AI mūzikas platforma Suno paplašina savas iespējas ārpus dziesmu ģenerēšanas, ieviešot Speech — funkciju, kas rada runātu balsi pēc lietotāja apraksta vai iepriekš sagatavota skripta. Tā vienlaikus var pievienot arī mākslīgā intelekta radītu fona mūziku.

Speech pašlaik pieejama publiskajā beta versijā Suno tīmekļa un mobilajās platformās. Fona mūzika nav obligāta — lietotājs to var izslēgt, ja nepieciešams tikai tīrs runas ieraksts. Suno piedāvā izmantot mierīgu pavadījumu dzejoļiem vai enerģiskāku skaņu celiņu dramatiskiem balssierakstiem un uzmundrinošām runām.

Balss un mūzika vienā audioierakstā

“Mūzika vienmēr būs Suno un visa, ko mēs veidojam, centrā. Vienlaikus mūsu vīzija vienmēr ir sniegusies arī līdz citām cilvēka pašizpausmes formām,” paziņojumā sacīja Suno produktu direktors Džeks Brodijs. Viņš norādīja, ka Speech ir pirmais audio modelis, kas balsi un mūziku ģenerē kopā kā vienotu skaņdarbu.

AI ģenerēta runa pati par sevi nav jauna tehnoloģija. DeepMind ar dziļās mašīnmācīšanās runas sintēzi eksperimentē jau aptuveni desmit gadus, Adobe piedāvā teksta pārveidošanas runā rīku, bet ElevenLabs kopš darbības sākuma 2023. gadā kļuvusi par vienu no atpazīstamākajām platformām šajā jomā.

Suno risinājums atšķiras ar mēģinājumu apvienot teksta pārveidošanu runā ar AI mūzikas ģenerēšanu. Šis solis, visticamāk, saistīts arī ar platformas centieniem dažādot piedāvājumu laikā, kad tās mūzikas ģenerators saskāries ar vairākām tiesvedībām.

Divi darbības režīmi un līdz astoņām minūtēm

Lai izmantotu Speech, Suno sadaļā “Create” jāizvēlas opcija “Speech”. Vienkāršajā režīmā Simple lietotājs apraksta vēlamo rezultātu norāžu laukā, piemēram, “pirātu kapteinis iedvesmo savu komandu”. Uzlabotais režīms Advanced ļauj ievadīt konkrētu skriptu, ja lietotājs jau zina, kas tieši ierakstā jāpasaka.

Advanced iestatījumos iespējams mainīt AI balss dzimumu, runas stilu un dažādības līmeni starp atsevišķām ģenerēšanas reizēm. Viena Speech ieraksta maksimālais ilgums ir aptuveni astoņas minūtes.

Suno atzīst, ka funkcija vēl nebūt nav perfekta, un sola to turpināt uzlabot, ņemot vērā lietotāju atsauksmes. “Beta patiešām nozīmē beta,” sacīja Brodijs. Viņš brīdināja, ka britu akcents reizēm varot aizklīst līdz Austrālijai un atgriezties, bet dramatiskās pauzes dažkārt kļūstot pārāk dramatiskas. Pēc viņa teiktā, lietotāji, visticamāk, atradīs Speech izmantošanas veidus, par kuriem izstrādātāji sākotnēji nebija iedomājušies.