Stable Audio 3: generador de música AI, licencia y ComfyUI

👁 114 lecturas

Stable Audio es un generador de música y efectos de sonido desarrollado por Stability AI. La familia Stable Audio 3 (lanzada en mayo de 2026) crea pistas instrumentales y efectos de audio de hasta 6 minutos y 20 segundos, aunque no genera voces cantadas con letra. Tres de sus cuatro modelos cuentan con pesos abiertos, lo que te permite ejecutarlos gratis en tu propio ordenador, incluso para uso comercial si tu empresa factura menos de 1 millón de dólares anuales (unos 894.374 EUR al cambio de referencia del BCE del 12/10/2026 de 1 EUR = 1,1181 USD; consulta ecb.europa.eu).

Que es Stable Audio

Stable Audio es la linea de modelos de audio creada por Stability AI, la compania responsable de Stable Diffusion. Su primera version vio la luz en septiembre de 2023, la 2.0 llego en abril de 2024 y la 2.5 el 10 de septiembre de 2025. Tambien lanzaron previamente versiones abiertas como Stable Audio Open (hasta 47 s) y Open Small (11 s).

Stable Audio 3 representa un salto cuantitativo importante. Small puede generar fragmentos de hasta 2 minutos, mientras que Medium y Large alcanzan los 380 segundos (6 minutos y 20 segundos). Todos devuelven senal en estereo a 44,1 kHz. Gracias a una fase adicional de entrenamiento, necesitan muy pocos pasos de difusion en lugar de decenas: la plantilla estandar de ComfyUI funciona con apenas 8 pasos.

Conviene tener clara una limitacion fundamental: Stable Audio no canta. Su documentacion tecnica especifica con claridad que no genera lineas vocales inteligibles, sino ocasionales «texturas vocales» sin palabras. Ademas, las instrucciones deben introducirse en ingles para obtener buenos resultados, ya que fue entrenado en ese idioma. Si buscas canciones completas con letra, tus alternativas son Suno, Eleven Music o Lyria.

Versiones de Stable Audio 3

Datos extraidos del repositorio oficial de Stability en GitHub. El blog corporativo menciona 459 millones de parametros para Small, y un fragmento de la documentacion del repositorio anota para Medium «alrededor de 4,75 min» en lugar de 380 s.

Los cuatro modelos admiten tres modos operativos:

• text-to-audio: indicas un prompt de texto y la duracion deseada en segundos.
• audio-to-audio: utilizas una grabacion previa como referencia, donde el parametro init_noise_level determina que proporcion del material original se conserva.
• inpainting y extension: sustitucion de secciones concretas (incluso varias simultaneas) o prolongacion de la pista hacia adelante.

Ademas, admiten entrenamiento de adaptadores LoRA para ajustar el modelo a tu propia identidad sonora. Stability facilito documentacion detallada para este proceso: se entrena sobre los checkpoints base y luego se acopla la LoRA resultante. En fal.ai existe un entorno automatizado (fal-ai/stable-audio-3-trainer) con una tarifa de unos 2,68 EUR (3 USD) por cada 1.000 pasos de entrenamiento.

Stable Audio en el ranking de Artificial Analysis

En el banco de pruebas ciego AA-Music-Instrumental v1.1 (con fecha en torno al 7 de octubre de 2026, sobre 1.000 prompts repartidos en 17 generos), la puntuacion Elo arroja los siguientes datos:

Medium queda a la par de MiniMax Music 3.0 con la enorme ventaja de que puedes descargarlo y ejecutarlo localmente en tu equipo. Sin embargo, se situa a mas de 140 puntos de Suno v6. En la categoria con linea vocal Stable Audio no compite, ya que carece de esa funcion. Puedes repasar la comparativa global en el articulo del ranking de generadores de musica AI.

Licencia: como puedes usar la musica de Stable Audio

Los modelos abiertos se rigen por la Stability AI Community License (version del 5 de julio de 2024). Los puntos criticos de sus condiciones establecen lo siguiente:

• Hasta 1 millon de USD anuales en ingresos (aprox. 894.374 EUR), puedes usar los modelos comercialmente sin pagar royalties. Se computan los ingresos consolidados de toda la empresa y sus filiales.
• Por encima de 1 millon de USD requieres una licencia Enterprise personalizada, la cual incluye indemnizacion y blindaje legal por parte de Stability.
• El audio generado es de tu propiedad «en la medida en que la legislacion aplicable lo permita».
• Registro: el uso comercial exige formalizar un registro previo ante Stability AI.
• Atribucion: cualquier aplicacion o servicio montado con estos modelos debe incluir la mencion «Powered by Stability AI» en su web, manuales o documentacion.
• Prohibicion expresa de usar las salidas o los pesos para entrenar otros modelos generativos de gran tamano competidores.

El repositorio de Hugging Face esta protegido mediante un formulario de acceso donde debes detallar tu nombre, correo, pais y finalidad de uso. Medium incorpora ademas un codificador de texto derivado de la familia Gemma, sujeto a los terminos complementarios de Gemma Terms of Use. Los modelos se entrenaron con un catalogo bajo licencia procedente de AudioSparx y muestras con licencia CC0 procedentes de Freesound (aproximadamente 1,28 millones de fragmentos en total segun el paper tecnico). Esto otorga una seguridad juridica relevante frente a las demandas que discograficas tradicionales interpusieron contra servicios como Suno o Udio.

Precios de Stable Audio

En local el coste se limita al consumo electrico de tu grafica. Para operar en la nube dispones de la aplicacion oficial, de la API de Stability o de plataformas como fal.ai.

Nota sobre divisas: las tarifas originales en USD se muestran con su conversion estimada a EUR calculada al tipo oficial de referencia del Banco Central Europeo de 1 EUR = 1,1181 USD a fecha de 12 de octubre de 2026 (ecb.europa.eu). Dichas estimaciones no incluyen impuestos locales ni comisiones bancarias.

Tarifas revisadas el 8 de octubre de 2026. La estimacion de pistas corresponde a mezclas directas; al recurrir a separacion por pistas (stems, todavia en fase experimental) el rendimiento efectivo disminuye cerca de un tercio. Los creditos mensuales no son acumulables. Cualquier suscripcion de pago da acceso al plugin oficial para estaciones de trabajo de audio digital (DAW como Ableton, Logic o Pro Tools). Los planes antiguos de 11,99 USD y 29,99 USD que siguen citando algunos analisis estan obsoletos. Desconfia asimismo de dominios como stableaudio3.com o stableaudio.net, ajenos por completo a Stability AI.

Precios para integracion de desarrolladores:

• API de Stability: Stable Audio 3 consume 26 creditos por peticion (1 credito = 0,01 USD, equivalente a unos 0,23 EUR / 0,26 USD), con duraciones entre 1 y 380 segundos. Stable Audio 2.5 gasta 20 creditos. La plataforma entrega 25 creditos de cortesía al registrarte.
• fal.ai Medium: unos 0,0336 EUR (0,0376 USD) por generacion text-to-audio, y unos 0,0395 EUR (0,0442 USD) para inpainting.
• fal.ai Large: unos 0,00112 EUR (0,00125 USD) por segundo de computacion en servidor.

Como ejecutar Stable Audio 3 en local con ComfyUI

La alternativa mas accesible en Windows consiste en utilizar ComfyUI junto con los flujos de trabajo oficiales. La instalacion manual desde el repositorio base de Stability exige compilar Flash Attention 2 para Medium y esta pensada esencialmente para entornos Linux.

1. Actualiza ComfyUI a la version mas reciente (las plantillas para Stable Audio 3 vienen dentro del modulo Comfy-Org/workflow_templates).
2. Descarga desde el repositorio Comfy-Org/stable-audio-3 en Hugging Face el archivo stable_audio_3_medium.safetensors (9,22 GB) y colocalo en la carpeta models/checkpoints. Si tu hardware es mas modesto, opta por stable_audio_3_small_music.safetensors (2,27 GB).
3. Baja el text encoder t5gemma_b_b_ul2.safetensors (1,18 GB) a la carpeta models/text_encoders.
4. Paso opcional: descarga qwen3.5_2b_bf16.safetensors desde Comfy-Org/Qwen3.5. La plantilla lo aprovecha como modelo de lenguaje ligero para expandir una idea breve en un prompt enriquecido en modos como Music, Instrument, SFX u One-shot.
5. Dentro de ComfyUI, abre el navegador de plantillas (Templates), entra en la seccion de audio y carga «Stable Audio 3 Medium» (archivo audio_stable_audio_3_medium).
6. Introduce tu indicacion en ingles, ajusta los segundos de salida (150 por defecto) y ejecuta la cola. El archivo MP3 final se guardara en output/audio/stable_audio_3.

Requisitos de memoria de video: de acuerdo con las especificaciones de Stability, Medium demanda entre 5,07 GB (para clips de 5 s) y 6,52 GB de VRAM (para 380 s), con posibilidad de rebajar otro gigabyte activando la decodificacion por bloques. Small puede ejecutarse en CPU pura, incluyendo entornos Mac. Ahora bien, el peso total del archivo para ComfyUI roza los 9,22 GB, por lo que decidi medir el consumo real en hardware propio.

Pruebas de rendimiento

El 3 de octubre de 2026 genere mediante fal.ai una pista instrumental de 60 segundos con Stable Audio 3 Medium en un tiempo de 18,7 segundos. Tienes los archivos sonoros y el analisis frente a modelos con soporte vocal en la guia sobre el generador de musica AI.

Prueba local en una Nvidia RTX 4090 (8 de octubre de 2026)

Desplegue Stable Audio 3 Medium en ComfyUI (utilizando stable_audio_3_medium.safetensors de 9,22 GB y el encoder t5gemma de 1,19 GB), manteniendo los parametros de la plantilla oficial: 8 pasos, cfg 1 y muestreador lcm. Redacte directamente el prompt en ingles sin recurrir al modelo complementario de expansion de texto.

• Velocidad extraordinaria: una vez que los pesos residen en la VRAM, produce un minuto de pista estereo en escasos 4 segundos. La primera ejecucion se dilata al leer el archivo desde una unidad USB externa (a unos 44 MB/s).
• Consumo de memoria grafica: en el entorno de ComfyUI el pico oscilo entre 7,9 y 11,8 GB. Es una cifra superior a los 6,5 GB teoricos del repositorio, pero encaja sin problemas en tarjetas de 12 GB de VRAM.
• Evaluacion cualitativa mediante jueces AI: someti tres fragmentos a Gemini 3.8 Flash y Qwen 3.8 Omni Flash a traves de OpenRouter. Obtuvieron una media de 4,0/5 en fidelidad acustica, 4,6 en seguimiento de estilo y 4,0 en musicalidad. Qwen critico una percusion algo acartonada y una progresion de guitarra repetitiva, mientras que Gemini considero la primera base digna de un catalogo profesional de libreria.
• Ausencia total de voz: ninguna toma arrojo segmentos vocales reconocibles, tal como garantiza el diseno del sistema.

En este mismo lote de ensayos evaluamos variantes con linea vocal cantada en polaco empleando Eleven Music, Lyria 3 Pro, ACE-Step y MiniMax Music; puedes revisar los resultados en el ranking de generadores de musica AI.

Casos de uso optimos

• Bandas sonoras para redes y video: pistas de fondo con tempo preciso (BPM) y ambientacion adaptada al montaje.
• Diseno de efectos sonoros (SFX): con Small SFX y Medium obtienes impactos, transiciones, texturas ambientales o foley usando duraciones breves y el descriptor TrackType: SFX.
• Loops y muestreo musical: obtencion de instrumentos aislados (TrackType: Instrument), lineas de bajo o baterias limpias para produccion en secuenciador.
• Transformacion y retoque: audio-to-audio permite reformular bocetos previos e inpainting repara compases concretos sin rehacer la pista entera.

Recomendacion practica de su documentacion: se obtienen mejores resultados estructurando las peticiones con etiquetas descriptivas al estilo AudioSparx, tales como TrackType: Music, VocalType: Instrumental, Genre: Funk, Instruments: Guitar, Saxophone, indicando ademas la velocidad en BPM. Hemos reunido mas utilidades en nuestro especial sobre herramientas de audio con inteligencia artificial.

Comparativa frente a modelos rivales

Como alternativa abierta con voz destaca ACE-Step 1.5 (licencia MIT), capaz de articular textos cantados con solvencia: en nuestras pruebas con letras complejas resolvio 101 de 104 palabras evaluadas. Si necesitas canciones completas con vocalista recurre a el o a MiniMax Music 3; si buscas exclusivamente instrumentales y fondos, Stable Audio resulta mas conveniente. Puedes consultar nuestros analisis monograficos sobre Suno, Eleven Music, Lyria, Mureka y MiniMax Music.

A quien le conviene Stable Audio

• Te interesa si produces contenido audiovisual, publicidad o videos para redes y requieres musica de fondo libre de litigios por derechos de autor.
• Te interesa si cuentas con una GPU NVIDIA y buscas generar audio de manera ilimitada sin cuotas mensuales: consulta nuestra guia de modelos de inteligencia artificial en local.
• Te interesa si desarrollas videojuegos o aplicaciones y necesitas disenar librerias de efectos sonoros a medida.
• No te conviene si necesitas canciones con voz cantada comprensible.
• No te conviene si priorizas por encima de todo la maxima complejidad de composicion instrumental, donde Suno v6 sigue llevando la delantera.

Preguntas frecuentes

Que es exactamente Stable Audio?

Es un modelo generativo de audio creado por Stability AI que transforma instrucciones textuales en ingles en piezas instrumentales, bucles rítmicos o efectos de sonido. Su entrega mas avanzada es Stable Audio 3 (mayo de 2026), accesible mediante la web oficial, endpoints de API y archivos de pesos descargables.

Como se instala y usa Stable Audio 3 en local?

El cauce mas directo es ComfyUI: descargas el modelo Medium (9,22 GB) y el codificador t5gemma (1,18 GB) procedentes del repositorio Comfy-Org/stable-audio-3, cargas la plantilla preconfigurada de audio e introduces tu prompt. La variante Small Music es capaz de funcionar incluso utilizando solo la CPU.

Es posible utilizar Stable Audio gratis?

Si. En la plataforma web de stableaudio.com el nivel Free ofrece 50 creditos al mes (unas 12 generaciones) para experimentacion no comercial. Por otra parte, las versiones de pesos abiertos Small y Medium pueden usarse sin coste en tu equipo, con fines comerciales permitidos si tu negocio ingresa menos de 1 millon de dolares al ano (unos 894.374 EUR).

Se puede rentabilizar comercialmente el audio generado?

Si. En el servicio web requiere suscribirse como minimo al plan Solo de unos 10,73 EUR/mes (12 USD). Con los modelos descargables rige la Community License, que permite la explotacion comercial gratuita a organizaciones con facturacion anual inferior a 1 millon de USD (aprox. 894.374 EUR). Si se supera ese umbral se precisa contratar una licencia Enterprise.

Puede generar voces cantadas Stable Audio?

No. Stable Audio 3 no produce canto inteligible con letra, unicamente colchones y texturas corales abstractas. Si tu proyecto demanda letras reconocibles debes recurrir a Suno, Eleven Music o Lyria.

Que conviene mas, Stable Audio o Suno?

Para canciones completas con linea vocal y la maxima variedad orquestal, Suno se impone (1140 puntos Elo frente a los 1017 de Stable Audio 3 Large). Para trabajo local sin suscripcion, generacion de librerias SFX, microedicion mediante inpainting y creacion de LoRAs personalizadas, Stable Audio resulta notablemente superior.

Cual es el mejor generador de bases instrumentales con IA?

En fidelidad acustica pura encabeza el podio Suno v6 en modo instrumental. En relacion coste y libertad de uso destaca Stable Audio 3 Medium en local, que via API en fal.ai sale a apenas 0,0336 EUR (0,0376 USD) por generacion. Consulta la comparativa detallada en la guia sobre el generador de musica AI.

Fuentes y fecha de revision

• Stability AI: anuncio oficial de Stable Audio 3.0 (20/05/2026).
• GitHub Stability-AI/stable-audio-3: tablas de especificaciones, metricas de VRAM, guia de prompt engineering y arquitectura de datos (consultado el 08/10/2026).
• Articulo tecnico de investigacion de Stable Audio 3 (arXiv, 18/05/2026).
• Hugging Face: stable-audio-3-medium y Comfy-Org/stable-audio-3 (consultados el 08/10/2026).
• Acuerdo de licencia comunitaria de Stability AI (edicion del 05/07/2024).
• Estructura de precios de stableaudio.com y tarifas de la API de Stability (verificados el 08/10/2026).
• fal.ai: endpoint de Stable Audio 3 Medium y modulo de entrenamiento LoRA (consultados el 08/10/2026).
• Artificial Analysis: clasificacion instrumental independiente (version 1.1, c. 07/10/2026).
• Stability AI: presentacion de Stable Audio 2.5 (10/09/2025).
• Prueba de banco realizada el 03/10/2026 via fal.ai detallada en la guia de generador de musica AI.

// sigue leyendoKandinsky 6.0 Video: generar vídeo con audio en una RTX 4090BenchmarksMuse Spark Open: hardware, licencia y mi test del modelo 816BHerramientas de IAFLUX 3 Image Klein: prueba local, VRAM y ComfyUIHerramientas de IA

Kinetyra