Suno 上線 Speech 測試版：一段提示詞同時生成語音與背景音樂

如果你平時試過給一段文字配上人聲和背景音樂，就會知道這事有多繁瑣。你得先去配音工具裡生成語音，再去挑一首不踩版權的背景音樂，最後扔進剪輯軟體裡慢慢調音量、對節奏。

做 AI 音樂成名的 Suno 想把這個流程直接壓縮成一步。10 月 1 日，Suno 正式上線了名為 Speech 的公開測試版功能，直接整合在網頁和移動端，面向所有使用者開放。

一邊說話，一邊把背景音樂也配好了

Speech 最大的特點，是把聲音旁白和背景音樂合在了一起。官方稱這是首個能將人聲與配樂作為完整音軌同步生成的音訊模型。

你在框裡輸入一段詩歌、聊天記錄或者自己寫的文案，再描述想要的語氣和配樂風格，系統就會一次性吐出帶配樂的成片。如果你只想要純淨的人聲，也可以手動關閉背景音樂開關。

介面裡分了兩種模式。簡單模式直接打提示詞就行，比如輸入一句「鼓舞船員的海盜船長」，它就會自己構思臺詞和音效。

進階模式則允許你貼上長篇臺詞文本，還能調節人聲性別、說話風格以及生成的隨機變化幅度。單次生成的音訊時長最長可以達到 8 分鐘左右。

Suno 首席產品官 Jack Brody 坦言，既然叫 Beta，就說明它還沒那麼成熟。比如系統裡的英音偶爾會莫名其妙飄成澳大利亞口音，或者朗讀時的停頓會顯得過於做作和誇張。

在這之前，Suno 內部做了一個月的內測。團隊發現大家除了拿來做冥想引導、給孩子讀睡前故事，更多是在搞怪，比如給普通的微信語音配上史詩交響樂，或者把朋友發來的日常吐槽讀出莎士比亞戲劇的悲壯感。

為什麼重要

在文字轉語音這個賽道里，DeepMind 早在十年前就開始做深度學習合成，Adobe 有現成工具，2023 年殺出來的 ElevenLabs 更是把高保真音色做成了行業標杆。Suno 作為一個寫歌起家的平臺，跑來做配音，我們認為這是一次非常聰明的差異化切入。

它沒有選擇去跟 ElevenLabs 硬拼誰的聲音克隆更逼真，而是發揮了自家的長板，把「人聲 + 編曲」打包端上來。對於短影片博主、自制睡前故事的家長、播客片頭製作者來說，最大的痛點往往不是語音不夠逼真，而是配樂與語音情緒不搭、混音耗時費力。現在只要一句提示詞就能生成自帶氛圍感的成品，使用門檻被砸得極低。

不過，它現在的侷限也很明顯。8 分鐘的上限加上口音和停頓不穩定，意味著嚴肅的商業配音或專業有聲書製作還指望不上它，目前更像是一個適合輕量創作和朋友間惡搞的娛樂工具。

從商業角度看，Suno 正在面臨唱片行業的版權訴訟壓力。在音樂主線頂著巨大法律風險的當下，把觸角伸向配音和有聲敘事，看起來也是它在尋找第二增長曲線、降低單一賽道風險的防禦動作。