Stable Audio 3: KI-Musikgenerator, Lizenz, Preise und ComfyUI

👁 115 Aufrufe

Stable Audio ist ein Generator für Musik und Soundeffekte von Stability AI. Die neueste Modellfamilie Stable Audio 3 (Mai 2026) erzeugt Instrumentals und Klänge mit einer Länge von bis zu 6 Minuten und 20 Sekunden, singt aber keine Texte. Drei der vier Modelle haben offene Gewichte. Sie können sie kostenlos auf dem eigenen Computer ausführen und auch kommerziell nutzen, wenn Ihr Unternehmen weniger als 1 Mio. USD Jahresumsatz erzielt (ca. 888.652,8 EUR).

Was ist Stable Audio?

Stable Audio ist eine Reihe von Audiomodellen von Stability AI, dem Unternehmen hinter Stable Diffusion. Die erste Version erschien im September 2023, Version 2.0 im April 2024 und Version 2.5 am 10. September 2025. Es gab außerdem die offenen Modelle Stable Audio Open (bis zu 47 Sekunden) und Open Small (11 Sekunden).

Stable Audio 3 ist ein großer Sprung. Small generiert bis zu 2 Minuten, Medium und Large bis zu 380 Sekunden, also 6:20 Minuten. Alle Modelle liefern Stereo-Audio mit 44,1 kHz. Dank einer zusätzlichen Trainingsphase brauchen sie nur wenige statt dutzende Schritte - die ComfyUI-Vorlage verwendet 8.

Wichtig: Stable Audio singt nicht. Laut Dokumentation erzeugen die Modelle keinen verständlichen Gesang, manchmal aber „vokale Texturen“ ohne Wörter. Die Beschreibungen sollten auf Englisch sein, da das Modell damit trainiert wurde - andere Sprachen funktionieren schlechter. Für Songs mit Text eignen sich Suno, Eleven Music oder Lyria.

Die Stable-Audio-3-Modelle im Vergleich

Die Angaben stammen aus dem Stability-Repository auf GitHub. Der Stability-Blog nennt für Small 459 Mio. Parameter, und eine Beschreibung im Repository gibt für Medium „etwa 4,75 Minuten“ statt 380 Sekunden an.

Alle Modelle unterstützen drei Modi:

• Text-to-Audio - eine Textbeschreibung und die Länge in Sekunden,
• Audio-to-Audio - eine eigene Aufnahme als Ausgangspunkt; der Parameter init_noise_level bestimmt, wie viel vom Original erhalten bleibt,
• Inpainting und Fortsetzung - einen oder mehrere ausgewählte Abschnitte ersetzen oder eine Aufnahme verlängern.

Hinzu kommt das LoRA-Training, also die Anpassung des Modells an den eigenen Stil anhand eigener Aufnahmen. Stability hat dafür erstmals eine Dokumentation veröffentlicht. Trainiert wird mit „base“-Checkpoints, die fertige LoRA wird auf das gewöhnliche Modell angewendet. Auf fal.ai gibt es einen fertigen Trainer (fal-ai/stable-audio-3-trainer); die Website nennt 3 USD pro 1.000 Schritte (ca. 2,666 EUR).

Stable Audio im Ranking von Artificial Analysis

Im verblindeten Instrumental-Ranking AA-Music-Instrumental v1.1 (etwa 7. Oktober 2026, 1.000 Prompts aus 17 Genres) sehen die Ergebnisse so aus:

Medium liegt praktisch auf dem Niveau von MiniMax Music 3.0, einem Modell, das Sie herunterladen und lokal ausführen können. Auf Suno v6 fehlen jedoch mehr als 140 Punkte. Im Ranking mit Gesang ist Stable Audio nicht vertreten, weil es nicht singt. Das vollständige Ranking finden Sie im Beitrag KI-Musikgeneratoren im Ranking.

Lizenz: Was dürfen Sie mit Musik aus Stable Audio machen?

Die offenen Modelle stehen unter der Stability AI Community License (Fassung vom 5. Juli 2024). Ich habe den Lizenztext geprüft; die wichtigsten Punkte:

• Bis zu 1 Mio. USD Jahresumsatz (ca. 888.652,8 EUR) dürfen Sie die Modelle kostenlos kommerziell nutzen. Berücksichtigt wird der gesamte Umsatz des Unternehmens einschließlich verbundener Unternehmen.
• Bei mehr als 1 Mio. USD (ca. 888.652,8 EUR) benötigen Sie eine Enterprise-Lizenz. Sie enthält eine rechtliche Freistellung (Indemnifizierung) durch Stability.
• Die erzeugten Audiodateien gehören Ihnen „soweit gesetzlich zulässig“.
• Registrierung: Bei kommerzieller Nutzung müssen Sie sich bei Stability AI registrieren.
• Kennzeichnung: Ein Produkt oder Dienst, das auf dem Modell basiert, muss den Hinweis „Powered by Stability AI“ tragen, etwa auf der Website, in der Dokumentation oder in der Beschreibung.
• Verbot: Die Ergebnisse oder Gewichte dürfen nicht zum Training anderer großer generativer Modelle verwendet werden.

Das Repository auf Hugging Face ist zugangsbeschränkt: Vor dem Download geben Sie Name, E-Mail-Adresse, Land und Verwendungszweck an. Medium enthält außerdem einen Textencoder aus der Gemma-Familie, sodass auch die Gemma Terms of Use gelten. Die Modelle wurden mit lizenzierten Daten aus der AudioSparx-Bibliothek und CC0-Aufnahmen von Freesound trainiert - laut technischer Arbeit mit insgesamt etwa 1,28 Mio. Aufnahmen. Das ist ein starkes Argument für Werbung und Kundeninhalte - Suno und Udio mussten sich nach Klagen wegen der zum Training verwendeten Aufnahmen mit Plattenfirmen einigen.

Was kostet Stable Audio?

Lokal zahlen Sie nur für den Strom. In der Cloud stehen die Anwendung, die Stability-API und fal.ai zur Wahl.

Die Preise habe ich am 8. Oktober 2026 geprüft. Die Zahl der Songs bezieht sich auf einen vollständigen Mix; bei der Mehrspur-Generierung (Stems, derzeit experimentell) sind es ein Drittel weniger. Credits werden nicht in den nächsten Monat übertragen. Jeder Tarif enthält außerdem ein DAW-Plugin (Ableton, Logic, Pro Tools). Die alten Tarife Pro für 11,99 USD und Studio für 29,99 USD, die in vielen Rezensionen auftauchen, sind nicht mehr aktuell. Vorsicht auch bei den Websites stableaudio3.com, stableaudio3.org und stableaudio.net - sie gehören nicht zu Stability AI.

Preise für Entwickler:

• Stability-API: Stable Audio 3 kostet 26 Credits pro Generierung (1 Credit = 0,01 USD, also 0,26 USD bzw. ca. 0,231 EUR), bei einer Länge von 1 bis 380 Sekunden. Stable Audio 2.5 kostet 20 Credits. Zum Einstieg gibt es 25 kostenlose Credits.
• fal.ai Medium: 0,0376 USD pro Clip (Text-to-Audio; ca. 0,0334 EUR), Inpainting kostet ca. 0,0393 EUR (0,0442 USD).
• fal.ai Large: 0,00125 USD pro Sekunde Serverlaufzeit (ca. 0,001111 EUR).

Stable Audio 3 lokal mit ComfyUI starten

Am einfachsten geht es unter Windows mit ComfyUI und der offiziellen Vorlage. Das offizielle Stability-Repository setzt für Medium die Bibliothek Flash Attention 2 voraus; die Anleitung ist für Linux geschrieben.

1. Aktualisieren Sie ComfyUI auf die neueste Version (die Stable-Audio-3-Vorlagen sind im Paket Comfy-Org/workflow_templates enthalten).
2. Laden Sie aus dem Repository Comfy-Org/stable-audio-3 auf Hugging Face die Datei stable_audio_3_medium.safetensors (9,22 GB) in den Ordner models/checkpoints. Für einen schwächeren Computer: stable_audio_3_small_music.safetensors (2,27 GB).
3. Laden Sie den Textencoder t5gemma_b_b_ul2.safetensors (1,18 GB) in den Ordner models/text_encoders.
4. Optional: qwen3.5_2b_bf16.safetensors aus Comfy-Org/Qwen3.5. Die Vorlage nutzt dieses kleine Sprachmodell, um aus einer kurzen Idee eine ausführliche Beschreibung zu machen (Modi Music, Instrument, SFX, One-shot).
5. Öffnen Sie in ComfyUI den Vorlagenbrowser (Templates), wechseln Sie zu den Audiovorlagen und wählen Sie „Stable Audio 3 Medium“ (Datei audio_stable_audio_3_medium).
6. Geben Sie eine Beschreibung auf Englisch ein, stellen Sie die Länge in Sekunden ein (Standard: 150) und klicken Sie auf Run. Die MP3-Datei wird unter output/audio/stable_audio_3 gespeichert.

Hardwareanforderungen: Laut Stability-Repository belegt Medium auf der Grafikkarte zwischen 5,07 GB (5 Sekunden Audio) und 6,52 GB (380 Sekunden). Dekodieren in Abschnitten reduziert den Bedarf um mehr als 1 GB. Small läuft sogar nur auf der CPU, auch auf dem Mac. Die Medium-Datei für ComfyUI ist allerdings 9,22 GB groß. Wie viel Speicher sie in der Praxis benötigt, habe ich mit meiner eigenen Grafikkarte geprüft - die Ergebnisse stehen im Test weiter unten.

Mein Test

Am 3. Oktober 2026 erzeugte Stable Audio 3 Medium über fal.ai ein 60 Sekunden langes Musikbett in 18,7 Sekunden. Die Aufnahme und der Vergleich mit Modellen mit Gesang stehen im Ratgeber KI-Musikgenerator.

Lokaler Test mit RTX 4090 (8. Oktober 2026)

Ich habe Stable Audio 3 Medium in ComfyUI ausgeführt (Datei stable_audio_3_medium.safetensors mit 9,22 GB und t5gemma-Encoder mit 1,19 GB), mit den Einstellungen aus der offiziellen Vorlage: 8 Schritte, cfg 1, Sampler lcm. Den englischen Prompt habe ich selbst geschrieben und kein zusätzliches Modell verwendet, das in der Vorlage eine kurze Idee zu einer ausführlichen Beschreibung ausformuliert. Der tatsächlich getestete Prompt war auf Englisch; die nachfolgenden Bezeichnungen sind Übersetzungen der Testbeschreibungen, keine neu getesteten Prompts.

• Beeindruckende Geschwindigkeit: Sobald das Modell im Speicher ist, entsteht eine Minute Musik in 4 Sekunden. Der erste Start dauert lange, weil ich das Modell von einem USB-Laufwerk lade (ca. 44 MB/s).
• Grafikspeicher: In ComfyUI lag der Spitzenwert bei 7,9 bis 11,8 GB. Das ist mehr als die im Repository genannten 6,5 GB, passt aber weiterhin auf eine 12-GB-Grafikkarte.
• Qualitätsbewertung durch KI-Richter (Gemini 3.8 Flash und Qwen 3.8 Omni Flash über OpenRouter, 3 Aufnahmen): Im Durchschnitt erhielt der Klang 4,0/5, die Stiltreue 4,6 und die Musikalität 4,0. Qwen bemängelte ein „pappiges“ Schlagzeug und ein sich wiederholendes Gitarrenmotiv. Gemini bewertete das erste Musikbett auf dem Niveau einer Musikbibliothek.
• Kein Gesang in einer der Aufnahmen - wie in der Modellbeschreibung angegeben.

In derselben Testreihe sangen Eleven Music, Lyria 3 Pro, ACE-Step und MiniMax Music denselben Stil mit polnischem Text. Dieser Teil des Tests wurde auf Polnisch durchgeführt; die Ergebnisse finden Sie im Ranking der KI-Musikgeneratoren.

Wofür eignet sich Stable Audio?

• Musikbetten für Reels und Videos - ein Instrumental mit bestimmtem Tempo (BPM) und passender Stimmung, auf die Videolänge zugeschnitten.
• Soundeffekte - Small SFX und Medium erzeugen Knacken, Schläge, Übergänge und Ambient-Klänge. Am besten funktionieren kurze Längen und der Zusatz TrackType: SFX.
• Loops und Samples - einzelne Instrumente (TrackType: Instrument), Schlagzeug und Bass für eigene Beats.
• Bearbeitung von Aufnahmen - Audio-to-Audio verändert den Stil einer eigenen Skizze, Inpainting ersetzt einen Übergang oder ein Einspieler.

Laut Dokumentation liefern Tags im Stil der AudioSparx-Bibliothek bessere Ergebnisse, zum Beispiel TrackType: Music, VocalType: Instrumental, Genre: Funk, Instruments: Guitar, Saxophone, außerdem eine Tempoangabe in BPM. Weitere Audiowerkzeuge stelle ich im Beitrag KI für Musik vor.

Stable Audio im Vergleich zur Konkurrenz

Das zweite offene Modell ACE-Step 1.5 (MIT-Lizenz) kann singen. In meinem Test am 8. Oktober sang es 101 von 104 Wörtern des polnischen Textes korrekt. Auch dieser Gesangstest wurde auf Polnisch durchgeführt. Für Songs eignen sich ACE-Step oder MiniMax Music 3, für Musikbetten Stable Audio. Beschreibungen der Konkurrenz: Suno, Eleven Music, Lyria, Mureka, MiniMax Music.

Für wen eignet sich Stable Audio?

• Für Sie, wenn Sie Videos und Reels schneiden und Musikbetten ohne Risiko von Ansprüchen benötigen.
• Für Sie, wenn Sie eine NVIDIA-Grafikkarte haben und ohne Limits und Abonnement generieren möchten - siehe auch lokale KI.
• Für Sie, wenn Sie Spiele, Apps oder Benutzeroberflächen-Sounds entwickeln und Effekte brauchen.
• Nicht für Sie, wenn Sie einen Song mit Text möchten, besonders auf Polnisch.
• Nicht für Sie, wenn nur die höchstmögliche Qualität bei Instrumentals zählt - hier liegt Suno v6 vorn.

Der einfachste Weg: Hangar

Stable Audio 3 ist im Hangar-Katalog verfügbar. Hangar ist mein Werkzeug: ein kostenloser Manager für lokale Bild-, Video- und Musikmodelle unter Windows, ohne Konto und Abonnement, mit ComfyUI im Hintergrund. Zur Wahl stehen zwei Varianten: Medium (Checkpoint 9,22 GB und t5gemma-Encoder 1,19 GB, zusammen 10,4 GB) und Small Music (2,27 + 1,19 GB, zusammen 3,5 GB) für schwächere Grafikkarten. Beim Modell wird die Stability AI Community License angezeigt: kommerzielle Nutzung ohne Gebühr bei einem Jahresumsatz unter 1 Mio. USD (ca. 888.652,8 EUR).

1. Laden Sie das Installationsprogramm (14 MB) von der Hangar-Seite herunter. Es ist noch nicht digital signiert, daher zeigt Windows SmartScreen eine Warnung: Klicken Sie auf „Weitere Informationen“ und dann auf „Trotzdem ausführen“.
2. Hangar erkennt die Grafikkarte (Nvidia mit CUDA, ab 8 GB VRAM, am besten 12 GB oder mehr) und zeigt an, ob das Modell darauf passt.
3. Wählen Sie Stable Audio 3 und eine Variante aus. Hangar lädt die Dateien von Hugging Face herunter und prüft ihre SHA-256-Prüfsummen.
4. Geben Sie eine Beschreibung auf Englisch ein, stellen Sie die Länge in Sekunden ein und klicken Sie auf „Generieren“.

Im Hangar-Test auf einer RTX 4090 (17. Oktober 2026, Variante Medium) dauerte ein Auftrag für ein 20-sekündiges Musikbett einschließlich des Ladens des Modells 24 Sekunden. Installationsprogramm und Beschreibung: Hangar.

Häufige Fragen

Was ist Stable Audio?

Stable Audio ist ein Generator für Musik und Soundeffekte von Stability AI. Aus einer englischen Beschreibung erstellt er ein Instrumental, eine Schleife oder einen Effekt. Die neueste Version ist Stable Audio 3 vom Mai 2026. Sie ist über stableaudio.com, die API und als offene Gewichte verfügbar.

Wie starte ich Stable Audio 3 lokal?

Am einfachsten mit ComfyUI: Laden Sie den Medium-Checkpoint (9,22 GB) und den t5gemma-Encoder (1,18 GB) von Comfy-Org/stable-audio-3 herunter, öffnen Sie die Vorlage „Stable Audio 3 Medium“ und geben Sie eine Beschreibung ein. Small Music läuft sogar ohne Grafikkarte.

Ist Stable Audio kostenlos?

Ja, auf zwei Arten. Der Free-Tarif auf stableaudio.com bietet monatlich 50 Credits (etwa 12 Songs) für die nicht kommerzielle Nutzung. Die offenen Modelle Small und Medium können Sie kostenlos lokal ausführen, auch kommerziell bis zu einem Jahresumsatz von 1 Mio. USD (ca. 888.652,8 EUR).

Darf ich Musik aus Stable Audio kommerziell nutzen?

Ja. In der Anwendung ist das ab dem Tarif Solo für 12 USD/Monat (ca. 10,66 EUR/Monat) möglich. Bei den offenen Modellen erlaubt es die Community License, wenn Ihr Unternehmen weniger als 1 Mio. USD Jahresumsatz (ca. 888.652,8 EUR) erzielt. Oberhalb dieser Grenze ist eine Enterprise-Lizenz erforderlich. Der Free-Tarif der Anwendung ist nur für den persönlichen Gebrauch bestimmt.

Kann Stable Audio singen?

Nein. Stable Audio 3 erzeugt keinen verständlichen Gesang, manchmal aber vokale Hintergründe ohne Wörter. Für Songs mit Text benötigen Sie Suno, Eleven Music oder Lyria.

Stable Audio oder Suno?

Für Songs mit Gesang und die besten Instrumentals ist Suno die bessere Wahl (1140 Elo gegenüber 1017 für Stable Audio 3 Large). Für lokale Nutzung, Soundeffekte, die Bearbeitung einzelner Abschnitte und eigene LoRAs eignet sich Stable Audio.

Was ist der beste KI-Musikgenerator für Musikbetten?

Bei der Qualität liegt Suno v6 im Instrumentalmodus vorn. Stable Audio 3 Medium ist lokal am günstigsten und ohne Limits nutzbar; über die API kostet ein Clip bei fal.ai ca. 0,0334 EUR (0,0376 USD). Den vollständigen Vergleich finden Sie im Ratgeber KI-Musikgenerator.

Quellen und Prüfdatum

• Stability AI: Vorstellung von Stable Audio 3.0 (20.05.2026).
• GitHub Stability-AI/stable-audio-3: Modellübersicht, VRAM-Messungen, Prompt-Leitfaden, Beschreibung der Architektur und Trainingsdaten - geprüft am 8.10.2026.
• Technische Arbeit zu Stable Audio 3 (arXiv, 18.05.2026).
• Hugging Face: stable-audio-3-medium und Comfy-Org/stable-audio-3 - geprüft am 8.10.2026.
• Stability AI Community License (Fassung vom 5.07.2024).
• Preise auf stableaudio.com und Preise der Stability-API - geprüft am 8.10.2026.
• fal.ai: Stable Audio 3 Medium und LoRA-Trainer - geprüft am 8.10.2026.
• Artificial Analysis: Instrumental-Ranking (v1.1, etwa 7.10.2026).
• Stability AI: Stable Audio 2.5 (10.09.2025).
• Eigener Test am 3.10.2026 über fal.ai - Einzelheiten im Ratgeber KI-Musikgenerator.

Umrechnung von USD in EUR: Schätzwerte auf Grundlage des EZB-Referenzkurses vom 16.10.2026 (1 EUR = 1,1253 USD). Quelle: EZB-Referenzkurs. Die umgerechneten Beträge sind keine lokalen Checkout-Preise.

// weiterlesenKI-Filmmusik: Eleven Music, Stable Audio oder Suno?KI-WerkzeugeAgnes Video 2.5: Preise, Ranking und Einstieg (2026)KI-WerkzeugeCloudflare: Was ist das, was kostet es und welche KI-Tools gibt es?KI-Werkzeuge

Kinetyra