Suno 5.5 se acerca más a copiar la voz y conserva la melodía en el modo Cover

Suno 5.5 se ha acercado de forma notable a la clonación de la voz del usuario y a un arreglo más controlable. Las pruebas prácticas muestran que el servicio ya consigue que una voz sea reconocible y traslada la melodía propia a la canción, pero aún está lejos de ofrecer resultados totalmente predecibles.

Cómo se construye una voz

La idea central de las pruebas de Your Voice en Suno 5.5 es que una voz no se reduce a un solo timbre. Para lograr una síntesis verosímil, el sistema trabaja en la práctica con al menos tres capas: timbre, entonación y articulación. El timbre define el "color" del sonido, la entonación abarca la melodía, el vibrato y los melismas, y la articulación determina cómo se pronuncian y se cantan las palabras.

Esta separación da flexibilidad: el modelo puede conservar un matiz reconocible de la voz y, al mismo tiempo, cambiar la interpretación, el idioma y la manera de cantar.

Para comprobar cómo se comporta Suno con material real, el autor reunió 11 conjuntos de voz, o datasets, de canto y habla. Primero se usaron datasets cortos, de entre uno y minuto y medio, y después colecciones más largas y especializadas, de hasta cuatro minutos. La lógica es simple: cuanto más preciso es el material vocal, más probable es que el modelo no caiga en una voz genérica promedio. Con un conjunto así es más fácil ver qué recuerda mejor.

• voz neutra, "de referencia" y susurrada (breathy) para distintas interpretaciones
• habla teatral y expresiva para probar la manera
• un conjunto de una sola canción para acertar con un carácter concreto
• una recopilación de varias canciones para mayor versatilidad

También importa que Suno no reacciona solo al timbre, sino al carácter del material de origen. Si el dataset tiene una entonación marcada, un estilo recitado o una manera inusual, el modelo suele trasladar precisamente eso. Por eso un único conjunto universal para todos los géneros aún no funciona: cada tipo de música necesita su propio material. Se nota sobre todo en frases emotivas y en las transiciones entre estrofas, donde el sistema capta fácilmente la manera, pero no siempre mantiene el parecido exacto durante toda la pista.

Qué mostraron las pruebas

Con los 11 datasets se hicieron varias decenas de generaciones en nueve estilos, con distintos valores de Weirdness, Style influence y Audio influence. La conclusión general fue alentadora: cuando el material de origen tiene un timbre fuerte o una entonación característica, el "cantante" ya se reconoce en el resultado. Funcionaron mejor los conjuntos de habla expresiva, la interpretación teatral y los datasets con un vocal color marcado, mientras que los más universales, Song Set y One Song, no siempre lograron el máximo parecido.

«Eres tú», así valoraron los allegados del autor parte de las generaciones.

La segunda conclusión importante se refiere al arreglo. Combinar Your Voice con el modo Cover permite subir un borrador MIDI sencillo convertido a mp3 y obtener una canción con tu propia melodía y tu propia voz. En la práctica, Suno no sirve solo como generador de "canciones a partir de una letra", sino también como herramienta para esbozar arreglos con rapidez. Funciona mejor con un borrador lo más seco y simple posible, sin efectos innecesarios: melodía, ritmo y armonía deben estar claros, pero sin exceso de detalles.

Dónde están los límites

Incluso en los ejemplos logrados, la calidad depende mucho de tres condiciones. Primero, el borrador debe estar en un rango cómodo para el conjunto de voz concreto: si la melodía sube o baja demasiado, Suno empieza a transformar la voz en una estándar. Segundo, el estilo de generación debe corresponder a la naturaleza del dataset: rap con un conjunto operístico o rock con una voz breathy dan resultados extraños. Tercero, conviene mantener Audio influence bastante alto si el objetivo es conservar la voz propia y no una variación atractiva pero ajena.

También hay muchos problemas técnicos. A comienzos de abril de 2026, en las pruebas aparecían una y otra vez los mismos fallos: aproximadamente después del minuto tres el conjunto de voz se olvidaba, la letra podía repetirse y alargar la pista hasta ocho minutos, aparecían costuras suaves en el audio y el acompañamiento a veces decaía de forma evidente al entrar la parte vocal. Además, el sistema no siempre interpreta con precisión armonías complejas ni arreglos densos. Por eso los resultados más fiables hasta ahora no llegan con pistas densas ya terminadas, sino con bocetos simples, secos y bien controlados.

Qué significa

Suno 5.5 ya ha superado la fase de "gracioso, pero no se parece" y entra en el terreno del uso práctico para demos, arreglos rápidos y experimentos con voces personalizadas. Pero sigue sin ser un botón para un doble digital perfecto: para obtener un resultado convincente hay que elegir datasets por separado, vigilar el rango, simplificar los borradores y aceptar que, en canciones largas y complejas, el sistema todavía cae en el compromiso.