Stability AI acaba de cambiar las reglas del juego en la generación de audio. Con el lanzamiento de Stable Audio 3, la compañía detrás de Stable Diffusion presenta una familia de modelos de difusión latente capaz de crear música instrumental y efectos de sonido con una calidad que, según sus métricas, supera a todos los modelos de código abierto evaluados hasta la fecha.

Lo más llamativo no es solo el rendimiento. Es la arquitectura misma del producto: Stable Audio 3 viene en dos variantes abiertas, una pequeña y otra mediana, diseñadas para ejecutarse en hardware que cualquier desarrollador o creador puede tener hoy en su escritorio. La versión pequeña funciona sobre un MacBook Pro con chip M4 usando exclusivamente la CPU. La versión mediana necesita apenas 8 GB de VRAM, lo que la hace compatible con GPUs de consumo como una RTX 3060 o una 4070.

Ambas variantes generan audio estéreo a 44,1 kHz, una resolución que hasta hace poco estaba reservada a modelos mucho más pesados y costosos. El pipeline de entrenamiento es de tres etapas: flow matching como base, un calentamiento mediante distillation y un post-entrenamiento adversarial que refina la calidad del output. Esta combinación busca equilibrar fidelidad perceptual con velocidad de inferencia.

Los números hablan por sí solos. En el benchmark BBC Sound Effects, donde se evalúa la capacidad de reproducir efectos de sonido a 5 segundos, la variante mediana de SA3 alcanza un FAD de 0,369. Ese valor es inferior a todos los modelos de pesos abiertos que se evaluaron en el paper correspondiente, lo que sitúa a Stable Audio 3 en una posición de referencia clara dentro del ecosistema open source.

Para entender la magnitud de este avance, hay que contextualizar. Hasta ahora, los modelos de generación de audio de calidad profesional —como los que ofrecen ElevenLabs para voz o Suno y Udio para música completa— operaban como servicios cerrados en la nube. Generar audio de alta fidelidad requería acceso a infraestructura potente o pagar por cada uso. Stable Audio 3 rompe esa barrera al ofrecer pesos abiertos que corren localmente en equipos asequibles.

Este movimiento tiene implicaciones concretas para el sector. Por un lado, democratiza el acceso a herramientas de generación de audio para músicos independientes, sonidistas de videojuegos y productores que no pueden permitirse licencias de software premium. Por otro, plantea preguntas legales y éticas que la industria aún no ha resuelto: ¿sobre qué datos se entrenaron estos modelos? ¿Pueden generar audio que reproduzca estilos protegibles por derechos de autor?

La tendencia es clara. Tras la revolución de la generación de imágenes con Stable Diffusion, Stability AI busca replicar el mismo efecto disruptivo en el dominio del audio. No es casualidad que la empresa haya abandonado recientemente su división de hardware de IA y concentrado recursos en productos de software abiertos. La apuesta es clara: convertir a Stability en la plataforma de referencia open source para la creación multimedia.

Lo interesante también es el momento del lanzamiento. El mercado de la IA generativa de audio está en plena explosión. Herramientas como Suno, Udio y MusicLM de Google compiten por la atención de usuarios y creadores. Al ofrecer una alternativa local y de código abierto, Stability AI fuerza a sus rivales a justificar sus modelos cerrados y sus precios por uso. Y en un mercado donde la fidelidad y la accesibilidad están en tensión constante, poner la herramienta en manos del usuario puede ser la ventaja competitiva definitiva.

Los pesos están disponibles ahora. Para los profesionales tech hispanohablantes que buscan experimentar, la barrera de entrada no ha sido más baja.