Suno-მ წარმოთქმული სიტყვების გენერირება დაიწყო

Suno-ს პროდუქტის მთავარმა დირექტორმა ჯეკ ბროუდიმ (Jack Brody) განცხადებაში თქვა: „მუსიკა ყოველთვის Suno-სა და ჩვენი საქმიანობის საფუძველი იქნება. ამავე დროს, ჩვენი ხედვა ყოველთვის ადამიანის გამოხატვის სხვა ფორმებსაც მოიცავდა“. მან დასძინა: „დღეს Speech-ით Suno-ს შესაძლებლობებს ვაფართოებთ. ეს პირველი აუდიომოდელია, რომელიც ხმასა და მუსიკას ერთიან, მთლიან ჩანაწერად ქმნის“.

ხელოვნური ინტელექტით მეტყველების გენერირება ახალი არ არის. DeepMind (DeepMind) ღრმა სწავლების გამოყენებით მეტყველების სინთეზზე უკვე ათი წელია ექსპერიმენტებს ატარებს. Adobe-ს (Adobe) ტექსტის მეტყველებად გარდაქმნის ხელსაწყო აქვს, ხოლო ElevenLabs (ElevenLabs) 2023 წელს ამოქმედების შემდეგ ამ სფეროში ერთ-ერთი ყველაზე ცნობილი პლატფორმა გახდა. ახლა ამ მიმართულებით Suno-ც ერთვება. სავარაუდოდ, კომპანია პლატფორმის გამრავალფეროვნებას ცდილობს, რადგან მის მუსიკის გენერატორს მრავალი სასამართლო სარჩელი მოჰყვა.

Suno-ს მიდგომა ტექსტის მეტყველებად გარდაქმნისას გენერირებულ ხმასთან ხელოვნური ინტელექტით შექმნილი მუსიკის შეწყვილებაა. ფონური მუსიკა არჩევითია და მომხმარებელს მისი მარტივად გამორთვა შეუძლია, თუ მხოლოდ სუფთა მეტყველება სურს. ჩანაფიქრის თანახმად, მუსიკა გენერირებული მეტყველების ზოგიერთ გამოყენებას მოერგება. მაგალითად, ლექსებს შეიძლება მშვიდი მუსიკა ახლდეს, ხოლო ემოციურ გახმოვანებასა და გამამხნევებელ სიტყვებს, უფრო ენერგიული.

ფუნქციის გამოსაყენებლად მომხმარებელმა „შექმნის“ ჩანართი უნდა აირჩიოს და Speech-ის განყოფილებაში გადავიდეს. მას ორი რეჟიმი აქვს. მარტივ რეჟიმში მომხმარებელი სპეციალურ ველში სასურველ შედეგს აღწერს, მაგალითად: „მეკობრეების კაპიტანი თავის ეკიპაჟს ამხნევებს“. გაფართოებული რეჟიმი მომხმარებელს საკუთარი სცენარის დამატების საშუალებას აძლევს, თუ მან ზუსტად იცის, რა უნდა წარმოთქვას ხმამ. დამატებითი პარამეტრებით ხელოვნური ხმის სქესის, მეტყველების სტილისა და თითოეული გენერირებული ხმის მრავალფეროვნების დონის შეცვლაც შეიძლება. Speech-ის მაქსიმალური ხანგრძლივობა დაახლოებით რვა წუთია.

Suno აღიარებს, რომ ფუნქცია სრულყოფილებისგან ჯერ შორსაა, თუმცა მომხმარებელთა გამოხმაურების საფუძველზე მის გაუმჯობესებას გააგრძელებს. ბროუდიმ თქვა: „საცდელი ვერსია ნამდვილად საცდელ ვერსიას ნიშნავს. ზოგჯერ ბრიტანული აქცენტი შეიძლება ავსტრალიურისკენ გადაიხაროს და უკან დაბრუნდეს. ემოციური პაუზები შესაძლოა მეტისმეტად ემოციური აღმოჩნდეს. თითქმის უეჭველია, რომ ამ ფუნქციის ისეთ გამოყენებას აღმოაჩენთ, რომელიც ჩვენ არასოდეს მოგვფიქრებია“.