# Stable Audio Open Small 音效教程：为开门镜头制作短声效

为一个 6 秒开门练习镜头生成短音效，再按动作点人工对齐，分清文生音频与视频理解。

## 本包身份

所有 reference 音轨是原创程序合成，旁白是 macOS Tingting 系统朗读，杯子/门是脚本绘制输入；头像是 AI 生成原创虚构成人。官方 driving.mp4 明确标源。未执行 Stable Audio 推理/账号生成，不包含伪造的模型成功音频或成片。

## 使用

1. 先播放镜头并写声音事件

door-input.mp4 是脚本绘制的原创开门练习片，cue.csv 标记门锁、开门和停稳动作。reference-foley.wav 是程序合成的点击/噪声参考，不是真实录音或 Stable Audio 生成结果。

2. 核对模型身份与访问条件

本题是官方 Stable Audio Open Small，不是 Stable Audio 3 或完整歌曲模型。模型卡写最大 11 秒、44.1kHz 立体声，英文描述更合适；需要接受模型访问和许可条件，工具库 MIT 不代表模型也 MIT。

3. 按模型卡准备 stable-audio-tools

在独立环境依官方要求准备 torch 与 stable-audio-tools，完成自己账号的模型访问。模型未获访问时停在这里，不在下载包内写 token，也不绕过门槛。本次没有下载该权重。

4. 描述声音本身，不要求隐藏视频功能

prompt.txt 写木门锁、缓慢吱呀、安静室内，无人声和音乐。run-stable-audio.py 调用官方文本音频接口；它不读取视频，不提供自动理解开门时间的功能。seconds_total=6 是本例目标而非同步保证。

5. 生成候选声效并另存

实际环境运行脚本输出 generated-foley.wav，检查不是静音、削顶或错误 HTML，再完整试听事件顺序。保留模型、版本、英文 prompt 和参数，不以程序参考声效顶替结果。

6. 按镜头动作人工对齐

将真实声效放入剪辑器，用 cue.csv 和实际门锁帧定位，必要时分段移动。看图对齐波形只是一部分，还要听点击/开门是否落在画面动作上；本页只提供原创输入与真实参考波形，没有模型成功结果。

```
# 在满足官方模型访问条件的独立环境运行
python run-stable-audio.py
python check.py --result generated-foley.wav
```

## 离线检查

`python check.py --self-test` 实读并校验输入与坏文件；真正软件输出后用 `python check.py --result 实际文件` 检查格式并人工回听/看图。结果与已知输入/参考完全相同时会拒绝，不能改名充当生成。格式通过不证明模型调用和内容质量。

## 来源

- https://huggingface.co/stabilityai/stable-audio-open-small
- https://github.com/Stability-AI/stable-audio-tools