Мне кажется, визуальные ошибки больше бросаются в глаза просто.
Скажем, когда я генерирую песни в SUNO, там почти всегда есть странные особенности произношения. Но оно кажется либо особенностью речи "певца", либо случайностью. Хотя лично мне слух режет. А бывает ведь иногда, что в остальном все прям супер-супер, и только это несчастное слишком твердое "н" в одном месте там, где оно должно было быть мягким. На картинке такое легко поправить в ФШ, а с песней я не умею.
Еще из недостатков SUNO - слишком длинные или слишком короткие паузы, проигрыши в неуместных местах, неудачное сочетание музыки под вокалом, неудачная интонировка фразы. Еще голос нейронки почти всегда отдает нейронкой, оно на первый момент звучит "человечно", а потом начинаешь замечать именно черты робота. И да, примерно на 150-й генерации песни начинаешь замечать, что SUNO повторяется, и разнообразить эти повторы не получается никакими промтами.
В целом же, многое зависит от промта и удачи. Иногда и картинку с первого раза классно сгенерируешь, и даже в ФШ править не придется, а иногда в SUNO сотню генераций переберешь, и все мимо.