Sunoは10月1日、最高製品責任者ジャック・ブロディ氏名義の発表で、セリフ音声とその背景音楽を1回の生成でまとめて作る新機能「Speech」のベータ版を公開した。同社は、声と音楽を同じモデルで一体的に生成する取り組みは初めてだとしている。利用者は伝えたいアイデアや詩、書いた文章などを入力し、望む声質や音楽のスタイルを指定するだけで音声コンテンツを作成できる。
モードは2種類用意されており、「シンプルモード」では「クルーを鼓舞する海賊船長」のような短い説明文を入れるだけで生成できる。一方「アドバンストモード」では、利用者自身が書いた台本を使い、AI音声の性別や話し方のスタイル、生成ごとのばらつきの大きさなどを細かく設定できる。背景音楽はトグルで無効化でき、音声のみの出力にも対応する。生成できるクリップの長さは最長で約8分程度だという。
この機能は、少人数のテスターによる約1カ月間の試験運用を経て、ウェブおよびiOS・Android向けに全利用者向けへ公開された。公開時点でのベータ版の制約として、英国英語のアクセントが生成中にオーストラリア英語寄りに変化して戻ってくることがある点や、芝居がかった間(ポーズ)が過剰に長くなることがある点が挙げられている。
出典: Unite.AI
