Stability AIとArm、スマートフォン向けオンデバイス生成オーディオを実現
Stability AI と Arm の提携により、スマートフォン上でインターネット接続不要で高速に動作する生成型オーディオモデル「Stable Audio Open」が実現され、エッジコンピューティングにおけるコンテンツ作成の新たな基準を示した。
キーポイント
オンデバイスでの高品質オーディオ生成の実現
インターネット接続を必要とせず、Arm CPU 上で直接動作するテキストから音声へのモデルが実現され、プライバシーとオフライン環境での利用が可能になった。
30 倍の高速化技術の達成
モデルの蒸留と Arm の KleidiAI ライブラリ（ExecuTorch/XNNPack 経由）を活用することで、11 秒分の音声生成時間を 240 秒から 8 秒未満に短縮し、30 倍の性能向上を達成した。
MWC バルセロナでの実証発表
2025 年 3 月 3 日の MWC バルセロナで、この技術を用いたリアルワールドなアプリケーションが公開され、エッジ AI の可能性が示される予定である。
次世代マルチモーダルへの展開
オーディオ分野での成功を踏まえ、画像、動画、3D モデルなどの他の生成モデルも同様にエッジデバイスへ拡張するロードマップが示された。
マルチモーダルエッジ展開の展望
音声生成から始まり、画像・動画・3Dモデルを含むすべての最先端モデルをエッジデバイスへ展開する計画である。
Armとの連携によるモバイル変革
Arm社との提携により、高品質な視覚メディア生成をスマートフォンなどのモバイル端末上で直接可能にし、制作プロセスを変革する。
影響分析・編集コメントを表示
影響分析
このニュースは、生成 AI の運用コストと遅延問題を解決し、大規模クラウド依存から脱却する「エッジ AI」の転換点となる重要な出来事です。特にオーディオ分野での実用化成功は、クリエイターやエンタープライズがオフライン環境でも高品質なコンテンツを即座に生成できる新たなワークフローを確立し、AI 技術の普及速度を加速させるでしょう。
編集コメント
クラウド依存からの脱却と高速化という、実用面での大きな障壁を突破した画期的な連携です。特に「オフラインで秒速生成」が可能になる点は、クリエイティブワークフローやプライバシーが重視される現場での採用を劇的に後押しするでしょう。
主なポイント
私たちは Arm と提携し、モバイルデバイスに生成型オーディオをもたらすことで、インターネット接続を必要とせず、オンデバイスで高品質な音響効果やオーディオサンプルの生成を可能にしました。
Arm の KleidiAI ライブラリと Stability AI の最先端技術である Stable Audio Open を活用することで、Arm CPU 搭載のスマートフォンデバイス上で実行速度が 30 倍向上し、生成時間が数分から数秒へと短縮されました。
この画期的な成果は、2025 年 3 月 3 日（月）にバルセロナで開催される MWC で披露され、エッジにおける前例のない AI 駆動型コンテンツ作成の実証が行われます。本提携の詳細については、Built on Arm ページにてご覧いただけます。
本日、私たちは Arm とのパートナーシップを通じて、最先端の生成 AI モデルをより多くの人々が利用できるようにします。Arm の技術は、世界中のスマートフォンの 99% に搭載されています。Together, we have achieved what was once thought impossible by running Stable Audio Open, our industry-leading text-to-audio model, entirely on Arm CPUs without requiring an internet connection for the first time.
生成 AI が企業とプロのクリエイターの両方にとってますます不可欠なものとなる中、ビルダーが構築し、クリエイターが創作するあらゆる場所でモデルやワークフローを容易に利用可能にし、視覚メディア制作パイプラインへのシームレスな統合を提供することが極めて重要です。
この需要の高まりに伴い、エッジ（端末側）でモデルが効率的に動作することの確保が不可欠です。今回の協力により、音響効果、オーディオサンプル、制作要素を数秒間でオンデバイスかつオフラインで生成することが可能になります。
MWC バルセロナでは、エッジにおける生成メディアの実世界での応用例を紹介し、オンデバイスのテキストからオーディオへのモデルがどのようにして迅速かつ高品質なオーディオ生成を実現するかを実演します。
技術的進展
モバイルデバイス向けに Stable Audio Open を最適化する取り組みは当初大きな課題であり、Arm CPU 上での初期の音声生成には 240 秒を要していました。モデルの蒸留（distillation）と Arm のソフトウェアスタック、特に XNNPack を介した ExecuTorch 内の KleidiAI 由来の int8 matmul カーネル（行列乗算カーネル）を活用することで、Stability AI と Arm は Armv9 CPU 上で 11 秒分のクリップ生成時間を 8 秒未満に短縮し、応答速度を 30 倍向上させることに成功しました。
Stable Audio Open は完全に Arm CPU 上で動作するため、重厚なハードウェア要件なしで利用可能となり、互換性のあるモバイルデバイスを持つ誰でもアクセスできるようになりました。
今後の展望
音声生成は始まりに過ぎません。私たちは画像、動画、3D を含むすべての最先端モデルをエッジ（端末側）へ展開することを目指しています。Arm とのこのパートナーシップは、あらゆる視覚メディアモダリティにおいて高品質なメディア生成をモバイルデバイス上で直接可能にするための重要な一歩であり、視覚メディアの制作方法を変革するものです。
パートナーシップの詳細やデモについては、Built on Arm のウェブページ（here）でご覧いただけます。また、Arm パートナーカタログ内の Stability AI パートナーページ（here）もご参照ください。
今後の進捗状況については、X、LinkedIn、Instagram でフォローいただくか、Discord コミュニティにご参加ください。
原文を表示
Key Takeaways
We’ve partnered with Arm to bring generative audio to mobile devices, enabling high-quality sound effects and audio sample generation directly on-device with no internet connection required.
Leveraging Arm KleidiAI libraries and Stability AI’s cutting-edge technology, Stable Audio Open, can now run 30x faster on smartphone devices on Arm CPUs, reducing generation time from minutes to seconds.
This breakthrough will be showcased at MWC Barcelona on Monday, March 3rd, 2025, demonstrating unprecedented AI-powered content creation at the edge. You can learn about the partnership on the Built on Arm page here.
image
Today, we are making our cutting-edge generative AI models more accessible through our partnership with Arm, whose technology powers 99% of smartphones globally. Together, we have achieved what was once thought impossible by running Stable Audio Open, our industry-leading text-to-audio model, entirely on Arm CPUs without requiring an internet connection for the first time.
As generative AI becomes increasingly integral to both enterprises and professional creators alike, it's crucial that our models and workflows are easily accessible everywhere builders build and creators create, providing seamless integration into their visual media production pipelines.
With this rising demand, ensuring our models run efficiently at the edge is crucial. This collaboration enables generation of sound effects, audio samples, and production elements in seconds all on-device and offline.
At MWC Barcelona, we’ll showcase real-world applications of generative media at the edge, demonstrating how our on-device text-to-audio model enables rapid, high-quality audio generation.
Technical Advancements
Optimizing Stable Audio Open for mobile devices began as a significant challenge, with initial audio generation on an Arm CPU taking 240 seconds. By distilling the model and using Arm’s software stack, including the int8 matmul kernels from KleidiAI in ExecuTorch via XNNPack, Stability AI and Arm reduced the generation time for an 11-second clip to under 8 seconds on Armv9 CPUs, representing a 30x faster response time.
By running entirely on Arm CPUs, Stable Audio Open is now accessible without heavy hardware requirements, making it available to anyone with a compatible mobile device.
What’s Next
Audio is just the beginning. We aim to bring all of our cutting-edge models across image, video, and 3D to the edge. This partnership with Arm is a key step toward enabling high-quality media generation directly on mobile devices across all visual media modalities, transforming how visual media is created.
You can learn more about the partnership and view a demo on the Built on Arm webpage here and visit the Stability AI partner page here in the Arm partner catalog.
To stay updated on our progress follow us on X, LinkedIn, Instagram, and join our Discord Community.
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み