> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-hi/audio-and-voice/stable-audio.md).

# Stable Audio

CLORE.AI GPU पर Stability AI के Stable Audio के साथ संगीत और ध्वनि प्रभाव उत्पन्न करें।

{% hint style="success" %}
सभी उदाहरण GPU सर्वरों पर चलाए जा सकते हैं जिन्हें द्वारा किराए पर लिया गया है [CLORE.AI मार्केटप्लेस](https://clore.ai/marketplace).
{% endhint %}

## Stable Audio क्यों?

* **उच्च गुणवत्ता** - 44.1kHz स्टेरियो ऑडियो जनरेशन
* **वेरिएबल लंबाई** - 95 सेकंड तक उत्पन्न करें
* **बहुमुखी** - संगीत, ध्वनि प्रभाव, परिवेशी ध्वनियाँ
* **टेक्स्ट-से-ऑडियो** - जो आप सुनना चाहते हैं उसका वर्णन करें
* **ओपन वेट्स** - Stable Audio Open उपलब्ध

## मॉडल वेरिएंट

| मॉडल              | अवधि     | गुणवत्ता | VRAM | लाइसेंस   |
| ----------------- | -------- | -------- | ---- | --------- |
| Stable Audio Open | 47 सेकंड | अच्छा    | 8GB  | खोलें     |
| Stable Audio 2.0  | 3 मिनट   | उत्कृष्ट | 12GB | वाणिज्यिक |

## CLORE.AI पर त्वरित डिप्लॉय

**Docker इमेज:**

```
pytorch/pytorch:2.5.1-cuda12.4-cudnn9-devel
```

**पोर्ट:**

```
22/tcp
7860/http
```

**कमांड:**

```bash
pip install stable-audio-tools gradio && \
python -c "
import gradio as gr
import torch
from stable_audio_tools import get_pretrained_model
from stable_audio_tools.inference.generation import generate_diffusion_cond
import soundfile as sf
import tempfile

model, model_config = get_pretrained_model('stabilityai/stable-audio-open-1.0')
model = model.to('cuda')

def generate(prompt, duration, steps, seed):
    conditioning = [{
        'prompt': prompt,
        'seconds_start': 0,
        'seconds_total': duration
    }]

    generator = torch.Generator('cuda').manual_seed(seed) if seed > 0 else None

    output = generate_diffusion_cond(
        model,
        conditioning=conditioning,
        steps=steps,
        cfg_scale=7,
        sample_size=model_config['sample_size'],
        sample_rate=model_config['sample_rate'],
        device='cuda',
        seed=seed if seed > 0 else None
    )

    audio = output[0].T.cpu().numpy()

    with tempfile.NamedTemporaryFile(suffix='.wav', delete=False) as f:
        sf.write(f.name, audio, model_config['sample_rate'])
        return f.name

gr.Interface(
    fn=generate,
    inputs=[
        gr.Textbox(label='Prompt'),
        gr.Slider(1, 47, value=10, label='Duration (sec)'),
        gr.Slider(10, 150, value=100, label='Steps'),
        gr.Number(value=-1, label='Seed')
    ],
    outputs=gr.Audio(label='Generated Audio'),
    title='Stable Audio Open'
).launch(server_name='0.0.0.0', server_port=7860)
"
```

## अपनी सेवा तक पहुँचना

डिप्लॉयमेंट के बाद, अपना खोजें `http_pub` URL में **मेरे ऑर्डर**:

1. जाएँ **मेरे ऑर्डर** पृष्ठ
2. अपने ऑर्डर पर क्लिक करें
3. खोजें `http_pub` URL (उदा., `abc123.clorecloud.net`)

उपयोग करें `https://YOUR_HTTP_PUB_URL` की बजाय `localhost` नीचे दिए उदाहरणों में।

## हार्डवेयर आवश्यकताएँ

| मॉडल              | न्यूनतम GPU   | अनुशंसित      |
| ----------------- | ------------- | ------------- |
| Stable Audio Open | RTX 3070 8GB  | RTX 3090 24GB |
| Stable Audio 2.0  | RTX 3090 12GB | RTX 4090 24GB |

## इंस्टॉलेशन

```bash
pip install stable-audio-tools torch torchaudio
```

## मूल उपयोग

### टेक्स्ट से संगीत

```python
import torch
import torchaudio
from stable_audio_tools import get_pretrained_model
from stable_audio_tools.inference.generation import generate_diffusion_cond

# मॉडल लोड करें
model, model_config = get_pretrained_model("stabilityai/stable-audio-open-1.0")
model = model.to("cuda")

sample_rate = model_config["sample_rate"]
sample_size = model_config["sample_size"]

# वे निर्धारित करें जो आप चाहते हैं
conditioning = [{
    "prompt": "कैची सिंथ मेलडी के साथ उत्साही इलेक्ट्रॉनिक डांस संगीत, 128 BPM",
    "seconds_start": 0,
    "seconds_total": 30
}]

# जनरेट करें
output = generate_diffusion_cond(
    model,
    conditioning=conditioning,
    steps=100,
    cfg_scale=7,
    sample_size=sample_size,
    sample_rate=sample_rate,
    device="cuda"
)

# सहेजें
audio = output[0].T
torchaudio.save("music.wav", audio.cpu(), sample_rate)
```

### साउंड इफेक्ट्स

```python
conditioning = [{
    "prompt": "भारी बारिश और दूर का बिजली के साथ तूफान",
    "seconds_start": 0,
    "seconds_total": 20
}]

output = generate_diffusion_cond(
    model,
    conditioning=conditioning,
    steps=100,
    cfg_scale=7,
    sample_size=sample_size,
    sample_rate=sample_rate,
    device="cuda"
)

torchaudio.save("thunderstorm.wav", output[0].T.cpu(), sample_rate)
```

### परिवेशी ध्वनियाँ

```python
conditioning = [{
    "prompt": "चिड़ियों की चहचहाहट और मृदु हवा के साथ शांत वन का वातावरण",
    "seconds_start": 0,
    "seconds_total": 45
}]

output = generate_diffusion_cond(
    model,
    conditioning=conditioning,
    steps=100,
    cfg_scale=7,
    sample_size=sample_size,
    sample_rate=sample_rate,
    device="cuda"
)

torchaudio.save("forest.wav", output[0].T.cpu(), sample_rate)
```

## प्रॉम्प्ट उदाहरण

### संगीत शैलियाँ

```python
prompts = {
    "electronic": "गहरी बेस, सिंथ आर्पेगियो और ड्राइविंग बीट के साथ ऊर्जा से भरपूर EDM ट्रैक, 130 BPM",
    "jazz": "अप्राप्य जैज़ पियानो ट्रियो जिसमें अप्राइट बेस और ब्रश ड्रम्स हों, धीमा टेम्पो",
    "rock": "डिस्टॉर्शन के साथ भारी रॉक गिटार रिफ, ड्रम्स और बेस, शक्तिशाली और ऊर्जा से भरपूर",
    "classical": "स्ट्रिंग्स और वुडविंड्स के साथ ऑर्केस्ट्रल पीस, नाटकीय और सिनेमाई",
    "ambient": "पैड्स और सूक्ष्म बनावटों के साथ वातावरणीय एम्बियंट साउंडस्केप, स्वप्निल",
    "hiphop": "विनाइल क्रैकल, मृदु पियानो और ठंडे ड्रम्स के साथ लो-फाई हिप हॉप बीट, 85 BPM"
}
```

### साउंड इफेक्ट्स

```python
prompts = {
    "explosion": "मसिव विस्फोट जिसमें मलबा और आग, सिनेमाई",
    "footsteps": "कंकड़ पर कदमों की आवाज़, धीमी चाल",
    "car": "स्पोर्ट्स कार का इंजन रेव करना और तेजी से बढ़ना",
    "water": "गुफा में पानी का चपटना और टपकना",
    "wind": "पहाड़ों में तेज़ हवा का हुंकार",
    "fire": "लकड़ी के फटने के साथ चटखती कैंपफायर"
}
```

### परिवेशी/पृष्ठभूमि

```python
prompts = {
    "cafe": "कॉफी शॉप का वातावरण जिसमें हल्की बातचीत और एस्प्रेसो मशीन की आवाज़ें हैं",
    "ocean": "रेतिलے समुद्र तट पर लहरें, दूर सीगल्स की आवाज़",
    "city": "भीड़-भाड़ वाली शहर की सड़क जिसमें ट्रैफिक, हॉर्न और पैदल यात्री हैं",
    "rain": "खिड़की पर हल्की बारिश और कभी-कभार गरज",
    "space": "साइ-फाई स्पेसशिप के अंदर की humming और बीप्स"
}
```

## उन्नत विकल्प

### जनरेशन को नियंत्रित करना

```python
output = generate_diffusion_cond(
    model,
    conditioning=conditioning,
    steps=150,              # अधिक स्टेप्स = बेहतर गुणवत्ता
    cfg_scale=7,            # प्रॉम्प्ट पालन (5-10)
    sample_size=sample_size,
    sample_rate=sample_rate,
    device="cuda",
    seed=42                 # पुनरुत्पादन योग्य परिणाम
)
```

### वेरिएबल लंबाई

```python
# छोटा साउंड इफेक्ट (5 सेकंड)
conditioning = [{
    "prompt": "धीरे-धीरे खुलते हुए दरवाजे की चरमराहट",
    "seconds_start": 0,
    "seconds_total": 5
}]

# मध्यम क्लिप (30 सेकंड)
conditioning = [{
    "prompt": "उत्साही रॉक संगीत",
    "seconds_start": 0,
    "seconds_total": 30
}]

# अधिकतम लंबाई (Open के लिए 47 सेकंड)
conditioning = [{
    "prompt": "विकसित होती बनावटों के साथ परिवेशी इलेक्ट्रॉनिक संगीत",
    "seconds_start": 0,
    "seconds_total": 47
}]
```

## बैच जनरेशन

```python
import os

prompts = [
    "ऊर्जावान ड्रम और बेस ट्रैक",
    "शांत पियानो मेलडी",
    "साइ-फाई लेजर साउंड इफेक्ट्स",
    "टिन की छत पर बारिश"
]

output_dir = "./audio_output"
os.makedirs(output_dir, exist_ok=True)

for i, prompt in enumerate(prompts):
    conditioning = [{
        "prompt": prompt,
        "seconds_start": 0,
        "seconds_total": 15
    }]

    output = generate_diffusion_cond(
        model,
        conditioning=conditioning,
        steps=100,
        cfg_scale=7,
        sample_size=sample_size,
        sample_rate=sample_rate,
        device="cuda"
    )

    torchaudio.save(f"{output_dir}/audio_{i}.wav", output[0].T.cpu(), sample_rate)
    print(f"Generated: {prompt[:30]}...")

    torch.cuda.empty_cache()
```

## Gradio वेब इंटरफेस

```python
import gradio as gr
import torch
import torchaudio
from stable_audio_tools import get_pretrained_model
from stable_audio_tools.inference.generation import generate_diffusion_cond
import tempfile

model, model_config = get_pretrained_model("stabilityai/stable-audio-open-1.0")
model = model.to("cuda")

sample_rate = model_config["sample_rate"]
sample_size = model_config["sample_size"]

def generate_audio(prompt, duration, steps, cfg_scale, seed):
    conditioning = [{
        "prompt": prompt,
        "seconds_start": 0,
        "seconds_total": duration
    }]

    generator_seed = seed if seed > 0 else None

    output = generate_diffusion_cond(
        model,
        conditioning=conditioning,
        steps=steps,
        cfg_scale=cfg_scale,
        sample_size=sample_size,
        sample_rate=sample_rate,
        device="cuda",
        seed=generator_seed
    )

    audio = output[0].T.cpu()

    with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as f:
        torchaudio.save(f.name, audio, sample_rate)
        return f.name

demo = gr.Interface(
    fn=generate_audio,
    inputs=[
        gr.Textbox(label="Prompt", placeholder="जिस ऑडियो को आप चाहते हैं उसका वर्णन करें..."),
        gr.Slider(1, 47, value=15, step=1, label="Duration (seconds)"),
        gr.Slider(20, 200, value=100, step=10, label="Steps"),
        gr.Slider(1, 15, value=7, step=0.5, label="CFG Scale"),
        gr.Number(value=-1, label="Seed (-1 for random)")
    ],
    outputs=gr.Audio(label="Generated Audio", type="filepath"),
    title="Stable Audio Open - Text to Audio",
    description="टेक्स्ट विवरणों से संगीत और ध्वनि प्रभाव उत्पन्न करें। CLORE.AI पर चल रहा है.",
    examples=[
        ["सिंथ के साथ उत्साही इलेक्ट्रॉनिक डांस संगीत, 128 BPM", 20, 100, 7, 42],
        ["भारी बारिश के साथ तूफान", 15, 100, 7, 123],
        ["शांत पियानो मेलडी, भावनात्मक", 30, 100, 7, 456]
    ]
)

demo.launch(server_name="0.0.0.0", server_port=7860)
```

## प्रदर्शन

| अवधि     | स्टेप्स | GPU      | समय   |
| -------- | ------- | -------- | ----- |
| 10 सेकंड | 100     | RTX 3090 | \~15s |
| 10 सेकंड | 100     | RTX 4090 | \~10s |
| 30 सेकंड | 100     | RTX 3090 | \~40s |
| 30 सेकंड | 100     | RTX 4090 | \~25s |
| 47 सेकंड | 100     | RTX 4090 | \~40s |

## गुणवत्ता सुझाव

### बेहतर संगीत

```python
# टेम्पो और शैली शामिल करें
prompt = "ऊर्जावान रॉक संगीत, इलेक्ट्रिक गिटार, ड्रम्स, बेस, 140 BPM, उच्च ऊर्जा"

# उपकरणों के बारे में विशिष्ट रहें
prompt = "सोलो एकोस्टिक गिटार फिंगरपिकिंग, फोक शैली, गर्म और अंतरंग"

# मूड का वर्णन करें
prompt = "विरहभरी पियानो रचना, माइनर की, धीमा टेम्पो, भावनात्मक और उदास"
```

### बेहतर साउंड इफेक्ट्स

```python
# विशिष्ट रहें
prompt = "राइफल से एकल गोली की आवाज़, बाहर, इको"

# परिवेश शामिल करें
prompt = "लकड़ी के फर्श पर कदमों की आवाज़, अंदर, धीमी चाल, चरमराना"

# बनावट का वर्णन करें
prompt = "आग की चटखनी, बड़ा अलाव, लकड़ी फटना, चिंगारियाँ"
```

## लागत अनुमान

सामान्य CLORE.AI मार्केटप्लेस दरें:

| GPU           | घंटात्मक दर | \~30 सेकंड क्लिप/घंटा |
| ------------- | ----------- | --------------------- |
| RTX 3060 12GB | \~$0.03     | \~50                  |
| RTX 3090 24GB | \~$0.06     | \~90                  |
| RTX 4090 24GB | \~$0.10     | \~140                 |
| A100 40GB     | \~$0.17     | \~200                 |

*कीमतें भिन्न होती हैं। जाँच करें* [*CLORE.AI मार्केटप्लेस*](https://clore.ai/marketplace) *वर्तमान दरों के लिए।*

## समस्याओं का निवारण

### आउट ऑफ़ मेमोरी

```python
# अवधि कम करें
conditioning = [{
    "prompt": prompt,
    "seconds_total": 15  # 47 के बजाय
}]

# या CPU ऑफलोड सक्षम करें
model.enable_model_cpu_offload()
```

### खराब गुणवत्ता आउटपुट

* स्टेप्स बढ़ाएँ (150-200)
* CFG स्केल समायोजित करें (5-10 आज़माएँ)
* प्रॉम्प्ट में अधिक विशिष्ट रहें
* विभिन्न सीड आज़माएँ

### कोई ध्वनि / मौन

* जाँच करें कि प्रॉम्प्ट पर्याप्त वर्णनात्मक है
* बहुत ABSTRACT वर्णनों से बचें
* पहले जानी-पहचानी कार्यशील प्रॉम्प्ट आज़माएँ

### ऑडियो आर्टिफैक्ट्स

* स्टेप्स बढ़ाएँ
* CFG स्केल घटाएँ
* अवधि घटाएँ
* GPU थर्मल थ्रॉटलिंग के लिए जाँच करें

## Stable Audio बनाम अन्य

| फ़ीचर    | Stable Audio | AudioCraft | Bark  |
| -------- | ------------ | ---------- | ----- |
| संगीत    | उत्कृष्ट     | उत्कृष्ट   | खराब  |
| SFX      | बहुत अच्छा   | अच्छा      | खराब  |
| भाषण     | नहीं         | नहीं       | हाँ   |
| अवधि     | 47s / 3min   | 30s        | 15s   |
| गुणवत्ता | 44.1kHz      | 32kHz      | 24kHz |
| खोलें    | आंशिक        | हाँ        | हाँ   |

**Stable Audio का उपयोग करें जब:**

* उच्च-गुणवत्ता संगीत जनरेशन
* गेम/वीडियो के लिए साउंड इफेक्ट्स
* बैकग्राउंड संगीत
* परिवेशी साउंडस्केप

## अगले कदम

* [AudioCraft](/guides/guides_v2-hi/audio-and-voice/audiocraft-music.md) - मेटा का संगीत जनरेशन
* [Bark TTS](/guides/guides_v2-hi/audio-and-voice/bark-tts.md) - वॉइस सिंथेसिस
* [Demucs](/guides/guides_v2-hi/audio-and-voice/demucs-separation.md) - ऑडियो विभाजन
* [Whisper](/guides/guides_v2-hi/audio-and-voice/whisper-transcription.md) - ट्रांसक्रिप्शन


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-hi/audio-and-voice/stable-audio.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.