Suno推出Speech功能，可一体化生成语音与音乐：有哪些关键信息？

Suno于10月1日发布Speech音频模型，称其为业界首个将语音与音乐作为单一连贯音轨生成的模型。

该模型采用端到端一体化生成，无需先做文本转语音再拼接背景音乐。

Suno此前与小范围用户测试该功能一个月，现已面向所有人开放公测。

用户输入文字并描述音色与音乐风格，即可在Suno内生成带背景音乐的语音音频。

官方承认Beta版存在口音不稳定、语调情感停顿过于戏剧化等问题。

物界前沿 · 资讯情报卡（IT之家 · 2026/10/3）

Suno推出Speech功能，可一体化生成语音与音乐

核心事实

物界观察

端到端生成语音加音乐，省去拼接环节，对播客、有声书等场景是效率提升。但口音漂移和过度戏剧化说明模型对语音细节控制仍弱。Suno从音乐切入语音，若打磨好，可能冲击传统TTS加配乐的工作流。