Stability AIとArmがスマートフォン向けオンデバイス生成音声を実現

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サウンドエフェクト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デモンストレーションが行われます。提携の詳細については、こちらで「Built on Arm」ページをご覧ください。 ![image](https://images.squarespace-cdn.com/content/v1/6213c340453c3f502425776e/5e3fa612-f250-4264-992c-7b9dd6c1d92b/Blog+Header+16x9.PNG?format=1000w) 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者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。しかし、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、応答速度を約 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。この Arm と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そのもの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、Arm パートナーカタログ内の Built on Arm ウェブページ（こちら）でご覧いただけます。また、Stability AI のパートナーページ（こちら）も併せてご参照ください。 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。

Stability AIとArmがスマートフォン向けオンデバイス生成音声を実現

背景や根拠まで確認しますか？

調べる

選ぶ

サイト