2026 秋 · 發自寧靜基地
走進月球工作室 ↗
terryl.in月球基地日誌 — 一個人在月球工作室的開發筆記
遊戲開發

Stable Audio 3 Small SFX 實測:免費可商用 AI 遊戲音效,筆電 3 秒生成

Stable Audio 3 Small SFX 免費可商用,不用顯示卡,筆電 3 秒生成一段 AI 音效。實測安裝、授權與提示詞,並幫月球基地做了 10 種遊戲音效。

太空人戴著耳機在月球基地用筆電生成音效,自動門、腳印、調酒杯、感應燈和氣閘噴氣隨著橘色聲波飄出來,小機器人舉著收音桿
太空人戴著耳機在月球基地用筆電生成音效,自動門、腳印、調酒杯、感應燈和氣閘噴氣隨著橘色聲波飄出來,小機器人舉著收音桿

我的網站首頁是一座月球基地,主角 Terry 可以在裡面走來走去、穿過自動門、到酒吧點一杯特調。畫面越做越精緻,但它一直有個大缺點:幾乎沒有聲音。只有小遊戲裡幾個用程式合成的「嗶」聲,自動門滑開、走在金屬地板上、機器人搖調酒杯,全都是安靜的。

遊戲音效以前有兩條路:到音效素材網站一個一個找、確認授權,或是付費用雲端的 AI 音效生成服務。Stability AI 今年 5 月發表的 Stable Audio 3 多了第三條路:其中的 Small SFX 是專門做音效的開源模型,不用顯示卡,筆電的 CPU 就能跑。

這篇整理 Stable Audio 3 Small SFX 是什麼、可不可以商用、怎麼在自己的電腦上安裝,然後實際用它幫月球基地做了 10 種音效,放進遊戲裡給你聽。

Stable Audio 3 是什麼?Small SFX、Medium 等 4 個模型比較

Stable Audio 3 是 Stability AI 在 2026 年 5 月 20 日發表的 AI 音訊模型系列,一次推出四個模型,其中三個開放權重,可以下載到自己的電腦上跑:

模型

參數量

用途

硬體

最長

Small SFX

4.33 億

只做音效

CPU 就能跑

2 分鐘

Small

4.33 億

音樂

CPU 就能跑

2 分鐘

Medium

14 億

音樂、音效

NVIDIA 顯示卡

6 分 20 秒

Large

27 億

音樂、音效

只有 API,不開放下載

6 分 20 秒

上一代的 Stable Audio Open Small 最長只能生成 11 秒,這一代一口氣拉到幾分鐘。除了打字生成,它也支援音訊轉音訊(拿一段聲音當底,改成別的質感)和局部重生(只重做中間某幾秒、前後保留),還可以用 LoRA 拿自己的音效庫微調。

這篇的主角是最小的 Small SFX。官方的定位很清楚:在手機、一般筆電這類裝置上直接生成音效。輸出是 44.1 kHz 的立體聲,跟一般音效素材的規格一樣。

Stable Audio 3 可以商用嗎?授權重點

這是做遊戲最在意的問題,整理官方說明:

  • 生成的音效歸你:可以放進自己的作品裡發佈、販售。
  • 年營收 100 萬美元以下:適用 Stability AI Community License,個人和小團隊可以免費商用。
  • 年營收超過 100 萬美元:要另外買 Enterprise License。
  • 文字編碼器另有條款:模型裡用到 Google 的 T5Gemma,要一併遵守 Gemma 的使用條款。
  • 訓練資料:官方說明使用了約 128 萬筆有授權的錄音,來源是 AudioSparx 的授權音效庫,以及 Freesound 上 CC0、CC BY 等授權的音效。

最後一點對做遊戲的人很重要。AI 生成內容最讓人擔心的就是「訓練資料是不是偷來的」,Stability 這次把資料來源寫得很清楚。

另外要注意:Hugging Face 上的 PyTorch 版權重(例如 stabilityai/stable-audio-3-small-sfx)是要登入並按同意條款才能下載的。這篇用的 CPU 版從另一個倉庫 stable-audio-3-optimized 下載,官方寫匿名下載可以、只是會限速,我實測沒登入也下載成功。不過不管從哪裡下載,上面的授權條件一樣適用。

電腦需求:不用顯示卡,筆電 CPU 就能跑

我的筆電是 Intel Core Ultra 5(6 核心),NVIDIA 顯卡驅動沒有在運作,等於只有 CPU。官方提供了幾種最佳化版本:

  • TFLite:只用 CPU,Linux、macOS、Windows(x64)都能跑,不用裝 PyTorch。這篇用的就是這個。
  • MLX:Apple Silicon 的 Mac。
  • TensorRT:NVIDIA 顯示卡,速度最快。

TFLite 版 Small SFX 下載的檔案(音效模型、解碼器、文字編碼器)合計約 1.7 GB,執行時記憶體約 0.8 GB。實際生成的速度:

生成長度

花費時間(含載入模型)

3 秒

約 2.9 秒

8 秒

約 3.7 秒

30 秒

約 8.4 秒

也就是說,在一台沒有顯示卡的筆電上,生成音效比音效本身還快。改一次提示詞、聽一次結果,幾秒鐘就能來回一輪。

安裝 Stable Audio 3 Small SFX(CPU 版)

官方的 CPU 版用 uv 管理 Python 環境,安裝腳本會自己建立獨立的環境、下載權重,不會動到系統的 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 只下載音效模型。

不想自己打指令的話,也可以交給 Claude Code 或 Codex 這類 AI 程式助手,在終端機開啟後輸入:

請幫我安裝 Stable Audio 3 Small SFX

它會自己找到官方的安裝方式,下載程式和模型;需要登入 Hugging Face 的地方會請你自己處理。裝好之後,也可以繼續請它幫忙生成音效、轉檔和剪輯。

下載很慢或卡住?登入 Hugging Face 解除速率限制

模型檔放在 Hugging Face 上。沒登入(匿名)下載時,Hugging Face 會限制每段時間能下載的資料量,也就是速率限制:下載速度變很慢,或下載到一半被暫停,要等一段時間才能繼續。登入免費帳號後,限制會大幅放寬,同樣約 1.7 GB 的檔案通常幾分鐘就好。

解除的方法:

  1. 到 Hugging Face 註冊或登入免費帳號。
  2. 到 Access Tokens 建立一個 Read 權限的 token。
  3. 在安裝資料夾執行登入指令,貼上 token:
.venv/bin/hf auth login

登入資訊會存在自己的電腦上,之後的下載就不會再被速率限制卡住,再跑一次 ./install.sh -y --download sm-sfx 就能繼續下載。舊教學裡常見的 huggingface-cli login 是同一件事,新版的 huggingface_hub 已經改成 hf auth login。

如果要用 PyTorch 版(stabilityai/stable-audio-3-small-sfx),登入之外還要先到模型頁按同意授權條款,否則不能下載。

裝好之後,一行指令就能生成:

./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

常用的參數:

  • --seconds:要生成幾秒。
  • --seed:亂數種子。同一句提示詞換不同的種子,會得到不同的版本。
  • --steps:生成步數,預設 8,官方說 8 是最佳平衡,再多不一定比較好。
  • --init-audio、--inpaint-range:音訊轉音訊和局部重生。

官方也附了網頁介面 ./sa3-gradio,不習慣命令列的話可以用瀏覽器操作。

AI 音效提示詞怎麼寫?

官方的提示詞指南建議,一段音效描述包含三件事:

  1. 聲音的來源:什麼東西發出聲音,例如「金屬滑門」、「裝了冰塊的調酒杯」。
  2. 動作:聲音怎麼被觸發、持續多久,例如「打開」、「用力搖」、「滑過吧台後停下」。
  3. 錄音方式:麥克風距離、空間、處理,例如「close mic」、「metallic room」、「clean recording」。

另外有兩個小技巧:

  • 開頭加上 TrackType: SFX.:官方說這樣生成的音效比較合理。
  • 長度設短一點:大部分音效只有一兩秒。但模型會傾向把你給的長度填滿,所以我會多給一點,生成後再剪掉多的部分。

提示詞要用英文寫,寫法越像音效素材庫的檔案說明越好,因為它的訓練資料就是這些素材庫。

把寫法交給 Claude Code 或 Codex

每次都自己想英文描述很累,可以把上面的原則寫進 AI 程式助手的全域設定:Claude Code 是 ~/.claude/CLAUDE.md,Codex 是 ~/.codex/AGENTS.md。之後只要用中文說「幫我做一個開門的音效」,它就會照這套寫法產生提示詞、生成音效。把下面這段貼到檔案最後:

## 用 Stable Audio 3 Small SFX 生成音效

我要音效時,照這套規則寫提示詞,再用本機的 Stable Audio 3 Small SFX 生成:

- 提示詞一律用英文,開頭加 `TrackType: SFX.`。
- 依序描述三件事:聲音的來源(什麼東西發出聲音、材質)、動作(怎麼觸發、輕重、持續多久)、錄音方式(close mic / distant、room tone、clean recording)。
- 寫得像音效素材庫的檔案說明:具體名詞加形容詞,不要寫成故事或情緒描述,不要寫音樂相關的字。
- 一次只描述一個聲音事件;要連續的聲音(腳步、環境音)就寫明 "single" 或 "loop"。
- 長度比需要的多給 1~2 秒,生成後再把多的部分剪掉。
- 每句提示詞用 3 個不同的 seed 各生成一次,列出檔名和提示詞讓我挑。
- 要放進網頁或遊戲時,剪掉開頭結尾的靜音、加短淡出、統一響度,轉成 mp3。

例如月球基地酒吧的搖杯聲,用的就是這句提示詞:

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

實測:幫月球基地做 10 種遊戲音效

我列出月球基地最需要的 10 種聲音,每種用 3 個不同的種子各生成一次,共 30 段,總共花不到 2 分鐘。下面的音檔是直接從模型出來的版本,只統一了音量;腳步和氣閘這三段直接放上遊戲裡的實際畫面,聽聽它們接進遊戲之後的樣子。每段下面附上完整的提示詞:

自動門滑開
TrackType: SFX. Sci-fi sliding door opening, short pneumatic hiss and smooth electric servo whir, metal panel gliding, close mic, clean recording
氣閘循環:影片裡內門關上、洩壓到 0 kPa 後外門打開
TrackType: SFX. Spaceship airlock cycling, heavy mechanical clunk, long pressure-equalizing air hiss, then a lock latching, metallic room
金屬地板上的腳步
TrackType: SFX. Footsteps of one person walking at a steady pace on a hollow metal deck floor, rubber-soled boots, indoor, dry, close mic
月面碎石上的腳步:月面上沒有空氣,遊戲裡加了低通濾波,像隔著頭盔聽到的
TrackType: SFX. Footsteps walking at a steady pace on dry gravel and fine dust, crunchy, outdoors, close mic
感應燈亮起
TrackType: SFX. Fluorescent ceiling light switching on, sharp relay click followed by a soft electrical hum, close mic
基地環境音
TrackType: SFX. Space station interior room tone, steady low ventilation hum, soft air handling, distant machinery, constant, no events, seamless background
搖調酒杯
TrackType: SFX. Cocktail shaker shaken hard with ice cubes, rhythmic rattling, close mic, bar
倒飲料
TrackType: SFX. Pouring a drink into a glass with ice cubes, liquid splash and ice clinking, close mic
杯子滑過吧台
TrackType: SFX. Glass tumbler sliding across a smooth bar counter and stopping, short friction slide, close mic

幾個觀察:

  • 節奏穩定的聲音最好用:「穩定步伐的腳步聲」生成出來,每一步的間隔幾乎一樣(約 0.7 秒),很容易切成單步。
  • 有前後順序的描述它聽得懂:氣閘那段照著「重重的機械聲 → 長長的洩氣聲」的順序出來。
  • 會把長度填滿:要 3 秒的開門聲,它會給你兩秒多的嘶聲,比真實的開門聲長,所以要剪。
  • 偶爾會多出事件:感應燈的其中一個版本在中間多閃了一次「喀」,這種就換下一個種子。

遊戲音效製作:把 AI 音效放進遊戲

生成只是第一步,要讓聲音在遊戲裡聽起來對,還要做一些處理。月球基地是用 Three.js 做的網頁遊戲,聲音用瀏覽器的 Web Audio 播放:

  • 腳步聲切成單步:從 8 秒的走路錄音裡自動抓出每一步,切成 6 個單步的音檔。遊戲裡每走一步隨機挑一個、音高再隨機偏一點點,聽起來就不會像同一個聲音在重播。
  • 腳步對準腳跟落地:讀取角色走路動畫裡腳的骨架高度,量出腳跟落地是在動畫的哪個時間點,聲音就在那一刻播放,不是固定每幾秒播一次。
  • 環境音做成無縫循環:30 秒的環境音把結尾和開頭交叉淡化,變成可以一直循環、聽不出接縫的背景聲。
  • 月面上沒有空氣:穿太空衣走出基地後,環境音會漸漸變小、變悶,腳步聲也加上低通濾波,像是隔著頭盔聽到的。
  • 跟遊戲事件綁在一起:自動門開關、氣閘開始洩壓或加壓、走廊感應燈亮起、酒吧機器人搖杯倒酒,各自觸發對應的聲音,距離越遠越小聲。
  • 下方選單加了音效開關:會記住你的選擇。

最後 23 個音檔加起來只有 632 KB,對網頁遊戲來說負擔很小。來聽聽實際效果(記得開聲音):

月球基地加上 AI 音效:走廊的腳步聲、感應燈、自動門,以及酒吧機器人搖杯、倒酒、把杯子滑過吧台

Stable Audio 3 Small SFX 的限制

用了一輪之後,覺得要先知道這幾點:

  • 只有音效:Small SFX 不會做音樂,要音樂得換 Small 或 Medium。
  • 提示詞要用英文:它只懂英文。
  • 要多生幾次再挑:同一句提示詞,不同種子的品質落差不小。好在生成很快,一次生 3 到 5 個版本再挑最省時間。
  • 成品還是要剪:長度、開頭的空白、音量都要處理,才能直接放進遊戲。這件事可以交給 Claude Code 或 Codex:請它另外派一個 subagent 當獨立的音效評審,只負責檢查生成結果,例如開頭有沒有空白、長度對不對、有沒有多出不該有的聲音、各段音量是否一致,挑出最好的版本並剪好,再交回給主要的 agent 放進遊戲。負責評審的 agent 沒參與生成,比較不會替自己的成品打高分。
  • 它不知道遊戲裡發生什麼事:聲音什麼時候播、多大聲、要不要變悶,都還是要自己在遊戲裡設計。

對獨立開發者最大的好處:音效可以一開始就先放

用 AI 程式助手做遊戲,我覺得 Small SFX 最大的價值不是音質,而是它讓音效可以在開發初期就先放進去。

早期很難知道這些音效最後合不合用,但沒關係,先當成佔位用:開門、腳步、按鈕各生一個,接上觸發的程式就好。之後要換更好的版本,只是換掉同名的音檔,觸發時機、音量和距離的設定都不用重做。

如果等遊戲快做完才補音效,要花的時間和 token 會多好幾倍。原因在於 agent 判斷哪裡要加音效的方式:它要把遊戲一個畫面一個畫面截圖下來分析,看懂劇情和動作,才知道門什麼時候開、腳什麼時候落地、哪裡需要聲音。遊戲越大,要重跑的畫面越多。反過來,在做每個功能的當下就順手放上音效,agent 本來就知道自己剛寫了什麼,不用回頭再看一次。

結語:一台筆電就能做遊戲音效

以前覺得音效是一個人做遊戲最難補的部分:素材庫很難剛好找到要的聲音,自己錄又沒設備。Stable Audio 3 Small SFX 把門檻降到「一台筆電、一句英文描述、幾秒鐘」,而且可以商用、訓練資料有授權,對獨立開發者來說很友善。

月球基地現在終於有聲音了。你在做遊戲的時候,音效都怎麼處理?歡迎到 Threads 或 X 找我貼文直接留言聊聊。