Архитектурно это всё таки Stable Audio 2.0 с DiT трансформером, но в качестве текстового энкодера у неё T5, не CLAP, как у финальной модели.

  Это полная потративка, ни чего скачивать больше не нужно, раcпаковываем и запускаем run.bat

  Первый запуск и генерация немного дольше. Особых чудес как от Suno или Udio не ждите.

  Благодарность сюда.