Röst och musik i samma tagning
Suno har lanserat Speech, en publik betaversion som genererar talade röster utifrån ett manus eller en beskrivning och kan lägga originalmusik under dem. Den körs i Sunos webb- och mobilappar.
Bolagets anspråk gäller arkitekturen snarare än röstkvaliteten. “I dag utvidgar vi vad som är möjligt i Suno med Speech: den första ljudmodellen som genererar röst och musik tillsammans som ett sammanhängande spår”, sade Jack Brody, Sunos produktchef, i beskedet. Vanliga kedjor syntetiserar talet och mixar sedan in en bädd under. Suno säger att dess modell gör båda i ett svep.
Bakgrundsmusiken är valfri och kan stängas av med ett reglage, så att bara talet blir kvar. Tanken, enligt bolaget, är att musiken ska passa innehållet: mjukt piano under en godnattsaga, stadiontrummor under ett peptal.
Hur den fungerar, och vad den inte gör
Det finns två lägen. Det enkla tar en beskrivning — Sunos exempel är “en piratkapten som eggar sin besättning” — och skriver och framför den. Det avancerade tar ett manus du själv skriver, med inställningar för röstens kön, talstilen och hur mycket variation som tillåts mellan genereringar. Ett enskilt Speech-klipp är som längst omkring åtta minuter.
Brody är ovanligt rättfram om läget. “Beta betyder verkligen beta”, sade han. “Ibland vandrar brittiska brytningar i väg till Australien och tillbaka. Dramatiska pauser kan bli väldigt dramatiska. Ni kommer nästan säkert att hitta användningar som vi aldrig tänkt på.”
Varför ett musikbolag säljer tal
Suno är en musikgenerator, och musikgeneratorn har dragit på sig en rad stämningar från rättighetshavare som menar att den tränats på deras inspelningar. Att breda ut sig mot talat ljud för produkten bortom den del av katalogen som ligger i domstol, och in på en marknad där konkurrenterna är allmänna röstbolag snarare än skivbolag.
Det landar också mitt i två trånga veckor. ElevenLabs släppte den 30 september en talarkitektur som tar regianvisningar. Microsoft kom på onsdagen med en strömmande transkriberingsmodell och två röstmodeller, med talsyntes prissatt till 22 dollar per miljon tecken. Fermion Research öppnade en transkriberingsmodell liten nog att köras på en bärbar dator.
Sunos särdrag är det enda ingen av dem gör: en röst och musiken under den genererade som ett enda objekt i stället för hopsatta av två. Om det spelar roll beror på om någon vill ha musiken. Reglaget som stänger av den är i den meningen produktens mest intressanta kontroll.
