Suno 推出 Speech 公开测试：语音与配乐一次生成，web 与移动端已上线

AI 音乐公司 Suno 在 10 月 1 日发布的与中宣布，Speech 功能进入公开测试（public beta）：用户输入脚本或提示词，就能生成口语语音，同时得到与之搭配的背景音乐；版本说明写明“Speech 已在 web 与移动端上线”。称，Suno 由此把产品从 AI 音乐扩展到了语音生成。

“音乐将始终是 Suno 和我们所做一切的核心。与此同时，我们的愿景一直延伸到人类表达的其他形式，”Suno 首席产品官 Jack Brody 在公告中说，“今天，我们通过 Speech 拓展 Suno 里的可能性：这是首个把语音和音乐作为同一条连贯音轨一起生成的音频模型。”

（图源：Suno）

从 Create 进入：两种模式，一个配乐开关

The Verge 在报道中写明了使用步骤：进入 Suno 的 Create 标签页，选择 Speech 选项。功能有两种模式：Simple 模式在提示框里描述想要的内容，报道举的例子是“一个正在召集船员的海盗船长”（a pirate captain rallying his crew）；Advanced 模式则允许直接添加自定义脚本，前提是你已经确定要它说什么。Advanced 设置还可以调整 AI 声音的性别、说话风格，以及每次生成的人声变化幅度。单条 Speech 最长约 8 分钟。

配乐可以关掉。如果只想要干净的人声，用开关关掉背景音乐即可；Suno 的设想是让配乐配合不同的口播场景：给诗歌一段安静的音乐，给戏剧化旁白和鼓劲演讲一段更有活力的音乐。据，Speech 使用 Suno 现有的积分方案。

一次生成，停顿与配乐一起成形

Speech 生成的是语音与配乐同在的一条音轨。Suno 称两者是在同一次生成里一起形成的；AlphaSignal 把传统流程拆得更细：旁白音频通常先用文本转语音模型生成人声，再在数字音频工作站里加音乐，之后还要逐个调整音量闪避、停顿、速度、转场和情绪提示，让两条轨道对齐。Speech 把这些元素合并进同一次生成，旁白的停顿可以直接对上音乐的转换，人声强度的变化也可以和配乐的起伏同步；AlphaSignal 认为，对不需要精确、可复用时间轴的短音频来说，成功的生成可以减少剪辑工作量。

版本说明给出的场景例子包括：柔和钢琴上的睡前故事、体育场鼓点下的鼓劲演讲、ASMR 风格的购物清单。

一个月内测之后，向所有用户开放

“过去一个月，我们在一小群用户中测试 Speech。现在，我们把 beta 开放给所有人。”Suno 在博客里写道。开发过程中，Suno 的团队把朋友的短信做成过度制作的戏剧朗读，给普通语音消息配上过分宏大的配乐，也做冥想、诗歌、打气讲话和给孩子的睡前故事。Suno 把这类创作称为“creative entertainment”（创意娱乐），并认为它将定义下一波消费技术。

语音生成早有 ElevenLabs，Suno 刚刚入场

The Verge 写道，AI 语音并不是新东西：DeepMind 研究深度学习语音合成已有十年，Adobe 有文本转语音工具，ElevenLabs 自 2023 年推出以来，已经成为这方面最知名的平台之一。它认为，Suno 入场很可能是为了让平台多元化，并提到 Suno 的音乐生成器已经招来许多诉讼；同时指出，把 AI 音乐和生成语音配在一起，是 Suno 对文本转语音工具的差异化处理。

The Verge 为这则报道配的分享摘要，把这次扩张写得更直白：“Suno 把目标对准了 ElevenLabs 的业务”（Suno is coming for ElevenLabs' gig）。

Suno 自己列出的 beta 问题：口音漂移、停顿夸张

The Verge 的报道还提到，Suno 承认这个功能还远算不上完美。Brody 在公告里把问题列得更具体：“Beta 真的就是 beta。偶尔，英式口音会飘去澳大利亚再飘回来；戏剧性的停顿可能会非常戏剧性。你几乎一定会发现我们从未想到的用法。这正是重点。我们会持续改进 Speech：了解人们喜欢什么、哪些还不太行、社区接下来想做什么。”

参考链接

（The Verge，2026 年 10 月 2 日）
（Suno 博客，2026 年 10 月 1 日）
（Suno，2026 年 10 月 1 日）
（AlphaSignal）