dry, close mic
Bước chân trên sỏi đá mặt trăng: mặt trăng không có không khí, nên trong game mình thêm bộ lọc thông thấp, nghe như vọng qua mũ phi hành gia
TrackType: SFX. Footsteps walking at a steady pace on dry gravel and fine dust, crunchy, outdoors, close mic
Đèn cảm biến bật sáng
TrackType: SFX. Fluorescent ceiling light switching on, sharp relay click followed by a soft electrical hum, close mic
Âm thanh nền của căn cứ
TrackType: SFX. Space station interior room tone, steady low ventilation hum, soft air handling, distant machinery, constant, no events, seamless background
Lắc bình cocktail
TrackType: SFX. Cocktail shaker shaken hard with ice cubes, rhythmic rattling, close mic, bar
Rót đồ uống
TrackType: SFX. Pouring a drink into a glass with ice cubes, liquid splash and ice clinking, close mic
Ly trượt qua quầy bar
TrackType: SFX. Glass tumbler sliding across a smooth bar counter and stopping, short friction slide, close mic

Vài nhận xét:

  • Âm thanh có nhịp đều là dễ dùng nhất: "tiếng bước chân đi đều" tạo ra có khoảng cách giữa các bước gần như bằng nhau (khoảng 0,7 giây), rất dễ cắt thành từng bước lẻ.
  • Nó hiểu mô tả có thứ tự trước sau: đoạn buồng khóa khí ra đúng thứ tự "tiếng máy móc nặng nề → tiếng xả khí dài".
  • Nó sẽ lấp đầy độ dài: xin tiếng mở cửa 3 giây, nó cho bạn hơn hai giây tiếng xì, dài hơn tiếng mở cửa thật, nên phải cắt.
  • Thỉnh thoảng có thêm sự kiện thừa: một phiên bản của đèn cảm biến phát thêm một tiếng "tách" ở giữa, gặp trường hợp này thì đổi sang seed khác.

Làm âm thanh game: đưa hiệu ứng âm thanh AI vào game

Tạo ra mới chỉ là bước đầu, muốn âm thanh nghe đúng trong game thì còn phải xử lý thêm. Căn cứ mặt trăng là game web làm bằng Three.js, âm thanh phát bằng Web Audio của trình duyệt:

  • Cắt tiếng bước chân thành từng bước lẻ: tự động tách từng bước trong đoạn ghi âm đi bộ 8 giây, cắt thành 6 file bước chân riêng. Trong game, mỗi bước chọn ngẫu nhiên một file, cao độ cũng lệch ngẫu nhiên một chút, nghe sẽ không giống một âm thanh phát đi phát lại.
  • Bước chân khớp lúc gót chạm đất: đọc độ cao xương bàn chân trong animation đi bộ của nhân vật, đo xem gót chạm đất ở thời điểm nào của animation, rồi phát âm thanh đúng lúc đó, chứ không phải cứ vài giây phát một lần.
  • Âm nền làm thành vòng lặp liền mạch: đoạn âm nền 30 giây được crossfade phần cuối với phần đầu, thành âm nền lặp mãi mà không nghe ra chỗ nối.
  • Mặt trăng không có không khí: mặc đồ phi hành gia bước ra khỏi căn cứ, âm nền sẽ nhỏ dần và đục đi, tiếng bước chân cũng thêm bộ lọc thông thấp, như nghe qua mũ phi hành gia.
  • Gắn với sự kiện trong game: cửa tự động đóng mở, buồng khóa khí bắt đầu giảm áp hoặc tăng áp, đèn cảm biến hành lang bật sáng, robot quầy bar lắc bình rót rượu, mỗi thứ kích hoạt âm thanh tương ứng, càng xa càng nhỏ.
  • Menu bên dưới có thêm nút bật tắt âm thanh: nó sẽ nhớ lựa chọn của bạn.

Cuối cùng 23 file âm thanh cộng lại chỉ có 632 KB, với game web thì gánh nặng rất nhỏ. Cùng nghe hiệu quả thực tế (nhớ bật loa):

Căn cứ mặt trăng có thêm hiệu ứng âm thanh AI: tiếng bước chân ở hành lang, đèn cảm biến, cửa tự động, cùng robot quầy bar lắc bình, rót rượu và trượt ly qua quầy

Giới hạn của Stable Audio 3 Small SFX

Dùng qua một vòng, mình thấy nên biết trước mấy điểm sau:

  • Chỉ làm hiệu ứng âm thanh: Small SFX không làm nhạc, muốn có nhạc phải đổi sang Small hoặc Medium.
  • Prompt phải viết bằng tiếng Anh: nó chỉ hiểu tiếng Anh.
  • Phải tạo nhiều lần rồi chọn: cùng một prompt, chất lượng giữa các seed chênh nhau khá nhiều. May là tạo rất nhanh, mỗi lần tạo 3 đến 5 phiên bản rồi chọn là tiết kiệm thời gian nhất.
  • Thành phẩm vẫn phải cắt: độ dài, khoảng lặng đầu file, âm lượng đều phải xử lý mới đưa thẳng vào game được. Việc này có thể giao cho Claude Code hoặc Codex: nhờ nó cử thêm một subagent làm giám khảo âm thanh độc lập, chỉ lo kiểm tra kết quả tạo ra, ví dụ đầu file có khoảng lặng không, độ dài đúng chưa, có âm thanh thừa không, âm lượng các đoạn có đồng đều không, chọn ra phiên bản tốt nhất và cắt gọn, rồi giao lại cho agent chính đưa vào game. Agent làm giám khảo không tham gia tạo, nên ít bị thiên vị chấm điểm cao cho sản phẩm của chính mình.
  • Nó không biết chuyện gì đang xảy ra trong game: khi nào phát, to bao nhiêu, có cần làm đục không, vẫn phải tự thiết kế trong game.

Lợi ích lớn nhất với dev indie: có thể đặt âm thanh ngay từ đầu

Làm game bằng trợ lý lập trình AI, mình thấy giá trị lớn nhất của Small SFX không nằm ở chất lượng âm thanh, mà ở chỗ nó cho phép đưa âm thanh vào ngay từ giai đoạn đầu phát triển.

Ở giai đoạn đầu rất khó biết mấy âm thanh này cuối cùng có dùng được không, nhưng không sao, cứ coi như placeholder: mở cửa, bước chân, nút bấm mỗi thứ tạo một file, nối vào code kích hoạt là xong. Sau này muốn thay bản tốt hơn thì chỉ cần thay file cùng tên, thời điểm kích hoạt, âm lượng và cài đặt khoảng cách đều không phải làm lại.

Nếu đợi game sắp xong mới bổ sung âm thanh, thời gian và token phải bỏ ra sẽ gấp nhiều lần. Lý do nằm ở cách agent xác định chỗ nào cần thêm âm thanh: nó phải chụp màn hình game từng cảnh một để phân tích, hiểu cốt truyện và hành động, mới biết lúc nào cửa mở, lúc nào chân chạm đất, chỗ nào cần âm thanh. Game càng lớn, số cảnh phải chạy lại càng nhiều. Ngược lại, nếu tiện tay thêm âm thanh ngay khi làm từng tính năng, agent vốn đã biết mình vừa viết gì, không cần quay lại xem lần nữa.

Kết: một chiếc laptop là làm được âm thanh cho game

Trước đây mình nghĩ âm thanh là phần khó bổ sung nhất khi làm game một mình: thư viện âm thanh khó tìm được đúng tiếng mình cần, tự thu thì không có thiết bị. Stable Audio 3 Small SFX hạ rào cản xuống còn "một chiếc laptop, một câu mô tả tiếng Anh, vài giây", lại dùng thương mại được, dữ liệu huấn luyện có giấy phép, rất thân thiện với dev indie.

Căn cứ mặt trăng giờ cuối cùng cũng có âm thanh. Còn bạn, khi làm game thì xử lý âm thanh thế nào? Ghé Threads hoặc X tìm bài viết của mình và để lại bình luận nhé.