Stable Audio 3 Small SFX:免费可商用 AI 游戏音效,笔记本秒生成
Stable Audio 3 Small SFX 免费可商用,不用显卡,笔记本 3 秒生成一段 AI 音效。实测安装、授权与提示词,并为月球基地做了 10 种游戏音效。

我网站的首页是一座月球基地,主角 Terry 可以在里面四处走动、穿过自动门、去酒吧点一杯特调。画面越做越精致,但它一直有个大缺点:几乎没有声音。只有小游戏里几个用代码合成的“哔”声,自动门滑开、走在金属地板上、机器人摇调酒壶,全都静悄悄的。
以前做游戏音效只有两条路:去音效素材网站一个个找、确认授权,或者付费用云端的 AI 音效生成服务。Stability AI 今年 5 月发布的 Stable Audio 3 多了第三条路:其中的 Small SFX 是专门做音效的开源模型,不用显卡,笔记本的 CPU 就能跑。
这篇整理 Stable Audio 3 Small SFX 是什么、能不能商用、怎么在自己的电脑上安装,然后实际用它为月球基地做了 10 种音效,放进游戏里给你听。
Stable Audio 3 是什么?Small SFX、Medium 等 4 个模型对比
Stable Audio 3 是 Stability AI 在 2026 年 5 月 20 日发布的 AI 音频模型系列,一次推出四个模型,其中三个开放权重,可以下载到自己的电脑上运行:
模型 | 参数量 | 用途 | 硬件 | 最长 |
|---|---|---|---|---|
Small SFX | 4.33 亿 | 只做音效 | CPU 就能跑 | 2 分钟 |
Small | 4.33 亿 | 音乐 | CPU 就能跑 | 2 分钟 |
Medium | 14 亿 | 音乐、音效 | NVIDIA 显卡 | 6 分 20 秒 |
Large | 27 亿 | 音乐、音效 | 仅 API,不开放下载 | 6 分 20 秒 |
上一代的 Stable Audio Open Small 最长只能生成 11 秒,这一代一下子拉到几分钟。除了文字生成,它还支持音频转音频(拿一段声音打底,改成别的质感)和局部重生成(只重做中间某几秒、前后保留),还可以用 LoRA 拿自己的音效库微调。
这篇的主角是最小的 Small SFX。官方定位很明确:在手机、普通笔记本这类设备上直接生成音效。输出是 44.1 kHz 的立体声,和一般音效素材的规格一样。
Stable Audio 3 可以商用吗?授权要点
这是做游戏最关心的问题,整理官方说明如下:
- 生成的音效归你:可以放进自己的作品里发布、销售。
- 年营收 100 万美元以下:适用 Stability AI Community License,个人和小团队可以免费商用。
- 年营收超过 100 万美元:需要另外购买 Enterprise License。
- 文本编码器另有条款:模型里用到了 Google 的 T5Gemma,需要一并遵守 Gemma 的使用条款。
- 训练数据:官方说明使用了约 128 万条有授权的录音,来源是 AudioSparx 的授权音效库,以及 Freesound 上 CC0、CC BY 等授权的音效。
最后一点对做游戏的人很重要。AI 生成内容最让人担心的就是“训练数据是不是偷来的”,Stability 这次把数据来源写得很清楚。
另外要注意:Hugging Face 上的 PyTorch 版的模型权重(例如 stabilityai/stable-audio-3-small-sfx)需要登录并同意条款才能下载。这篇用的 CPU 版从另一个仓库 stable-audio-3-optimized 下载,官方写的是匿名下载可以、只是会限速,我实测没登录也下载成功了。不过不管从哪里下载,上面的授权条件都同样适用。
电脑配置要求:不用显卡,笔记本 CPU 就能跑
我的笔记本是 Intel Core Ultra 5(6 核),NVIDIA 显卡驱动没在工作,等于只有 CPU。官方提供了几种优化版本:
- TFLite:只用 CPU,Linux、macOS、Windows(x64)都能跑,不用装 PyTorch。这篇用的就是这个。
- MLX:Apple Silicon 的 Mac。
- TensorRT:NVIDIA 显卡,速度最快。
TFLite 版 Small SFX 下载的文件(音效模型、解码器、文本编码器)合计约 1.7 GB,运行时内存占用约 0.8 GB。实际生成速度:
生成时长 | 耗时(含加载模型) |
|---|---|
3 秒 | 约 2.9 秒 |
8 秒 | 约 3.7 秒 |
30 秒 | 约 8.4 秒 |
也就是说,在一台没有显卡的笔记本上,生成音效比音效本身还快。改一次提示词、听一次结果,几秒钟就能来回一轮。
安装 Stable Audio 3 Small SFX(CPU 版)
官方的 CPU 版用 uv 管理 Python 环境,安装脚本会自己创建独立环境、下载权重,不会动到系统的 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 只下载音效模型。
不想自己敲命令的话,也可以交给 Claude Code 或 Codex 这类 AI 编程助手,在终端里打开后输入:
请帮我安装 Stable Audio 3 Small SFX它会自己找到官方的安装方法,下载代码和模型;需要登录 Hugging Face 的地方会让你自己处理。装好之后,还可以继续让它帮忙生成音效、转格式和剪辑。
下载很慢或卡住?登录 Hugging Face 解除速率限制
模型文件放在 Hugging Face 上。不登录(匿名)下载时,Hugging Face 会限制每段时间能下载的数据量,也就是速率限制:下载速度变得很慢,或者下到一半被暂停,要等一段时间才能继续。登录免费账号后,限制会大幅放宽,同样约 1.7 GB 的文件通常几分钟就好。
解除方法:
- 到 Hugging Face 注册或登录免费账号。
- 在 Access Tokens 创建一个 Read 权限的 token。
- 在安装目录执行登录命令,粘贴 token:
.venv/bin/hf auth login登录信息会保存在自己的电脑上,之后的下载就不会再被速率限制卡住,再运行一次 ./install.sh -y --download sm-sfx 就能继续下载。旧教程里常见的 huggingface-cli login 是同一回事,新版 huggingface_hub 已经改成 hf auth login。
如果要用 PyTorch 版(stabilityai/stable-audio-3-small-sfx),除了登录,还要先在模型页面同意授权条款,否则无法下载。
装好之后,一行命令就能生成:
./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常用参数:
--seconds:要生成几秒。--seed:随机种子。同一句提示词换不同的种子,会得到不同的版本。--steps:生成步数,默认 8,官方说 8 是最佳平衡,再多不一定更好。--init-audio、--inpaint-range:音频转音频和局部重生成。
官方还附带了网页界面 ./sa3-gradio,不习惯命令行的话可以在浏览器里操作。
AI 音效提示词怎么写?
官方的提示词指南建议,一段音效描述包含三件事:
- 声音的来源:什么东西发出声音,例如“金属滑门”、“装了冰块的调酒壶”。
- 动作:声音怎么被触发、持续多久,例如“打开”、“用力摇”、“滑过吧台后停下”。
- 录音方式:麦克风距离、空间、处理,例如“close mic”、“metallic room”、“clean recording”。
另外有两个小技巧:
- 开头加上
TrackType: SFX.:官方说这样生成的音效更合理。 - 时长设短一点:大部分音效只有一两秒。但模型倾向于把你给的时长填满,所以我会多给一点,生成后再剪掉多余的部分。
提示词要用英文写,写法越像音效素材库的文件说明越好,因为它的训练数据就是这些素材库。
把写法交给 Claude Code 或 Codex
每次都自己想英文描述很累,可以把上面的原则写进 AI 编程助手的全局配置:Claude Code 是 ~/.claude/CLAUDE.md,Codex 是 ~/.codex/AGENTS.md。之后只要用中文说“帮我做一个开门的音效”,它就会按这套写法生成提示词、生成音效。把下面这段粘贴到文件末尾:
## 用 Stable Audio 3 Small SFX 生成音效
我要音效时,按这套规则写提示词,再用本地的 Stable Audio 3 Small SFX 生成:
- 提示词一律用英文,开头加 `TrackType: SFX.`。
- 依次描述三件事:声音的来源(什么东西发出声音、材质)、动作(怎么触发、轻重、持续多久)、录音方式(close mic / distant、room tone、clean recording)。
- 写得像音效素材库的文件说明:具体名词加形容词,不要写成故事或情绪描述,不要写音乐相关的词。
- 一次只描述一个声音事件;需要连续的声音(脚步、环境音)就写明 "single" 或 "loop"。
- 时长比需要的多给 1~2 秒,生成后再把多余的部分剪掉。
- 每句提示词用 3 个不同的 seed 各生成一次,列出文件名和提示词让我挑。
- 要放进网页或游戏时,剪掉开头结尾的静音、加短淡出、统一响度,转成 mp3。例如月球基地酒吧的摇壶声,用的就是这句提示词:
TrackType: SFX. Cocktail shaker shaken hard with ice cubes, rhythmic rattling, close mic, bar实测:为月球基地做 10 种游戏音效
我列出月球基地最需要的 10 种声音,每种用 3 个不同的种子各生成一次,共 30 段,总共花了不到 2 分钟。下面的音频是直接从模型出来的版本,只统一了音量;脚步和气闸这三段直接放上游戏里的实际画面,听听它们接进游戏之后的效果。每段下面附上完整的提示词:
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 mic几点观察:
- 节奏稳定的声音最好用:“稳定步伐的脚步声”生成出来,每一步的间隔几乎一样(约 0.7 秒),很容易切成单步。
- 有先后顺序的描述它能听懂:气闸那段按照“沉重的机械声 → 长长的泄气声”的顺序出来。
- 会把时长填满:要 3 秒的开门声,它会给你两秒多的嘶嘶声,比真实的开门声长,所以要剪。
- 偶尔会多出事件:感应灯的其中一个版本在中间多了一声“咔”,这种就换下一个种子。
游戏音效制作:把 AI 音效放进游戏
生成只是第一步,要让声音在游戏里听起来对,还需要做一些处理。月球基地是用 Three.js 做的网页游戏,声音用浏览器的 Web Audio 播放:
- 脚步声切成单步:从 8 秒的走路录音里自动找出每一步,切成 6 个单步音频文件。游戏里每走一步随机挑一个、音高再随机偏移一点点,听起来就不会像同一个声音在重播。
- 脚步对准脚跟落地:读取角色走路动画里脚部骨骼的高度,测出脚跟落地是在动画的哪个时间点,声音就在那一刻播放,而不是固定每隔几秒播一次。
- 环境音做成无缝循环:30 秒的环境音把结尾和开头交叉淡化,变成可以一直循环、听不出接缝的背景声。
- 月面上没有空气:穿上宇航服走出基地后,环境音会渐渐变小、变闷,脚步声也加上低通滤波,像是隔着头盔听到的。
- 和游戏事件绑定:自动门开关、气闸开始泄压或加压、走廊感应灯亮起、酒吧机器人摇壶倒酒,各自触发对应的声音,距离越远越小声。
- 底部菜单加了音效开关:会记住你的选择。
最后 23 个音频文件加起来只有 632 KB,对网页游戏来说负担很小。来听听实际效果(记得开声音):
Stable Audio 3 Small SFX 的局限
用了一轮之后,觉得这几点要先知道:
- 只有音效:Small SFX 不会做音乐,要音乐得换 Small 或 Medium。
- 提示词要用英文:它只懂英文。
- 要多生成几次再挑:同一句提示词,不同种子的质量差别不小。好在生成很快,一次生成 3 到 5 个版本再挑最省时间。
- 成品还是要剪:时长、开头的空白、音量都要处理,才能直接放进游戏。这件事可以交给 Claude Code 或 Codex:让它另外派一个 subagent 当独立的音效评审,只负责检查生成结果,例如开头有没有空白、时长对不对、有没有多出不该有的声音、各段音量是否一致,挑出最好的版本并剪好,再交回给主 agent 放进游戏。负责评审的 agent 没参与生成,不太会给自己的作品打高分。
- 它不知道游戏里发生了什么:声音什么时候播、多大声、要不要变闷,都还是要自己在游戏里设计。
对独立开发者最大的好处:音效可以一开始就先放
用 AI 编程助手做游戏,我觉得 Small SFX 最大的价值不在音质,而是它让音效可以在开发初期就先放进去。
早期很难知道这些音效最后合不合用,但没关系,先当占位用:开门、脚步、按钮各生成一个,接上触发的代码就好。之后要换更好的版本,只需替换同名的音频文件,触发时机、音量和距离的设置都不用重做。
如果等游戏快做完才补音效,要花的时间和 token 会多好几倍。原因在于 agent 判断哪里要加音效的方式:它要把游戏一帧一帧截图下来分析,看懂剧情和动作,才知道门什么时候开、脚什么时候落地、哪里需要声音。游戏越大,要重跑的画面越多。反过来,在做每个功能的当下就顺手放上音效,agent 本来就知道自己刚写了什么,不用回头再看一遍。
结语:一台笔记本就能做游戏音效
以前觉得音效是一个人做游戏最难补的部分:素材库很难刚好找到想要的声音,自己录又没设备。Stable Audio 3 Small SFX 把门槛降到“一台笔记本、一句英文描述、几秒钟”,而且可以商用、训练数据有授权,对独立开发者来说很友好。


