Suno قابلیت Speech را برای تولید گفتار همراه موسیقی معرفی کرد

قابلیت Speech سونو اکنون می‌تواند متن گفتاری و موسیقی پس‌زمینه متناسب را در قالب یک قطعه صوتی تولید کند؛ گامی فراتر از تمرکز شناخته‌شده Suno بر ساخت موسیقی با هوش مصنوعی. این ابزار که به‌صورت بتا عرضه شده، از کاربر می‌خواهد ایده یا متن موردنظرش را وارد کند و درباره نوع صدا و سبک موسیقی توضیح دهد. سپس مدل هر دو بخش را کنار هم می‌سازد؛ رویکردی که تولید شعرخوانی، مدیتیشن و داستان‌های صوتی را ساده‌تر می‌کند، اما در مرحله آزمایشی هنوز بی‌نقص نیست.

قابلیت Speech سونو چگونه کار می‌کند؟

در فرایند کار با Speech، کاربر می‌تواند یک ایده کلی بنویسد یا متن آماده‌ای را وارد کند. در کنار متن، باید صدای دلخواه و سبک موسیقی همراه آن را نیز توصیف کند. مدل بر اساس این ورودی‌ها گفتار و موسیقی را به‌صورت یک خروجی صوتی واحد تولید می‌کند. بنابراین، به‌جای ساخت جداگانه گویندگی و موسیقی و سپس کنار هم گذاشتن آن‌ها، ابزار این دو را در یک فرایند به هم پیوند می‌دهد.

این ترکیب برای محتوایی اهمیت دارد که در آن صدا و فضای موسیقایی باید هماهنگ باشند. برای نمونه، Suno کاربردهایی مانند شعر، مدیتیشن و قصه‌های پیش از خواب را مطرح کرده است. در چنین مواردی، متن بخش اصلی پیام را منتقل می‌کند و موسیقی می‌تواند همراه صوت باشد؛ با این حال، جزئیات فنی درباره شیوه ایجاد این هماهنگی یا میزان کنترل کاربر بر نتیجه در اطلاعات منتشرشده نیامده است.

به گفته Suno، کاربر سبک صدای موردنظر را توصیف می‌کند. این توضیح نباید با قابلیتی مانند شبیه‌سازی صدای یک فرد مشخص اشتباه گرفته شود؛ در اطلاعات اعلام‌شده، چنین امکانی مطرح نشده است. همچنین درباره زبان‌های پشتیبانی‌شده، مدت مجاز خروجی یا تنظیمات جزئی‌تر تولید صدا توضیحی ارائه نشده است.

ابزار در مرحله بتا است و هنوز خطا دارد

Jack Brody، مدیر محصول Suno، گفته است این شرکت Speech را به مدت یک ماه با گروه کوچکی آزمایش کرده است. اکنون این قابلیت به‌صورت بتا در اختیار کاربران قرار گرفته؛ یعنی هنوز در مرحله آزمایشی است و ممکن است رفتار آن در نسخه‌های بعد تغییر کند. خود Suno نیز به وجود اشکال‌هایی در این مرحله اشاره کرده است.

یکی از نمونه‌هایی که شرکت مطرح کرده، ناهماهنگی در لهجه است: گاهی صدایی که قرار است لهجه بریتانیایی داشته باشد، استرالیایی به گوش می‌رسد. این مثال نشان می‌دهد که توصیف کاربر لزوماً به خروجی کاملاً دقیق منجر نمی‌شود. برای کاربردهایی که در آن‌ها لهجه یا نحوه بیان اهمیت دارد، بررسی فایل تولیدشده پیش از انتشار می‌تواند ضروری باشد.

بتا بودن ابزار همچنین به این معناست که نباید از تجربه یک کاربر یا یک نمونه خروجی، درباره کیفیت همه نتایج نتیجه‌گیری کرد. گزارش موجود اطلاعاتی درباره میزان خطا، تعداد کاربران آزمایش‌کننده یا برنامه زمانی عرضه نسخه پایدار ارائه نمی‌کند. در نتیجه، فعلاً روشن نیست Suno چه زمانی و با چه تغییراتی این قابلیت را از مرحله آزمایشی خارج خواهد کرد.

ابهام درباره داده‌های آموزشی در سایه مناقشه حق نشر

Suno هنوز نگفته است مدل Speech با چه داده‌هایی آموزش دیده است. این سکوت در شرایطی اهمیت دارد که ابزارهای ساخت موسیقی با هوش مصنوعی با انتقادهایی درباره احتمال استفاده از آثار دارای حق نشر روبه‌رو هستند. داده آموزشی به نمونه‌هایی گفته می‌شود که یک مدل هنگام یادگیری الگوها از آن‌ها استفاده می‌کند؛ دانستن منشأ این داده‌ها می‌تواند برای بررسی حقوق پدیدآورندگان اهمیت داشته باشد.

طبق گزارش منتشرشده، شرکت‌های بزرگ ضبط موسیقی پیش‌تر از Suno شکایت کرده‌اند. همچنین دادگاهی در مونیخ به‌تازگی علیه این استارتاپ رأی داده و استدلال استفاده منصفانه را برای استفاده از داده‌های دارای حق نشر نپذیرفته است. این پرونده‌ها به قابلیت Speech محدود نیستند؛ اما به بحث گسترده‌تر درباره آموزش ابزارهای تولید موسیقی مربوط می‌شوند.

از اطلاعات موجود نمی‌توان نتیجه گرفت Speech با داده‌های خاصی آموزش دیده یا این قابلیت به‌تنهایی موضوع پرونده‌های یادشده بوده است. نکته روشن این است که Suno درباره روش آموزش مدل توضیح نداده و هم‌زمان، استفاده از آثار دارای حق نشر در ابزارهای موسیقی هوش مصنوعی محل مناقشه حقوقی است. تا زمانی که اطلاعات بیشتری منتشر نشود، پرسش درباره منشأ داده‌های آموزشی بی‌پاسخ می‌ماند.

ورود گفتار به محصولی که با تولید موسیقی شناخته می‌شود، دامنه استفاده از آن را گسترش می‌دهد. اما خروجی یکپارچه به‌تنهایی پاسخ‌گوی همه پرسش‌های مربوط به کیفیت، کنترل کاربر و حقوق آثار نیست. برای ارزیابی کامل Speech باید هم عملکرد آن در عمل را دید و هم توضیح‌های بعدی Suno درباره قابلیت‌ها و داده‌های آموزشی را دنبال کرد.

این خبر برای چه کسانی اهمیت دارد

این قابلیت برای تولیدکنندگان محتوای صوتی، نویسندگان و کسانی که می‌خواهند متن را همراه با موسیقی ارائه کنند اهمیت دارد، چون تولید گفتار و موسیقی را در یک ابزار جمع می‌کند. کاربران بالقوه باید در نظر داشته باشند که Speech هنوز بتاست و ممکن است در مواردی مانند لهجه خروجی دقیقی نداشته باشد. برای هنرمندان، ناشران و فعالان حقوق مؤلف نیز پرسش‌های مربوط به داده‌های آموزشی و پرونده‌های حقوقی Suno همچنان مهم است. قابلیت تازه می‌تواند شیوه ساخت محتوای صوتی را گسترش دهد، اما اطلاعات منتشرشده هنوز برای داوری درباره منشأ آموزش مدل کافی نیست.