Suno’s Speech Beta Pushes AI Audio Beyond Songs Into Narrated Soundtracks

Suno 的 Speech Beta 将 AI 音频推向超越歌曲的叙事声轨领域

https://ift.tt/aqWUHIk

Suno 因将简单文本提示转化为完整歌曲而闻名。现在，该公司也希望为朗读文字定下乐谱。10 月 1 日，Suno 对 Speech 开放公共测试版，这是一项新能力：在同时创作原始背景音乐以伴随朗读脚本或 prompted ideas 的同时，生成合成语音。结果作为一个统一的音轨呈现，而不是后来拼接的叙述与乐谱。

Suno 的首席产品官 Jack Brody 将这一目标直白地表达：“音乐将始终是 Suno 及其产品的核心。与此同时，我们的愿景一直扩展到人类表达的其他形式，”他在公司公告中表示。“今天，我们通过 Speech 扩大了 Suno 的可能性：第一款在同一音轨中同时生成声音与音乐的音频模型。”（Suno 博客）

时机似乎经过深思熟虑。在此前数周的 9 月 9 日，Suno 已发布 v6 音乐模型，承诺更快的生成速度、更高的质量，以及对歌曲创作者的更严格控制。Speech 在此基础上延续势头。在公司花了一月时间让一小部分用户测试该功能后才正式向所有人开放。目前，任何拥有 Suno 账户的人都可以在网页、iOS 或 Android 上试用。Beta 真正意味着测试阶段，公司的强调点是口音有时会偏移、停顿比预期更长等小毛病。然而，Suno 指出这些特征也可能激发出意想不到的创造力。

用户从 Create 标签进入并选择 Speech。分为两条路径。简单模式输入简短描述。“一名海盗船长召集船员”可能会同时生成剧本文字和逐渐高涨的管弦乐伴奏。高级模式接受完整自定义脚本。在那里，创作者可设定声音性别、说话风格以及跨代际的变化程度。曲目时长上限约八分钟，足以用于短篇故事、引导冥想或产品演示。音乐默认开启，但可通过开关关掉，输出纯语音。（The Verge）

在内部测试中，Suno 团队发现自己会被朋友文本信息的戏剧性朗读配上史诗级配乐而笑出声来。他们把普通的语音笔记变成了具备电影感的作品。睡前故事、士气激励、诗歌，甚至是购物清单的 ASMR 版本层出不穷。公司为安静时刻列出钢琴、为鼓舞人心的演讲列出体育场级鼓点。Brody 在文中表示，核心在于发现。用户将发现开发者们从未设想的应用。反馈将塑造未来的发展方向。

这一举措使 Suno 进入了一个竞争激烈的领域。ElevenLabs 多年来一直在打磨具表现力的文本转语音与声音克隆技术。Adobe、Google DeepMind 等也提供各自的叙事工具。然而极少数能够在单一生成中将口语输出与动态生成的音乐紧密结合。Speech 并不像 Suno 早前的 Voices 功能那样克隆用户声音，该功能在去年三月的 v5.5 更新中引入。它会根据提示创建新的合成说话人。这一区别对担心未经授权的相似声音的权利人而言尤为重要。

Suno 的快速迭代能力尤为突出。公司在 v5.5 版本中引入了声音克隆、基于用户作品训练的自定义模型和个性化口味档案。随后推出 Studio 2.0，更大范围的浏览器工作站。随后是 v6。Speech 仅在九月发布后的三周便推出。根据联合创始人 Mikey Shulman 的说法，截至十月初，年度经常性收入超过 3 亿美元，订阅用户超过两百万。如此增长为大胆的产品跃进提供资金支持。（Crypto Briefing）

但问题仍然存在。Speech 生成音频的商业条款在初步说明中尚不清楚。Suno 曾因据称在受版权保护的材料上进行训练而遭到主要唱片公司的诉讼。Speech 如何处理受版权保护的文本或与现有声音的相似之处，可能引发新的审查。公司表示将基于用户反馈改进模型。英国口音向澳大利亚演变的现状就是一个生动例证。过于戏剧化的停顿也是一个限制。X 上的早期测试者已经在尝试对情感进行塑形，在 Suno 的原生输出之上增加额外指导以引导语气和节奏。

行业观察人士认为其影响更广。曾经需要雇佣叙述者和作曲家的内容创作者现在可以在几分钟内完成原型制作。播客主持人测试节目前言。市场营销人员构想视频配音。教育工作者使用叙事课程搭配微妙的音乐底音。门槛降低，成本也下降。然而输出仍带有机器生成的特征：偶有不自然的措辞、情感弧线不稳定、在微观层面缺乏人类表演的那种微小瑕疵。

因此，Suno 的定位不仅是一个音乐引擎，更是一个通用的音频创作平台。音乐仍然是核心。公司反复强调这一承诺。Speech 只是让范围更广。它将口语表达视为另一种形式，亦能从音乐语境中受益。该模型学会让两种元素一起呼吸，而不是彼此叠加在一起。

在 X 上的早期反应从务实的热情到哲学层面的辩论不等。部分创作者看到即时的工作流提升，利于快速制作语音解说和朗读。也有人在追问来源问题：当文本来自人类脚本、声音来自模型、音乐又来自同一代生成过程时，谁拥有表演权？DDEX 和 C2PA 等标准旨在向下追踪这类细节，但它们并不能覆盖提示过程中的人类引导。

Suno 承认尚存粗糙之处。团队邀请用户打破常规并报告有效之处。这个立场与公司早期发布时的态度相呼应。每一个版本的改进都来自于创作者推动工程师未曾预料的边界。Speech 也可能走上同样的路。一个让孩子入睡的 bedtime 故事。一个真正能激励团队的 hype 演讲。一个出人意料地有力的诗歌朗读。或者，没错，一个以某种方式促使人们购买的 ASMR 购物清单。

Beta 仍然依赖现有的信用计划运行。尚未公布新定价。移动应用的更新会直接提供该功能。对于仍在挣扎于生成性音频的经济学与伦理学的行业，Suno 的最新动态既是实用工具，也是挑衅。它在问，当歌曲、叙述与原声带之间的界线在同一个模型内被消融时，会发生什么。未来的答案将来自于在接下来几周里测试其极限的人们。

最近的报道突出了竞争角度。Suno 进入了一个逐渐成熟的文本转语音市场，那里专业人士已经提供高保真声音。与音乐生成的集成目前使其与众不同。对手如何快速响应，可能决定 Speech 是否会成为一个小众实验，还是成为 Suno 覆盖范围的持久扩张。（Superintelligence News，更新于 2026 年 10 月 3 日）

HI-FI News

via WebProNews https://ift.tt/m2Dg36J

2026 年 10 月 3 日 21:31 更新

October 3, 2026 at 09:31PM