Stable Audio 3をComfyUIで使う方法｜3モデルを実際に生成して検証

⚠️ 注意: AI画像生成時は著作権・肖像権にご注意ください。商用利用前には各サービスの利用規約をご確認ください。当ブログは生成された画像に関する責任を負いかねます。

要約

Stable Audio 3はStability AIが開発した音声・音楽生成AIモデルで、2026年5月にComfyUI v0.22.0へのネイティブ対応が発表されました。効果音向けの「Small-SFX」、BGM・ループ向けの「Small-Music」、長尺楽曲向けの「Medium」の3種類があり、商用ライセンス済みデータで訓練されている点が特徴です。この記事ではHuggingFaceからのモデルダウンロード・ComfyUIへの配置・テンプレート起動の手順と、各モデルで実際に生成した音声サンプルをまとめました。

はじめに

AI音楽生成ツールといえばSunoやUdioが有名ですが、ComfyUIでローカル動作できるモデルとなると、まだ選択肢が少ないんですよね。

そんな中、2026年5月にStability AIが「Stable Audio 3」を発表し、同日ComfyUI v0.22.0でネイティブサポートが追加されました。テンプレートから1クリックで起動できて、以前のStable Audio Open（最大47秒）から大幅に進化し、最大約6分20秒の楽曲が生成できます。

実際に動かしてどんな音が出るのかを確かめてみたので、まとめます。

Stable Audio 3とは

Stable Audio 3は、すべて商用ライセンス済みのデータで訓練されたテキスト→音声生成モデルです。前世代のStable Audio Open（最大47秒）と比べて生成長が大幅に伸びていて、音楽的な構成力も向上しています。

ComfyUI v0.22.0以上に標準搭載されているので、カスタムノードの追加なしでそのまま使えます。

モチベル

Stable Audio 3って商用OKなの？

クーラット

Stability AI Community Licenseの条件内なら商用利用できるよ。テキストエンコーダのT5-GemmaはGoogleのモデルだけど、Gemma ToUも商用OKで、有害用途の禁止が主な制限だね。

3つのモデルの特徴

モデル	ファイルサイズ	最大生成長	主な用途
Small-SFX	約2.3GB	2分（120秒）	効果音・アンビエンス・SE
Small-Music	約2.3GB	2分（120秒）	BGM・ループ・短い楽曲
Medium	約7GB	約6分20秒（380秒）	長尺楽曲・本格的な音楽制作

Small-SFXとSmall-Musicはモデルサイズが同じで、訓練データと得意な用途が異なります。まず試すならSmall-Musicからがおすすめです。Mediumは高品質なぶん、ダウンロードと生成に時間がかかります。

ライセンスについて

Comfy-Org版はStability AI Community Licenseの再配布条項に基づいて公開されていて、ライセンス同意なしでダウンロードできます。ダウンロード後の利用は同ライセンスに従う必要がありますが、個人・法人問わず年間収益100万ドル未満であればコミュニティライセンス（無料）で商用利用できます。生成したコンテンツの著作権は利用者に帰属します。年間収益100万ドル以上になった場合はEnterpriseライセンスへの切り替えが必要で、超過後にそのまま利用を続けるとライセンスが自動終了します。詳細はライセンス全文を確認してください。テキストエンコーダのT5-GemmaにはGemma Terms of Useが適用されますが、こちらも商用利用は可能で、有害コンテンツ生成・違法利用などの禁止用途が制限の中心になっています。

ComfyUIへの導入手順

ComfyUI v0.22.0以上が必要です。まだアップデートしていない場合は、ComfyUI Managerの「Update All」で最新版にしておいてください。ComfyUIのインストール自体がまだの場合はComfyUIインストールガイドを参照してください。

HuggingFaceからモデルをダウンロードする

ComfyUI用には Comfy-Orgが公式リパックしたファイルを使います。stabilityai/ 直ではなく Comfy-Org/stable-audio-3 リポジトリからDLするのが正しい手順です。ライセンス同意は不要で、HuggingFaceのアカウントがあればそのままDLできます。

チェックポイント（使いたいモデルを選んでDL）：

Small-Music（BGM・ループ向け）：checkpoints/stable_audio_3_small_music.safetensors — 約2.3GB
Small-SFX（効果音向け）：checkpoints/stable_audio_3_small_sfx.safetensors — 約2.3GB
Medium（長尺楽曲向け）：checkpoints/stable_audio_3_medium.safetensors — 約7GB

テキストエンコーダ（別途DLが必要）：

t5gemma_b_b_ul2.safetensors：Comfy-Org/stable-audio-3 の text_encoders/ 以下
qwen3.5_2b_bf16.safetensors：Comfy-Org/Qwen3.5 の text_encoders/ 以下

hfコマンドでまとめてDLするのが楽です。

# チェックポイント（例：Small-Music）
hf download Comfy-Org/stable-audio-3 \
  checkpoints/stable_audio_3_small_music.safetensors

# テキストエンコーダ（2つ）
hf download Comfy-Org/stable-audio-3 \
  text_encoders/t5gemma_b_b_ul2.safetensors

hf download Comfy-Org/Qwen3.5 \
  text_encoders/qwen3.5_2b_bf16.safetensors

モデルとテキストエンコーダをComfyUIに配置する

ダウンロードしたファイルを以下の構成で配置します。フォルダは不要で、checkpoints/ 直下にファイルを置くだけです。

ComfyUI/
└── models/
    ├── checkpoints/
    │   ├── stable_audio_3_medium.safetensors
    │   ├── stable_audio_3_small_music.safetensors  ← Small-Music
    │   └── stable_audio_3_small_sfx.safetensors    ← Small-SFX
    └── text_encoders/
        ├── t5gemma_b_b_ul2.safetensors             ← sa_clip（全モデル共通）
        └── qwen3.5_2b_bf16.safetensors             ← qwen_clip

テキストエンコーダは models/text_encoders/ に配置する点に注意してください。チェックポイントと場所が違います。

テキストエンコーダは models/text_encoders/ に入れます。

ComfyUIのテンプレートからワークフローを起動する

ComfyUIを起動（または再起動）して、左サイドバーのTemplateを開きます。カテゴリからAudioを選ぶと「Stable Audio 3」のテンプレートが表示されます。

テンプレートは「Stable Audio 3.0 Medium」と「Stable Audio 3.0 Medium Base」の2つがあります。Baseなしを選ぶのが正解です。

テンプレート	モデル	違い
Stable Audio 3.0 Medium	`stable_audio_3_medium.safetensors`	`use_reprompt` あり。duration・seed・category指定可。こちらを使います
Stable Audio 3.0 Medium Base	`stable_audio_3_medium_base.safetensors`	ファインチューニング前の素モデル。通常は使いません

テンプレートをクリックするとワークフローが読み込まれます。

ワークフローの基本設定：

モデル選択：読み込んだモデルフォルダを選択します
Prompt：生成したい音のテキスト説明を入力します
Duration（秒）：生成したい長さを秒単位で指定します

設定が完了したら「Queue」をクリックして生成開始です。

実際に生成してみた

各モデルで実際に生成した音声サンプルをまとめました。環境はRTX 3070 8GB、2回目以降（キャッシュ有）の計測値です。

モデル	生成時間	音声の長さ（最大）	速度感
Small-Music	約9〜15秒	90秒（最大120秒）	リアルタイムの6〜10倍速
Small-SFX	約5〜6秒	10〜30秒（最大120秒）	リアルタイムの5〜6倍速
Medium	約38〜86秒	150〜380秒（最大380秒）	リアルタイムの4倍速

Small-Musicで試してみた

まずSmall-Musicでいくつかのジャンルを生成してみました。RTX 3070 8GBで9〜15秒で生成できます。Mediumの約半分以下の速さですね。

Lo-fiヒップホップ系BGM（15.04秒で生成）

Lo-fi Hip Hop（Small-Music・90秒）

プロンプト: lo-fi hip hop, chill beats, relaxed mood, piano, vinyl crackle, 80bpm

シネマティック系（8.79秒で生成）

シネマティック（Small-Music・90秒）

プロンプト: cinematic, orchestral, emotional, strings, piano, building tension

ローファイらしい少しノイジーな質感が再現できていて、落ち着いた曲調でまったりできます。シネマティックはピアノの優しい旋律から始まり、オーケストラによる壮大な展開へと移っていきます。ヒーローが戦地に赴くような緊張感と高揚感がありますね。

Mediumで長尺トラックを試してみた

まずデフォルト設定（duration: 150秒）でトロピカルハウス系を生成してみました。

RTX 3070 8GB で 150秒の楽曲を約38〜48秒で生成できました。 初回47.95秒、2回目以降はモデルキャッシュが効いて37.85秒まで短縮できています。体感よりずっと速いんですよね。

Tropical House（Medium・150秒）

プロンプト: Tropical house track with marimba, steel drums, soft synths, smooth bass, layered percussion, and light piano riffs for sunny chill dance vibes

軽快な音楽とマリンバの旋律が心地いい仕上がりで、そのままBGMとして使えるクオリティでした。

日本語プロンプトでも生成できた

試しに日本語でプロンプトを書いてみたら、ちゃんとイメージ通りの音楽が生成できました。

ファンタジー民族音楽（Medium・150秒）

プロンプト: ファンタジー世界の穏やかな日常、民族楽器を使った軽快な音楽、明るく楽しい雰囲気

楽しげな音楽になっていて、ファンタジー世界に入り込んだようです。

戦闘曲も試してみました（40.06秒で生成）。

ファンタジー戦闘曲（Medium・150秒）

プロンプト: ファンタジー世界、戦闘曲、ドラムの重低音、エレキギター、シンバルのアクセント、緊張感のある旋律、BPM160

気持ちの昂るかっこいい戦闘曲になりました。楽器の指定を細かく追加するほど音色に幅が出てくるので、ゲームBGMを作りたい人には特におすすめです。

日本語プロンプトが使える

テキストエンコーダにQwen 3.5（多言語対応モデル）が使われているため、日本語のプロンプトでもそのまま生成できます。SunoやUdioと違って英語に翻訳しなくていいのは、地味に便利です。

use_reprompt 機能

ワークフローに use_reprompt というオプションがあります（デフォルト: ON）。入力プロンプトをモデルが内部で補完・整形してから生成する機能で、シンプルな書き方でも精度が上がりやすいです。reprompt_category で「Music」「SFX」など用途カテゴリを指定できます。

Small-SFXで効果音を試してみた

足音SE（6.31秒で生成 / duration: 10秒）

足音SE（Small-SFX・10秒）

プロンプト: footsteps on wooden floor, interior, realistic, close mic

雨のアンビエンス（5.34秒で生成 / duration: 30秒）

雨のアンビエンス（Small-SFX・30秒）

プロンプト: heavy rain, indoor atmosphere, ambient, no music

本当に階段を上っているような足音になっていて、SEとしてそのまま使えそうです。雨音はきれいな雨音に雷の音まで入っていて、再現度が高いですね。どちらも数秒で生成できるので、必要なSEをその場で量産できます。

プロンプトの書き方

ジャンル・楽器・ムード・テンポ・長さをコンマで並べると結果が安定しました。英語でも日本語でも動きます。

プロンプト構成の基本：

[ジャンル], [楽器/音色], [ムード], [テンポ/BPM]

用途別プロンプト例（英語）：

用途	プロンプト例
動画BGM（落ち着き系）	`lo-fi hip hop, piano, chill, relaxed mood, 80bpm`
ゲームSE（武器）	`sword slash, metallic, sharp, impact sound effect`
アンビエンス	`forest ambience, birds, wind, morning, peaceful`
シネマティック	`cinematic, orchestral, epic strings, emotional, building`
シンセウェーブ	`synthwave, retro, 80s, electronic, pulsing bass`

日本語プロンプト例：

用途	プロンプト例
ゲームBGM（ファンタジー・日常）	`ファンタジー世界の穏やかな日常、民族楽器を使った軽快な音楽、明るく楽しい雰囲気`
ゲームBGM（バトル）	`ファンタジー世界、戦闘曲、ドラムの重低音、エレキギター、シンバルのアクセント、緊張感のある旋律、BPM160`
和風アンビエンス	`日本の神社、静かな雰囲気、琴と尺八、穏やかな自然の音`

Duration（生成秒数）の指定

Small-MusicとSmall-SFXは最大120秒（2分）、Mediumは最大380秒（約6分20秒）です。390秒以上も生成はできますが末尾がぶつ切りになるため、380秒が実用上の上限です。長尺トラックでも380秒以内に収めるのがおすすめです。まず30〜90秒から試して、良い結果が出たら伸ばしていくといいと思います。

よくある疑問

QStable Audio 3は無料で使えますか？

モデル自体は無料でダウンロードできます。Comfy-Org経由であればライセンス同意も不要で、HuggingFaceのアカウントがあればそのままDLできます。商用利用についてはStability AI Community Licenseで詳細を確認してください。

QどのバージョンのComfyUIが必要ですか？

ComfyUI v0.22.0以上が必要です。ComfyUI Managerの「Update All」でComfyUI本体を最新版にアップデートすれば対応できます。

QGPUのVRAMはどれくらい必要ですか？

Mediumは RTX 3070 8GB（VRAM 8GB）で動作確認済みです。RTX 3070で150秒の楽曲が約48秒で生成できました。Small-Music・Small-SFXはより軽量なので、8GB以下でも動く可能性が高いです。CPUでも動作しますが、生成時間は大幅に長くなります。ローカルGPUがない場合はRunPodなどのクラウドGPUでも動作します。

Q生成した音声を商用利用できますか？

Stability AI Community Licenseの条件内であれば商用利用できます。年間収益100万ドル未満であればコミュニティライセンス（無料）で対応できます。生成したコンテンツの著作権は利用者に帰属します。テキストエンコーダのT5-GemmaにはGemma Terms of Useが適用されますが、こちらも商用利用は可能です。有害コンテンツの生成など禁止用途に抵触しなければ問題ありません。

Q前世代のStable Audio Openとどう違いますか？

最大生成長が約47秒から最大約6分20秒（Mediumの場合）へと大幅に伸びました。音楽的な構成力も向上していて、より長く一貫した楽曲が生成できます。また、商用ライセンス済みデータで訓練されている点も改善されています。