Wyścig o brzmienie jutra: ElevenLabs i Stability AI rzucają rękawicę Suno

Wiosna 2026 roku staje się momentem prawdy dla branży audio AI. Po fazie fascynacji prostymi generatorami, rynek przesuwa się w stronę profesjonalnych narzędzi, które łączą wysoką jakość z bezpieczeństwem prawnym. To kluczowe przejście z modelu „dzikiego zachodu” do standardów akceptowalnych przez wielkie wytwórnie, co wymusiły głośne pozwy RIAA z 2024 roku oraz ugody zawarte przez Suno i Udio pod koniec ubiegłego roku.

Przełom w spójności: Music v2 od ElevenLabs

Nowy model Music v2 od ElevenLabs to przede wszystkim odpowiedź na największą bolączkę sztucznej inteligencji w muzyce: brak spójności przy zmianach nastroju. System potrafi płynnie przechodzić między skrajnymi gatunkami – jak opera i heavy metal – w ramach jednego utworu, nie rozbijając przy tym struktury rytmicznej ani melodycznej. To znaczący krok naprzód w porównaniu do pierwszej wersji modelu sprzed dziesięciu miesięcy.

Kluczową nowością jest zaawansowany system inpaintingu, pozwalający na chirurgiczną edycję konkretnych fragmentów utworu bez ingerencji w resztę ścieżki. Umożliwia to budowanie piosenek sekcja po sekcji: od intro, przez zwrotkę, aż po refren. ElevenLabs, wyceniane na 11 miliardów dolarów, agresywnie walczy o rynek, obniżając ceny dostępu do API o połowę. Przy przychodach rzędu 500 milionów dolarów rocznie firma stawia na masową dominację wśród twórców aplikacji.

Stabilność i otwartość: Architektura SAME

Stability AI wybrało inną ścieżkę, stawiając na Stable Audio 3.0 i filozofię otwartych wag (open-weights). Nowa architektura SAME (Semantic-Acoustic Autoencoder) pozwala na generowanie utworów o długości ponad sześciu minut przy zachowaniu ścisłej spójności melodycznej. Co istotne dla deweloperów, model w wariancie Medium potrafi wygenerować taki utwór w zaledwie 1,3 sekundy na sprzęcie klasy NVIDIA H200.

Dla branży istotny jest fakt, że modele te wspierają technikę LoRA, co pozwala artystom na trenowanie AI na własnych katalogach utworów. Personalizacja i możliwość lokalnej instalacji (wsparcie dla ComfyUI) to najsilniejsze atuty Stability AI w starciu z zamkniętymi ekosystemami. RYnek podzielił się na dwa wyraźne segmenty: konsumenci wybierają Suno i Udio za jakość całych piosenek z wokalem, a developerzy sięgają po ElevenLabs i Stable Audio ze względu na API i możliwości integracji – wskazują eksperci z TeamDay.ai.

Kwestia praw autorskich: Nowa waluta

Najciekawszy element rywalizacji rozgrywa się w działach prawnych. Podczas gdy Suno i Udio wciąż mierzą się z dziedzictwem sporów z Sony czy UMG, ElevenLabs i Stability AI budują marketing na fundamencie bezpieczeństwa licencyjnego. ElevenLabs od startu w sierpniu 2025 roku wykorzystuje wyłącznie licencjonowane i royalty-free dane treningowe.

Jak zauważa serwis Decrypt: Pytanie nie brzmi już, czy AI może stworzyć piosenkę, ale czy może zrobić to legalnie, na skalę i w sposób, który branża muzyczna zaakceptuje. Suno v5 wciąż wygrywa w testach jakości wokali i realizmu, ale przewagę zyskają ci, którzy połączą techniczną maestrię z przejrzystym rodowodem danych.