Suno v5.5 सामान्य AI म्यूज़िक जनरेशन से आगे जाने वाले तीन पर्सनलाइज़ेशन फीचर लेकर आया है: वॉइस क्लोनिंग जो आपकी असली गायकी की आवाज़ को कैप्चर करती है, आपके म्यूज़िक कैटलॉग पर ट्रेन किए गए कस्टम मॉडल, और एक "My Taste" सिस्टम जो आपकी क्रिएटिव पसंद को सीखता है। वॉइस फीचर के लिए 30 सेकंड से 4 मिनट तक का ऑडियो चाहिए, इसमें डीपफेक रोकने के लिए वेरिफिकेशन शामिल है, और यह मिक्स्ड ट्रैक से वोकल्स को अलग कर सकता है। कस्टम मॉडल के लिए कम से कम छह स्टाइलिस्टिक रूप से मिलते-जुलते ट्रैक चाहिए और इन्हें ट्रेन होने में 2-5 मिनट लगते हैं।
यह AI म्यूज़िक टूल्स में एक बड़ा बदलाव दिखाता है। ज़्यादातर जनरेटर ठीक-ठाक लेकिन सामान्य नतीजे देते हैं, Suno दांव लगा रहा है कि पर्सनलाइज़ेशन ही असली उपयोगिता तक पहुंचने का रास्ता है। वॉइस वेरिफिकेशन प्रोसेस दिखाती है कि वे दुरुपयोग के तरीकों के बारे में सोच रहे हैं, वहीं कस्टम मॉडल का तरीका वैसा ही है जैसा हमने इमेज जनरेशन में काम करते देखा है। कंपनी कहती है, "हमने V5.5 इस विचार के इर्द-गिर्द बनाया कि जो संगीत आप बनाते हैं उसमें आपका कुछ अंश होना चाहिए," जो सुनने में मार्केटिंग जैसा लगता है लेकिन असल में एक सच्ची तकनीकी चुनौती को बयां करता है।
डेमो में जिन चीज़ों की बात नहीं की गई: ये मॉडल अलग-अलग शैलियों में स्टाइल ट्रांसफर कैसे संभालते हैं, कम सैंपल के साथ वॉइस क्वालिटी घटती है या नहीं, और जब आपका कस्टम मॉडल किसी खास स्टाइल प्रॉम्प्ट से टकराता है तो क्या होता है। हर वॉइस क्रिएशन के लिए 4 क्रेडिट की बीटा प्राइसिंग (सामान्य दरों से कम) बताती है कि उन्हें पता है कि आउटपुट क्वालिटी अभी प्रोडक्शन-रेडी नहीं है। पर्सोनाज़ का वॉइसेज़ में समाहित हो जाना कुछ ओवरलैपिंग फीचर्स के कॉन्सोलिडेशन का संकेत देता है।
म्यूज़िक टूल्स बनाने वाले डेवलपर्स के लिए, यह दिशा साफ दिखाता है: सामान्य जनरेशन अब बस बुनियादी ज़रूरत है, पर्सनलाइज़ेशन ही असली फर्क पैदा करती है। वॉइस क्लोनिंग के लिए तकनीकी स्तर लगातार नीचे आ रहा है, लेकिन Suno का वेरिफिकेशन तरीका ज़िम्मेदार तैनाती के लिए एक टेम्पलेट पेश करता है। अगर आप ऑडियो टूल्स बना रहे हैं, तो अभी से अपनी पर्सनलाइज़ेशन रणनीति की योजना बनाना शुरू करें।