Suno 上线 Speech 测试版：一段提示词同时生成语音与背景音乐

如果你平时试过给一段文字配上人声和背景音乐，就会知道这事有多繁琐。你得先去配音工具里生成语音，再去挑一首不踩版权的背景音乐，最后扔进剪辑软件里慢慢调音量、对节奏。

做 AI 音乐成名的 Suno 想把这个流程直接压缩成一步。10 月 1 日，Suno 正式上线了名为 Speech 的公开测试版功能，直接集成在网页和移动端，面向所有用户开放。

一边说话，一边把背景音乐也配好了

Speech 最大的特点，是把声音旁白和背景音乐合在了一起。官方称这是首个能将人声与配乐作为完整音轨同步生成的音频模型。

你在框里输入一段诗歌、聊天记录或者自己写的文案，再描述想要的语气和配乐风格，系统就会一次性吐出带配乐的成片。如果你只想要纯净的人声，也可以手动关闭背景音乐开关。

界面里分了两种模式。简单模式直接打提示词就行，比如输入一句「鼓舞船员的海盗船长」，它就会自己构思台词和音效。

进阶模式则允许你粘贴长篇台词文本，还能调节人声性别、说话风格以及生成的随机变化幅度。单次生成的音频时长最长可以达到 8 分钟左右。

Suno 首席产品官 Jack Brody 坦言，既然叫 Beta，就说明它还没那么成熟。比如系统里的英音偶尔会莫名其妙飘成澳大利亚口音，或者朗读时的停顿会显得过于做作和夸张。

在这之前，Suno 内部做了一个月的内测。团队发现大家除了拿来做冥想引导、给孩子读睡前故事，更多是在搞怪，比如给普通的微信语音配上史诗交响乐，或者把朋友发来的日常吐槽读出莎士比亚戏剧的悲壮感。

为什么重要

在文字转语音这个赛道里，DeepMind 早在十年前就开始做深度学习合成，Adobe 有现成工具，2023 年杀出来的 ElevenLabs 更是把高保真音色做成了行业标杆。Suno 作为一个写歌起家的平台，跑来做配音，我们认为这是一次非常聪明的差异化切入。

它没有选择去跟 ElevenLabs 硬拼谁的声音克隆更逼真，而是发挥了自家的长板，把「人声 + 编曲」打包端上来。对于短视频博主、自制睡前故事的家长、播客片头制作者来说，最大的痛点往往不是语音不够逼真，而是配乐与语音情绪不搭、混音耗时费力。现在只要一句提示词就能生成自带氛围感的成品，使用门槛被砸得极低。

不过，它现在的局限也很明显。8 分钟的上限加上口音和停顿不稳定，意味着严肃的商业配音或专业有声书制作还指望不上它，目前更像是一个适合轻量创作和朋友间恶搞的娱乐工具。

从商业角度看，Suno 正在面临唱片行业的版权诉讼压力。在音乐主线顶着巨大法律风险的当下，把触角伸向配音和有声叙事，看起来也是它在寻找第二增长曲线、降低单一赛道风险的防御动作。