stable-audio-tools

环境要求

• Python 3.10（项目开发所用版本）
• PyTorch 2.5 或更高版本（支持 Flash Attention 与 Flex Attention）
• uv 依赖管理工具（pip install uv）
• 使用 stable-audio-open-1.0 需先在 Hugging Face 上接受模型条款

安装与启动步骤

1. 1安装 uv

   官方推荐用 uv 管理依赖，先通过 pip 全局安装 uv，后续所有依赖同步都靠它。

   pip install uv

   复制

2. 2克隆仓库

   拉取源码并进入项目目录，后续所有命令都在该目录下执行。

   git clone https://github.com/Stability-AI/stable-audio-tools.git
   cd stable-audio-tools

   复制

3. 3安装推理依赖

   仅做推理时用基础同步即可，安装完成后即可运行采样与界面脚本。

   uv sync

   复制

4. 4安装训练依赖

   需要训练或微调时加 train 扩展；想同时用 Gradio 界面再加 ui 扩展。

   uv sync --extra train --extra ui

   复制

5. 5可选装FlashAttn

   Flash Attention 可提升性能，但不是必需；需按 Flash Attention 仓库说明自行安装。

6. 6启动Gradio界面

   用预训练模型起一个网页界面试听生成效果，运行前需先在 Hugging Face 接受模型条款。

   uv run python run_gradio.py --pretrained-name stabilityai/stable-audio-open-1.0

   复制

7. 7开始训练

   训练由 JSON 配置驱动，需先把 dataset-config 指向自己的数据集配置文件。

   uv run python train.py --dataset-config /path/to/config

   复制

关键配置

如何确认成功

运行 run_gradio.py 后终端会输出本地访问地址，浏览器打开该地址能看到音频生成界面即成功。

常见问题

注意事项

• 训练与推理均由 JSON 配置文件驱动，定义模型超参、训练设置和数据集信息。
• 脚本统一用 uv run 前缀执行，避免直接调用 python 导致依赖环境不一致。
• PyTorch 2.5+ 是针对 Flash Attention 和 Flex Attention 支持的要求，版本过低可能无法启用。
• README 未给出 Gradio 的具体端口号，请以终端实际输出的地址为准。