你正在剪辑新一期的播客，脚本写好、录音完毕，就差一段不抢戏但又有氛围感的背景音乐。你打开免版税音乐网站，听了上百首——不是情绪不对，就是节奏不对。到最后随便拖了一段垫上，自己都觉得有点凑合。如果有一款工具可以根据你当下的情绪，直接在本地生成独一无二的背景乐呢？
Stable Audio 3 Medium（一种文字转音频模型）就是为此而生的。它只有 23 亿参数，却能把几句描述转成一段 30 秒的高质量音频——从“轻快的吉他指弹，咖啡馆背景”到“悬疑氛围的电子音景，缓慢铺底”，都能在消费显卡甚至部分 CPU 上跑起来。接下来，我们看看如何三步为播客量身定制一首背景乐。
第一步：装好引擎
Stable Audio 3 以 Diffusers 管道的形式发布。确保你有一块至少 8GB 显存的 GPU——虽然纯 CPU 也能推理，但一张 RTX 3060 可以让你在 15 秒内出结果。安装就两条命令：
pip install torch diffusers transformers accelerate
这会拉取所有依赖。因为模型源自 Hugging Face，你可能需要先登录 huggingface-cli 并接受 Stable Audio 3 的使用条款（个人非商业用途免费）。
第二步：像写分镜脚本一样写提示词
这是决定音频风格的关键。模型理解自然语言描述，你不需要记住复杂的参数标签。一个有效的提示词通常包含三个要素：乐器/音色 + 情绪与节奏 + 场景用途。
例如，一期关于“早期互联网文化”的单口播客，我会这样写：“A warm lo-fi hip hop instrumental with vinyl crackle, relaxed tempo, nostalgic feel, suitable for podcast background”
如果想生成带有轻微悬疑感的访谈垫乐，则可以写：“Minimalist ambient drone, dark but not scary, slow evolving pads, subtle piano, underscore for dialogue”
中文提示也部分支持，但英文在训练数据中占比更高，风格控制更精确。建议先把想法写成简单的英文短句。
第三步：一条代码输出音频
下面这段 Python 脚本把上述两步串起来。它会下载模型（约 5GB，首次运行需几分钟），然后生成一段 30 秒、44100Hz 的立体声音频，并保存为 podcast_bg.wav。
import torch
from diffusers import StableAudioPipeline
pipe = StableAudioPipeline.from_pretrained(
"stabilityai/stable-audio-3-medium",
torch_dtype=torch.float16 if torch.cuda.is_available() else torch.float32
)
pipe = pipe.to("cuda" if torch.cuda.is_available() else "cpu")
prompt = "A warm lo-fi hip hop instrumental with vinyl crackle, relaxed tempo, nostalgic feel, suitable for podcast background"
audio = pipe(prompt, num_inference_steps=50, audio_length_in_s=30.0).audios[0]
import scipy.io.wavfile as wav
wav.write("podcast_bg.wav", rate=44100, data=audio.T)
print("背景乐已保存")
num_inference_steps 控制迭代步数，50 步在不损失太多细节的前提下平衡速度；audio_length_in_s 最长可设为 30 秒，足以匹配多数播客的段落长度。
这意味着什么：告别版权焦虑与创意妥协
过去，独立播客主要么在免费音乐库反复试听，要么花钱购买商业授权——后者按单曲授权或按月订阅，一年下来少则几百、多则上千元。更麻烦的是，找到一条“既不喧宾夺主又贴合本期调性”的音乐，很大程度上靠运气。
Stable Audio 3 的生成速度与质量，把这个流程压缩到了几分钟以内。在 RTX 3060 上，一段 30 秒音频从输入提示到输出文件大约 12 秒；改用 A10G 这类推理优化卡，可以跑进 6 秒。这意味着你甚至可以在剪辑软件里直接调接口，“实时”试听并迭代表现力。
需要诚实的地方是：它不是万能的“音乐工厂”。模型生成的音频带有一定的合成质感，在极复杂的多乐器编曲、精准模仿特定风格（如“肖邦式的夜曲”）上仍有明显短板。但它极其擅长氛围铺底、lo-fi 节拍、简单钢琴段落、电子音景这些播客中最常用的背景类型。另一个局限是时长固定为 30 秒，如果需要更长，可以通过交叉淡入淡出拼接或多次生成来扩展，只是音乐连贯性会打一些折扣。
对于“我有话要说，但差一点声音”的创作者而言，Stable Audio 3 更像一个随时在线的氛围音效伙伴。它不是要取代作曲家，而是让那些没有作曲条件的人，也能用文字描述瞬间把脑中的听觉想象变成实实在在的音频。你的下一期播客，或许可以试一次。