Suno که بیشتر بهخاطر ساخت موسیقی با هوش مصنوعی شناخته میشود، نسخه بتای عمومی Speech را عرضه کرده است؛ قابلیتی که گفتار و موسیقی پسزمینه را با هم تولید میکند. این قابلیت در نسخههای وب و موبایل Suno در دسترس است. کاربران در صورت تمایل میتوانند موسیقی را خاموش کنند و فقط گفتار داشته باشند؛ به گزارش The Verge،
کاربران میتوانند ایدهای را برای تولید محتوا به Speech توصیف کنند یا متن آمادهای به آن بدهند. Jack Brody، مدیر محصول Suno، این ابزار را یک مدل صوتی توصیف کرد که صدا و موسیقی را در قالب یک قطعه تولید میکند. The Decoder گزارش میدهد که Suno پیش از عرضه عمومی نسخه بتا، این قابلیت را بهمدت یک ماه با گروه کوچکی آزمایش کرده بود.
Speech چگونه کار میکند؟
کاربران در زبانه Create در Suno گزینه Speech را انتخاب میکنند و سپس سراغ حالت Simple یا Advanced میروند. حالت Simple با توضیحی از ایده کار میکند؛ مثلاً ناخدایی دزد دریایی که خدمهاش را به شورش فرامیخواند. حالت Advanced متن دلخواه کاربر را میپذیرد و تنظیماتی برای جنسیت صدا، شیوه بیان و میزان تفاوت میان خروجیها دارد.
Suno میگوید از Speech میتوان برای قالبهایی مثل شعر، مدیتیشن و قصههای شبانه استفاده کرد. به گزارش The Verge، مدت کلیپهای تولیدشده میتواند به حدود هشت دقیقه برسد. افزودن موسیقی پسزمینه اختیاری است؛ بنابراین میتوان از این قابلیت برای گویندگی بدون موسیقی هم استفاده کرد.
نسخه بتا محدودیتهایی دارد
Suno میگوید با دریافت بازخورد کاربران همچنان در حال بهبود این قابلیت است. Brody هشدار داده که ممکن است لهجهها تغییر کنند؛ برای نمونه، صدای بریتانیایی گاهی استرالیایی به گوش برسد. مکثها هم ممکن است بیش از حد نمایشی باشند. The Decoder اشاره میکند که Suno درباره نحوه آموزش مدل توضیحی نداده است.
عرضه Speech در حالی است که تولیدکنندگان موسیقی با هوش مصنوعی با مناقشههای حق نشر روبهرو هستند. The Decoder گزارش میدهد که شرکتهای بزرگ ضبط موسیقی از Suno شکایت کردهاند و دادگاهی در مونیخ اخیراً استدلال این شرکت درباره استفاده منصفانه از دادههای دارای حق نشر را نپذیرفته است. منابع نمیگویند Speech از همان دادههای آموزشی ابزارهای موسیقی Suno استفاده میکند یا نه؛ بنابراین جزئیات آموزش و وضعیت حق نشر آن همچنان روشن نیست.
چرا مهم است
برای کسانی که شعر، قصه شبانه یا گویندگی تولید میکنند، Speech راهی فراهم میکند تا گفتار و موسیقی متن اختیاری را با یک ابزار بسازند. اما این قابلیت هنوز در مرحله بتاست و Suno هم نحوه آموزش مدل را فاش نکرده؛ بنابراین میزان اطمینانپذیری آن و منشأ دادههای آموزشیاش همچنان نامشخص است.