Speech – AI音乐平台Suno推出一体化语音音频生成模型

AI 音乐制作平台 Suno 正式上线 Speech，采用端到端音频生成架构，同步生成人声旁白与配套背景音乐，输出完整连贯的单条音轨。传统语音音频制作，需要分开生成语音和配乐，后期再做对齐混音，繁琐操作容易出现节奏错位。Speech 将人声朗读和背景音乐融合在同一轮生成流程，用户仅输入文本脚本与风格描述，就能直接得到带配乐的旁白音频，最长可生成 8 分钟音频内容，目前开放公开测试版本，网页端与移动端均可直接使用。

Speech特点

语音和背景音乐作为统一音轨生成，不用后期手动对齐剪辑。

内置大量音色预设，可调整说话风格、性别特征。

提供两种创作模式，简易模式依靠描述词生成，高级模式支持粘贴完整脚本。

支持关闭背景音乐，只输出纯人声旁白。生成速度快，输入指令后短时间返回成品音频。

测试阶段存在口音漂移、情感停顿不稳定的现象。

Speech技术原理

基于音频大模型的序列生成架构，把文本提示词映射成全频段音频 token。

模型同时学习人声韵律、咬字发音和乐器旋律节奏，在同一个生成空间内协同渲染两种音频信号。

不拆分语音生成与音乐生成两个独立模块，在解码阶段同步输出人声波形与伴奏波形，自动完成音量平衡与节奏匹配，最后合并为单一音频文件输出。

Speech功能

文本转旁白，输入脚本生成具备情绪起伏的人声朗读。

配套背景音乐同步生成，音乐风格跟随旁白主题匹配。

纯语音模式，关闭伴奏只保留人声。自定义音色参数，调整说话语气、语速。

批量生成多版本音频，挑选效果最优的片段。

导出成品音频文件，直接用于内容剪辑。

Speech应用场景

短视频旁白与背景音乐一体化制作，播客节目片段快速创作

有声故事与诗歌朗读音频产出，品牌宣传口播音频制作

课程讲解配音素材生成，游戏剧情旁白音频制作。

Speech如何使用

打开 Suno 网页端或者移动端应用，找到 Speech 功能入口。

选择简易模式或者高级模式，在输入框粘贴脚本或者填写创作描述。

填写音色、语言、音乐风格相关描述，按需开启或关闭背景音乐。

提交任务等待模型运算，生成多组音频结果。

在线试听各个版本，挑选符合预期的音频。

完成音频下载，保存文件用于后续内容制作。

Speech同类产品对比

表格