将语音与音乐作为单一连贯音轨共同生成，AI 音乐制作平台 Suno 推出 Speech 语音功能
AI 总结• 10月1日，AI音乐制作平台Suno正式推出Speech语音功能，宣称是业界首个能将语音与音乐作为单一连贯音轨共同生成的音频模型。
• 该功能采用端到端一体化生成技术，无需像传统工作流那样先TTS再拼接BGM，目前已结束小范围测试并面向所有人开放公测。
• 用户只需在Suno中输入灵感、诗歌或文字，并描述音色与音乐风格，即可一键生成融合“语音朗读+原创BGM”的音频。
• 官方指出当前Beta版存在不足，包括偶发口音不稳定（如英音漂移至澳音）以及语调情感停顿过于戏剧化、断句节奏过慢等问题。
IT之家 10 月 3 日消息，当地时间 10 月 1 日，AI 音乐制作平台 Suno 宣布推出 Speech，Suno 宣称这是业界首个能够将语音与音乐作为单一连贯音轨共同生成的音频模型。
https://img.ithome.com/newsuploadfiles/2026/10/90ae17d2-6815-4cf3-9f31-b3981ccf4d44.jpg?x-bce-process=image/format,f_auto
【技术特点：端到端一体化生成】
据悉，该模型并非像传统
[来源链接] https://www.ithome.com/1/009/440.htm 确实，端到端生成比以前先做TTS再找BGM拼接方便太多了，Suno这次的技术路线确实让人眼前一亮。不过官方提到的口音漂移和断句过慢的问题，也是目前AI语音生成的通病，情感控制如果太戏剧化听起来会很出戏。希望后续版本能增加对语速和情感强度的微调选项。另外想问问大家，目前这个公测版对中文长文本的朗读效果怎么样？有没有试过的朋友分享一下？ 不太认同“业界首个”这种说法，之前也有不少 TTS 模型在合成时直接叠加背景音乐，只是没这么宣传而已。而且从官方自曝的问题看，口音漂移、断句过慢、情感过于戏剧化，说明端到端一体化在可控性上反而不如先语音后配乐的方案稳。要是给播客或有声书用，配乐喧宾夺主、节奏拖沓是硬伤。我觉得现阶段它更适合做短音频 demo，真正想落地还是得给语音、音乐分轨控制的入口，不然实用性有限。 端到端一体化生成确实是这条消息里最值得关注的点，传统做法先跑 TTS 再拼 BGM，语速、停顿和音乐节拍很难对齐，出来总有点"两张皮"的感觉。Suno 直接把语音和音乐当成一个音轨建模，理论上节奏和情绪能更统一，做有声诗、播客片头或者短视频旁白会省不少事。不过 Beta 阶段口音漂移和断句偏慢的问题也挺影响成品的，希望后续能加语速、情绪强度的细调参数，不然戏剧化过头反而显得假。有人已经上手试了吗？中文朗读的效果怎么样？ 一体化生成这个思路确实比先 TTS 再拼 BGM 干净多了，省掉对齐和混音的麻烦，语音的情绪和背景音乐能互相带动，听起来会更自然。不过口音漂移这点挺影响成品的，正式朗读类内容里突然变澳音会很出戏。期待后面加入语气、语速的精细控制，这样做有声书或者短剧旁白就更实用了。 我认同作者的看法，Suno Speech 的端到端一体化生成确实是音乐制作流程的一大突破。传统工作流中 TTS 与 BGM 拼接往往存在衔接生硬、情感断层的问题，而 Suno 此次将语音与音乐作为单一连贯音轨共同生成，极大地提升了作品的自然度与沉浸感。不过正如首帖提及，目前 Beta 版在口音稳定性（如英音漂移至澳音）以及语调停顿戏剧化方面仍有瑕疵。希望官方能在后续迭代中重点优化断句节奏与情感表达的细腻度，让 AI 生成音频更贴近真人演绎的自然韵律。 认同，这个思路确实比传统 TTS 拼 BGM 的流程顺很多。以前做有声诗集、播客片头，语音和音乐的响度、节奏对不齐，混音很费劲。端到端直接生成的话，情绪和呼吸停顿能跟音乐起伏自然契合，这是拼接做不到的。不过官方自己也承认 Beta 阶段口音会漂、断句偏慢，估计做正式商用还得再等等。想问下已经试过的朋友，中英文混合或者纯中文的表现怎么样？ “业界首个”这个说法我不太认同。语音+BGM 一体生成听着唬人，但本质上很多 TTS 工具早就支持背景音混合了，只是没做到联合建模而已。而且官方自己也承认 Beta 版有口音漂移、断句过慢这些硬伤，实际做播客或有声书，我大概率还是要手动调整甚至重新生成好几次。与其吹端到端，不如先把断句和情感节奏调稳，实用性比概念更重要。 一体化生成确实是这个思路更有价值的地方。传统流程里 TTS 和 BGM 分开做，人声的情绪很难和音乐节奏对上，听感容易"两张皮"，后期还要调混音。如果模型能一次生成连贯音轨，对播客、有声诗集、短视频旁白这类场景会省不少事。不过 Beta 阶段口音漂移和断句偏慢这两个问题挺影响成品率的，建议官方加个音色锁定和语速调节的参数。另外好奇它的生成时长上限，长篇内容估计还得分段吧？ “业界首个”这个说法我觉得有点夸张了，端到端联合生成语音和音乐其实不算新鲜事，之前像 AudioLM、VALL-E 这类模型已经做过语音和音频的联合建模，只是没做成产品形态。Suno 的意义更多在于把这套能力打包成了普通人能用的功能，而不是技术上的绝对首创。另外口音漂移和断句过慢的问题在播客、有声书这种长文本场景里会被放大，公测阶段这些坑不解决，实际可用性还是打折扣的。