Suno 发 Speech（beta）：把语音与音乐生成在同一条音轨的音频模型
Suno 10 月 1 日开放 Speech（beta）。按官方说法，这是「第一个把语音与音乐作为同一条完整音轨生成的音频模型」：用户输入一段文字（想法、诗、自己写的东西），再描述想要的音色与音乐风格，输出的是带原创背景音乐的成段语音，而不是把「先合成音乐、再配音」两步拼接起来。
用法上它挂在 Suno 既有产品里，不需要新入口；官方给的例子偏生活场景——把朋友的短信念成夸张的戏剧独白、给普通语音便条配上史诗配乐、冥想与睡前故事。上线节奏上，团队先在小范围用户里测了一个月，现在是「向所有人开 beta」，并且自己在公告里列了缺陷：英式口音偶尔会漂到澳洲口音再漂回来，戏剧性停顿可能会过于戏剧。
放在音频生成这条线上，Speech 的位置是「把两种生成能力收进一个模型」：此前语音与音乐各自有专门的模型和管线，合成一条成品要么分工拼接、要么牺牲其中一边的自然度。它同时也是一道收录边界题——公告由首席产品官署名、自我标注为 Product Update，没有模型卡、没有基准数字，因此本条只进资讯流，不进时光机模型轴。
原文链接：Suno 官方博客
核验记录
一手页 https://suno.com/blog/introducing-speech-beta 直读 200 / 63,984 字节；JSON-LD datePublished 2026-10-01T20:35:00.000Z，页内可见日期「Oct 1, 2026」与署名「Jack Brody, Chief Product Officer」，双证一致。功能口径（「first audio model that generates voice and music together as one cohesive track」、一个月小范围测试后开放 beta、英音漂移与停顿两项自陈缺陷）逐句取自该页正文。⚠ 该页自标 Product Update、无模型卡与基准数字 → 按时光机收录边界（R23）不入 models.json，只进资讯流。配图 suno.com opengraph-image（PNG）：裸请求与带站内 Referer 各一次均 200 / 858,424 字节，magic=89504e47。 2026-10-29 巡检发现该 opengraph-image 已 404（裸请求与带 Referer 双 404），当日换为官网当前 og 图（cdn.sanity.io，双通路 200 / JPEG 1200x630）。
← 上一篇Google 的 Project Suncatcher 原型卫星入轨：接下来几周看 TPU 扛不扛得住太空下一篇 →Epoch 上线 ChatGPT 用量浏览器：人均月消息数从 14 涨到 36，头部 10% 发了 63% 的提问