上周四凌晨一点，许静把第十七首配乐拖进音轨，听完，又删了。
儿子在旁边的小床上翻了个身。她手一抖，音量推子拉过了头，故事声被音乐盖住。她往回拉，又太轻。
那天晚上她导出了第八个版本，天快亮才关电脑。
她做的是儿童有声书。
本行是广告文案，生完孩子后在家带娃，顺手接下给平台录儿童有声书的活儿。听起来简单，念稿子谁不会。
真做起来是两件事。先把人声录好，再去找背景音乐配上去。她电脑里有个文件夹叫配乐库，两年攒了一百多首，每录完一本都要从头翻一遍。
这本讲小熊睡觉，得找安静的。那本讲小兔子跑，要轻快一点。
找到差不多的拖进去试听，不对就换；换到对的，又发现人声停下的那半秒，音乐刚好在往上走。那就再调，剪短音乐，或者把人声往前挪。
她还是没睡好。
那天凌晨她坐在那儿，脑子里转的还有这个月的稿费，够不够付孩子的托班费；她跟我说，人在那种时刻，很难对一段背景音乐保持耐心。
吵。
一本二十分钟的书，录人声四十分钟，配乐两个半小时。
这还没算返工。平台听完说第三分二十秒背景音有点抢，她得回去重新对一遍。
她那阵子最烦一句话，音乐再轻一点。轻到听不见，那配它做什么。
还有一件事让她崩溃。书都做完了，平台说要改成活泼风。一整套配乐全换，等于重做。
那段时间她手机里全是备忘：哪本书用了哪首曲子，音量调到多少，第几分钟做淡出。记得比记账还细。
她试过在文件夹里给每首曲子加标签，安静的、轻快的、带一点风铃的。标完之后发现，真到用的时候，标签一个都没派上用场，因为同一段音乐放进不同的故事里，效果完全不一样。
白标了。
她说配乐这活儿最磨人的地方，在于你永远说不清做到哪一步算好，只能一遍遍地听，一遍遍地改，直到自己先受不了为止。
她停不下来。
她后来把那段日子算了一笔账。一本二十分钟的儿童书，从录到定稿前后要三天，其中一大半时间花在配乐上。她试过偷懒，直接套用上一本的音乐，结果平台听完说两本书听着太像，退回来重做。也试过去买素材站的会员，一首一首挑下来，人更累。她说那半年最难受的，是念完之后那几个小时的反复折腾。
上个月，她试了个新东西
十月一日，Suno 上线了一个叫 Speech 的功能。
她是从一个做播客的群里看到的消息。以前的流程，是先把话念出来，再另外找一段音乐拼上去。Speech 把两件事并成了一件事。
你给它一段文字，它在同一时间决定这句话怎么说、哪里停、音乐从哪里进、在哪里淡出。停顿和配乐同时发生。
Suno 说这是业界第一个把语音和音乐当成一条连贯音轨、一起生成的模型。以前那套先出人声再贴配乐的做法，被它并成了一次生成。
这是它第一次对外开放。过去一个月，Suno 只找了一小批用户内测，现在放到了公测。
用法也简单。贴进去一段文字，可以是灵感、一首诗、一段稿子，再描述你想要的音色和音乐风格，点生成。
做音频这行的人，对这条消息的反应分成两拨。做播客的说，终于不用在音乐库里泡一下午；做配音的说，机器连停顿都替你决定了，那还要配音演员做什么。许静的态度在中间。她说这功能省掉的是找配乐那段体力活；一段旁白念得好不好听，哪里该轻、哪里该留白，最后还是得看人。她那本小熊的书，平台后来说还是第一版最好听，因为那版是她自己念的。
试完第一段，她愣了半分钟
她贴了一段小熊睡觉的稿子，挑了个温柔的音色。
念到小熊闭上眼那句，声音自己慢了下来，后面的音乐跟着软下去。换到它梦见一片森林，节奏又轻快起来，音乐也亮了一下。
这些以前要手动调半小时。那天十一点半她就睡了。
有两处坑，她提醒我留意
一处是口音。
生成的时候，偶尔某个字会飘。她做普通话儿童书，大部分没问题，个别句子会带一点奇怪的口音。
小熊被念成小雄。孩子听着没感觉，她听着浑身难受。这种地方只能重新生成，或者单独改那一段。
另一处是停顿。
模型给的停顿很有戏剧感。该停的地方停，不该停的地方也停一下。
讲故事当然要有起伏，可睡前故事不用念成话剧。停顿太夸张，孩子听着怪，家长也觉得假。她的办法是手动删掉一些停顿，把节奏拉平一点。
现在她还会翻十七首配乐吗。她说不了，先生成，听着不对就改提示词重来。
她不用再给音乐让路了。
就这么简单。
省下来的时间，她陪儿子把那本小熊的故事真读了一遍。儿子说，妈妈你念得比手机好听。
这功能现在还是 Beta，口音会飘，停顿会夸张，偶尔还要她救场。它离取代一个成熟的配音流程还远，可它已经替她把最耗人的那一段接了过去。
她不用再当那个半夜翻一百首曲子的人了。
你平时做音频，最耗时间的是哪一步。