Voz y banda sonora en una sola toma
Suno ha lanzado Speech, una beta pública que genera voces habladas a partir de un guion o de una descripción y puede ponerles debajo música original. Funciona en las aplicaciones web y móviles de Suno.
La afirmación de la compañía es sobre la arquitectura, no sobre la calidad de la voz. “Hoy ampliamos lo que es posible en Suno con Speech: el primer modelo de audio que genera voz y música juntas como una sola pista cohesionada”, dijo en el anuncio Jack Brody, director de producto de Suno. Las cadenas convencionales sintetizan el habla y luego mezclan una base por debajo. Suno dice que su modelo produce ambas en una sola pasada.
La música de fondo es opcional y se puede desactivar con un interruptor, dejando solo la voz.
Cómo funciona y qué no hace
Hay dos modos. El simple toma una descripción —el ejemplo que da Suno es “un capitán pirata arengando a su tripulación”— y la escribe y la interpreta. El avanzado toma un guion propio, con ajustes para el género de la voz, el estilo del habla y cuánta variación permitir entre generaciones. Una pieza de Speech dura como máximo unos ocho minutos.
Brody es inusualmente franco sobre su estado. “Beta significa beta de verdad”, dijo. “A veces, los acentos británicos se van a Australia y vuelven. Las pausas dramáticas pueden ser muy dramáticas. Casi con seguridad descubriréis usos que a nosotros no se nos ocurrieron.”
Por qué una empresa de música vende habla
Suno es un generador de música, y su generador de música ha atraído una serie de demandas. Ampliarse al audio hablado lleva el producto más allá de la parte del catálogo que está en los tribunales, y lo mete en un mercado cuyos competidores son empresas de voz de propósito general y no discográficas.
También aterriza en una quincena abarrotada. ElevenLabs presentó el 30 de septiembre una arquitectura de habla que acepta indicaciones escénicas. Microsoft lanzó el miércoles un modelo de transcripción en flujo y dos modelos de voz, con la voz sintética a 22 dólares por millón de caracteres. Fermion Research liberó un modelo de transcripción lo bastante pequeño para correr en un portátil.
Lo que diferencia a Suno es lo único que ninguno de esos hace: una voz y la música de debajo generadas como un solo objeto y no ensambladas a partir de dos. Si eso importa depende de si alguien quiere la banda sonora. El interruptor que la apaga es, en ese sentido, el control más interesante del producto.
