Suno 在 11 月 18 日上线 Visuals,把产品从音乐生成延伸到视频。产出的单位是 15 秒片段,工作流是把几段拼成一支完整 MV。

这个设计选择

15 秒对一支 MV 来说很短,对一次生成来说很长。这是有意的:它匹配当前视频模型还能保持连贯的长度,同时让用户能留下好用的部分。

一次性长生成是老虎机——一帧坏掉整条重来。片段是可组合的:生成六段,留四段,重做两段。对生成式工具来说这是好得多的编辑模型,也是图像生成从「整图重绘」转向「局部重绘」的同一个道理。

模型不是 Suno 自己的

据报道底层视频模型基于 MiniMax。这一点值得直说,因为它告诉你 Suno 的优势究竟在哪。

Suno 的资产是音频模型和工作流:它懂歌曲结构、节拍网格、歌词和情绪。把这套东西接在一个租来的视频模型上,是合理的分工——视频生成资本密集、月月进步,自研是浪费这一轮的钱。

定价信号

视频生成与歌曲额度分开计费,这是诚实的定价方式。按每秒产出算,视频推理比音频推理贵一个数量级,捆在一起要么让音乐变贵,要么让视频亏本。

分开计费也让 Suno 能单独给这个贵的模态限流,而不动便宜的那个。可以预期所有生成式产品都会收敛到这种形态:一份订阅,按模态计量。

竞争含义

生成式媒体市场正在向「套件」收敛。一个做不出视频的音乐工具,是在和能做视频的工具竞争,而创作者切换成本主要是习惯而不是技术。

Suno 的风险是反向的:加了视频,它就要和视频更强的专用工具竞争,而在 MV 里,它的音乐优势不如画面重要。

版权问题,又一次

MV 恰恰是版权最容易变复杂的格式。一段生成的视频里出现像某位真实艺人的表演者,配上一首像某首真实作品的生成歌曲,这是一个没有既定答案的法律问题。

Suno 在音频侧已经经历过一次。视频侧牵涉的方更多:模型提供方、它背后的训练数据,以及视频里出现的任何人的肖像。

实用的读法

对独立音乐人,这是这个品类里第一个真正有用的工具:歌词视频或可视化视频原本要几百美元加一周时间。15 秒片段够做一条社交切片,而需求的大头就在这里。

对在这个领域做产品的人,教训是可组合性那条。暴露中间产物——片段、分轨、图层——的生成工具,比只返回一个成品文件的工具更容易被采用,因为创作者需要的是改,不是接受。