Какая использовалась из нейронок, тут важно. Вроде когда-то удио был неплох, но сейчас оттуда песню не вытянешь. А рифьюжен с ударениями лежал, да и в принципе помер (нормальная классическая версия). У гугловской всего 30 секунд хронометража (и нафига тогда предыдущий купили и сгноили?)
Суно же... ударения, большие буквы и даже растяжки типа "алиииса" могут быть нужны. И пока что самый вменяемый вариант, так как всякие вондеры и сонауты - это будет больно ушам, очень.