> 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 पर Stable Audio के साथ संगीत और साउंड इफ़ेक्ट्स जनरेट करें

CLORE.AI GPUs 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 किराए पर लिया गया है [CLORE.AI मार्केटप्लेस](https://clore.ai/marketplace).
{% endhint %}

## Stable Audio क्यों?

* **उच्च गुणवत्ता** - 44.1kHz स्टीरियो ऑडियो जनरेशन
* **परिवर्ती लंबाई** - 95 सेकंड तक उत्पन्न करें
* **बहुउपयोगी** - संगीत, ध्वनि प्रभाव, परिवेशीय ध्वनियाँ
* **टेक्स्ट-टू-ऑडियो** - बताइए कि आप क्या सुनना चाहते हैं
* **ओपन वेट्स** - Stable Audio Open उपलब्ध है

## मॉडल वेरिएंट

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

## CLORE.AI पर त्वरित परिनियोजन

**Docker इमेज:**

```
pytorch/pytorch:2.11.0-cuda12.8-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='प्रॉम्प्ट'),
        gr.Slider(1, 47, value=10, label='अवधि (सेकंड)'),
        gr.Slider(10, 150, value=100, label='स्टेप्स'),
        gr.Number(value=-1, label='सीड')
    ],
    outputs=gr.Audio(label='जनरेटेड ऑडियो'),
    title='Stable Audio Open'
).launch(server_name='0.0.0.0', server_port=7860)
"
```

## अपनी सेवा तक पहुँचना

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

1. पर जाएँ **मेरे ऑर्डर** पेज
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 गए 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"]

# तय करें कि आप क्या चाहते हैं
conditioning = [{
    "prompt": "आकर्षक सिंथ धुन 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)
```

### ध्वनि प्रभाव

```python
conditioning = [{
    "prompt": "मूसलाधार बारिश और दूर के गरज के साथ तूफ़ान",
    "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)
```

### परिवेशीय ध्वनियाँ

```python
conditioning = [{
    "prompt": "पक्षियों के गाने और हल्की हवा के साथ शांत जंगल 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 बास, सिंथ आर्पेजियो और तेज़ बीट के साथ ऊर्जावान EDM ट्रैक, 130 BPM",
    "jazz": "अपराइट बास और ब्रश किए गए ड्रम के साथ स्मूद जैज़ पियानो ट्रियो, आरामदायक टेम्पो",
    "rock": "डिस्टॉर्शन, ड्रम और बास के साथ भारी रॉक गिटार रिफ़, शक्तिशाली और ऊर्जावान",
    "classical": "स्ट्रिंग्स और वुडविंड्स के साथ ऑर्केस्ट्रल रचना, नाटकीय और सिनेमैटिक",
    "ambient": "पैड्स और सूक्ष्म टेक्सचर के साथ वायुमंडलीय एम्बिएंट साउंडस्केप, स्वप्निल",
    "hiphop": "विनाइल क्रैकल, मृदु पियानो और सुकून भरे ड्रम के साथ लो-फाई हिप हॉप बीट, 85 BPM"
}
```

### ध्वनि प्रभाव

```python
prompts = {
    "explosion": "मलबे और आग के साथ विशाल विस्फोट, सिनेमैटिक",
    "footsteps": "बजरी पर कदमों की आवाज़, धीमी चाल",
    "car": "स्पोर्ट्स कार के इंजन की गर्जना और तेज़ी",
    "water": "गुफा में पानी की छींटें और टपकन",
    "wind": "पहाड़ों के बीच से गुजरती तेज़ हवा की गूँज",
    "fire": "लकड़ियों के चटकने के साथ जलती हुई अलाव की आग"
}
```

### परिवेशीय/पृष्ठभूमि

```python
prompts = {
    "cafe": "कॉफ़ी शॉप का माहौल, धीमी-धीमी बातचीत और एस्प्रेसो मशीन",
    "ocean": "रेतीले समुद्र तट पर समुद्री लहरें, दूर सीगल पक्षी",
    "city": "ट्रैफ़िक, हॉर्न और पैदल यात्रियों के साथ व्यस्त शहर की सड़क",
    "rain": "खिड़की पर हल्की बारिश, कभी-कभी गरज के साथ",
    "space": "साइ-फाई अंतरिक्ष यान के इंटीरियर की गुनगुनाहट और बीप"
}
```

## 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                 # दोहराने योग्य परिणाम
)
```

### परिवर्ती लंबाई

```python
# छोटा ध्वनि प्रभाव (5 सेकंड)
conditioning = [{
    "prompt": "दरवाज़े के धीरे-धीरे खुलने की चरमराहट",
    "seconds_start": 0,
    "seconds_total": 5
}]

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

# अधिकतम लंबाई (Open के लिए 47 सेकंड)
conditioning = [{
    "prompt": "परिवर्तित होते टेक्सचर के साथ एम्बिएंट इलेक्ट्रॉनिक संगीत",
    "seconds_start": 0,
    "seconds_total": 47
}]
```

## बैच जनरेशन

```python
import os

prompts = [
    "ऊर्जावान ड्रम एंड बास ट्रैक",
    "शांत पियानो धुन",
    "साइ-फाई लेज़र ध्वनि प्रभाव",
    "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"उत्पन्न: {prompt[:30]}...")

    torch.cuda.empty_cache()
```

## ग्रेडियो वेब इंटरफ़ेस

```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="प्रॉम्प्ट", placeholder="वांछित ऑडियो का वर्णन करें..."),
        gr.Slider(1, 47, value=15, step=1, label="अवधि (सेकंड)"),
        gr.Slider(20, 200, value=100, step=10, label="स्टेप्स"),
        gr.Slider(1, 15, value=7, step=0.5, label="CFG स्केल"),
        gr.Number(value=-1, label="Seed (-1 for random)")
    ],
    outputs=gr.Audio(label="जनरेटेड ऑडियो", type="filepath"),
    title="Stable Audio Open - टेक्स्ट से ऑडियो",
    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],
        ["मूसलाधार बारिश वाला तूफ़ान", 15, 100, 7, 123],
        ["शांत पियानो धुन, 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 | \~15 सेकंड |
| 10 सेकंड | 100     | RTX 4090 | \~10 सेकंड |
| 30 सेकंड | 100     | RTX 3090 | \~40 सेकंड |
| 30 सेकंड | 100     | RTX 4090 | \~25 सेकंड |
| 47 सेकंड | 100     | RTX 4090 | \~40 सेकंड |

## गुणवत्ता सुझाव

### बेहतर संगीत

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

# वाद्ययंत्रों के बारे में स्पष्ट रहें
prompt = "एकल ध्वनिक गिटार फिंगरपिकिंग, लोक शैली, गर्म और अंतरंग"

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

### बेहतर ध्वनि प्रभाव

```python
# स्पष्ट रहें
prompt = "राइफल से एकल गोली चलने की आवाज़, बाहर, प्रतिध्वनि"

# वातावरण शामिल करें
prompt = "लकड़ी के फर्श पर कदमों की आवाज़, घर के अंदर, धीमी चाल, चरमराहट"

# बनावट का वर्णन करें
prompt = "आग की चटकन, बड़ा अलाव, लकड़ियों का चटकना, चिंगारियाँ"
```

## लागत का अनुमान

CLORE.AI मार्केटप्लेस की सामान्य दरें:

| GPU           | प्रति घंटा 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 अलग-अलग होती हैं। देखें* [*CLORE.AI मार्केटप्लेस*](https://clore.ai/marketplace) *वर्तमान दरों के लिए।*

## समस्या निवारण

### मेमोरी समाप्त

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

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

### खराब गुणवत्ता वाला आउटपुट

* स्टेप्स बढ़ाएँ (150-200)
* CFG स्केल समायोजित करें (5-10 आज़माएँ)
* प्रॉम्प्ट में अधिक विशिष्ट बनें
* अलग-अलग सीड्स आज़माएँ

### कोई ध्वनि नहीं / मौन

* जाँचें कि प्रॉम्प्ट पर्याप्त वर्णनात्मक है
* बहुत अमूर्त वर्णनों से बचें
* पहले ज्ञात-कार्यशील प्रॉम्प्ट आज़माएँ

### ऑडियो आर्टिफैक्ट्स

* स्टेप्स बढ़ाएँ
* CFG स्केल कम करें
* अवधि कम करें
* GPU थर्मल थ्रॉटलिंग की जाँच करें

## Stable Audio बनाम अन्य

| विशेषता      | Stable Audio    | AudioCraft | Bark    |
| ------------ | --------------- | ---------- | ------- |
| संगीत        | उत्कृष्ट        | उत्कृष्ट   | खराब    |
| ध्वनि प्रभाव | उत्कृष्ट        | अच्छा      | खराब    |
| भाषण         | नहीं            | नहीं       | हाँ     |
| अवधि         | 47सेकंड / 3मिनट | 30सेकंड    | 15सेकंड |
| गुणवत्ता     | 44.1kHz         | 32kHz      | 24kHz   |
| खोलें        | आंशिक           | हाँ        | हाँ     |

**Stable Audio का उपयोग करें जब:**

* उच्च-गुणवत्ता संगीत जनरेशन
* गेम/वीडियो के लिए ध्वनि प्रभाव
* पृष्ठभूमि संगीत
* परिवेशीय साउंडस्केप

## अगले चरण

* [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) - आवाज़ संश्लेषण
* [Demucs](/guides/guides_v2-hi/audio-and-voice/demucs-separation.md) - ऑडियो पृथक्करण
* [Whisper](/guides/guides_v2-hi/audio-and-voice/whisper-transcription.md) - प्रतिलेखन


---

# 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.