Первый раз я услышал ИИ-трек, который не хотелось выключить, случайно. Телефон играл что-то в духе позднего Radiohead, и только на втором припеве я полез смотреть, кто это. Оказалось, восемь слов в промпте и полторы минуты генерации. С тех пор ай музыка для меня не аттракцион на пять минут.
Дальше то, что я выяснил за пару месяцев плотной работы с генераторами: как формулировать запрос, почему вокал иногда звучит как робот из колл-центра, чем стемы спасают трек и сколько это стоит. Инструмент, на котором я остановился, - ИИ-генератор песен Suno. О нём и буду говорить в примерах.
Что реально умеет ИИ-генератор песен
Год назад я ждал от нейросети рыбу для демо. Сейчас получаю трек с вокалом, аранжировкой и сведением, который можно выложить в плейлист, и никто не поморщится. Разница в моделях и в том, как ты ставишь задачу.
Базовый набор у приличного сервиса такой: генерация полной песни по текстовому описанию, превращение готовых стихов в трек с мелодией и вокалом, инструментал без голоса, разделение микса на вокал и минус, смена тембра, автоматический мастеринг, экспорт стемов. Плюс конвертация аудио в MIDI, если хочется переписать партию руками в DAW.
Скорость перестала быть проблемой. Полная песня собирается за минуты, отдельные сервисы обещают результат за секунды после нажатия кнопки. Раньше за это время я успевал только открыть пустой проект в Ableton.
За каждым пунктом стоит конкретная боль. Стемы нужны, когда вокал сел идеально, а бочка в припеве раздражает. Минус без голоса пригодится для караоке или фона в подкасте. Мастеринг - чтобы трек не звучал тише остальных в плейлисте.
Три входа: идея, слова, атмосфера
Начинать с готовой композиции не обязательно. Достаточно сформулировать, о чём песня и какое у неё настроение.
Первый вход - идея. Опишите тему, настроение и желаемое звучание одним-двумя предложениями. Танцевальный трек про понедельник, который всё равно хороший, женский вокал, лёгкая ирония: этого уже достаточно. Второй вход - слова. Вставляете куплет, припев или просто набор образов, уточняете имена, детали, язык. Третий вход - атмосфера: не имя артиста (имена знаменитостей сервисы режут на входе), а описание вроде холодного синтвейва восьмидесятых с живыми барабанами.

Почему первые генерации звучат как ИИ
Промпт был средним. Поп-песня, женский вокал - запрос на усреднённый результат, и модель честно выдаёт усреднённый: ровный бит, ровный голос, ноль характера. Ощущение пластика берётся не из модели, а из отсутствия конкретики.
Сравните: медленный соул, 78 BPM, ламповый бас, женский альт с хрипотцой, живые барабаны с лёгким room-эмбьенсом, орган Hammond на бэках. Разница огромная. Модель не читает мысли, она разворачивает описание.
Вторая причина - перегруженный текст. Длинные строки, нагромождение согласных, слова, которые некуда положить в такт. Вокал жуёт окончания, ударения съезжают. Лечится редактурой текста, а не двадцатью перегенерациями.
Как описывать звучание, чтобы попадать с первого раза
Мой шаблон: темп, жанр, настроение, инструменты, тип голоса, продакшн-эстетика. Шесть слотов. Заполнять все не обязательно, но чем больше конкретики, тем меньше лотереи.
Пример для рекламного джингла: 30 секунд, энергичный инди-поп, 120 BPM, мужской вокал с улыбкой, гитары с лёгким овердрайвом, глокущая бас-линия, финальный аккорд с хлопками. Пример для подарка: тёплая акустическая баллада, женский вокал шёпотом в куплете и в полный голос в припеве, виолончель, 68 BPM.
Отдельно про эпоху и продакшн. Звук 1974 года с лентой и лёгким шумом и современный стерильный поп 2024 дают разные результаты на одном тексте. Многие этого не пишут, а потом удивляются, почему всё звучит одинаково.
В обсуждениях на Reddit звукорежиссёры советуют то же: сначала описать референс словами, потом открывать генератор. Выходит дешевле, чем ловить удачу перегенерациями.
Вокал - главный тест на живость
Слушайте три вещи. Дыхание между фразами. Артикуляцию на согласных в конце строк. Поведение голоса на длинной ноте: есть микро-вибрато или ровная цифра.
Хорошая модель ставит вдохи, чуть тянет слова, добавляет бэки. Плохая поёт идеально ровно, и эта ровность выдаёт генерацию быстрее любых артефактов. Живым вокалистам идеальная ровность тоже не свойственна, так что слишком чисто - не комплимент.
Если тембр не садится, не меняйте весь трек. Сгенерируйте три версии с разными описаниями голоса (низкий женский, хрипловатый мужской, детский) и склейте лучший куплет с лучшим припевом. Вокал держит песню, остальное можно править.
Текст, который ложится в музыку
Песня - не стихотворение. Работает повтор, короткие строки и предсказуемое число слогов. Если в куплете по 14 слогов, а в припеве по 6, модель это переживёт, но дыхание будет рваным.
Я пишу так: куплет из четырёх строк по 7-9 слогов, припев из четырёх строк по 5-7 слогов с повтором последней. Всё, что длиннее, идёт в бридж или режется. Припев должен содержать одну фразу, которую хочется повторить, а не три мысли сразу.
Про язык. Русский вокал у современных моделей получается прилично, но с шипящими и длинными словами бывают сюрпризы. Слова "всё" и "ещё" иногда звучат странно. Проверяйте проблемные места на коротких фрагментах, прежде чем генерировать четыре минуты.
Почему один и тот же промпт даёт разные песни
Генерация стохастична. Один и тот же текст дважды даст два разных трека, иногда очень разных. Побочный эффект работает как инструмент: три прогона одного промпта - три аранжировки на выбор.
Полезная привычка - сохранять удачные описания в заметки. Через месяц у вас будет библиотека рабочих промптов, и новый трек станет собираться за пять минут вместо тридцати.
Где ИИ силён, а где пока нет
Поп, синтвейв, лоу-фай, фонк, кантри, эпичные трейлеры, детские песенки, музыка для игр. Тут результат стабильно хороший: плотный микс, понятная структура, предсказуемая гармония. Модели на этом тренировались.
Сложнее с джазом на свободной гармонии, акустикой с нюансами дыхания инструмента, большой оркестровой формой и быстрым рэпом со сложной ритмикой. Не то чтобы совсем не получается, но до первого дубля живой сессии не дотягивает. Народный вокал с микротонами - лотерея.
Честно: если нужна гитарная партия с характером конкретного музыканта, генерация не заменит человека в студии. Зато ИИ отлично делает то, на что раньше не было бюджета вообще.
Инструментал - отдельный жанр, а не побочный продукт
Многие приходят за песней, а уходят с минусовками. Фоновая музыка для видео, подложка под подкаст, трек для тренировки без слов. Тут ИИ работает предсказуемее, чем с вокалом: нет артикуляции, нет проблем с произношением.
Промпт для инструментала строится иначе. Убираем всё про голос, добавляем про динамику и место под голос диктора: спокойный эмбиент с пианино и мягкими пэдами, без резких атак, 90 BPM, место в середине спектра для речи. Мелочь, а фон перестаёт перебивать говорящего.
Трюк для караоке и обучающих видео: сгенерировать песню с вокалом, а потом вытащить минус через разделение стемов. Получается аранжировка, которую не стыдно поставить людям.
Стемы, мастеринг и что делать после генерации
Скачивайте в максимальном качестве, которое даёт сервис. MP3 хватит для соцсетей, WAV нужен, если трек поедет в монтаж или на стриминги. Дальше - разделение на стемы.
Вокал, барабаны, бас, остальное. С этим можно работать в любой DAW: подрезать бочку, убрать лишний ревер с голоса, добавить свой сэмпл. Автоматический мастеринг выручает, когда лень, но ручная цепочка из эквалайзера и компрессора на мастере даёт больше контроля.
Отдельная история - конвертация в MIDI. Получаете партии и переписываете их своим звуком. Так ИИ-трек превращается из готового файла в основу, которую не стыдно развивать.
Сколько это стоит на самом деле
Сравнение с классическим продакшном отрезвляет. Аранжировщик, сессионный вокалист, сведение, мастеринг - десятки тысяч рублей и недели согласований. Даже скромное демо у знакомого звукорежиссёра съест несколько тысяч.
ИИ-генерация начинается от 149 рублей. За эти деньги вы получаете не черновик, а готовый трек, который можно слушать. Хитовый сингл так не собрать, но для джингла, подкаста, подарка, фоновой музыки в видео или быстрой проверки идеи это другой порядок затрат.
Кредитная система у сервисов разная: где-то каждая генерация списывает фиксированное число кредитов, где-то платите за минуты. Смотрите не на цену подписки, а на количество попыток. Первые три-четыре версии почти всегда уходят в корзину, и это нормально.
Правила, которые лучше не нарушать
Имена знаменитостей в промпте запрещены практически везде. Это не придирка модерации, а вопрос прав. Описывайте звук, а не человека: не "как у известной певицы", а низкий женский вокал с надрывом, гитарный минимализм.
Коммерческие права обычно приходят с платным тарифом, но условия у всех разные. Читайте их перед тем, как ставить трек в рекламу клиента. Стриминговые дистрибьюторы всё чаще просят отметить, что при создании использовался ИИ. Не запрет, а декларация.
И про каверы. Сгенерировать голос как у известного певца технически можно, юридически почти всегда нельзя. Не стройте на этом бизнес.
Ошибки, которые я делал первые две недели
Первая: генерировать по 30 раз подряд, надеясь на чудо. Модель не улучшается от повторов, она выдаёт новые варианты того же среднего. Продуктивнее один раз переписать промпт.
Вторая: пихать в описание всё сразу. Поп, рок, джаз, оркестр, женский и мужской вокал, 60 BPM и 140 BPM дают кашу. Модель пытается угодить всем пунктам и не попадает ни в один.
Третья: игнорировать структуру. Если в тексте нет разметки на куплет и припев, генератор сам решает, где ставить акценты, и часто решает странно. Явные метки экономят кучу попыток.
Четвёртая: судить по первому прослушиванию в наушниках телефона. Половина плохих треков оказывалась нормальной в мониторах или в машине.
Где ИИ-музыка уже приносит деньги
Джинглы для небольших брендов, музыка для игр и приложений, фоновые треки для YouTube и подкастов, караоке-минуса, музыкальные открытки. Отдельный жанр - персональные песни: на свадьбу, день рождения, годовщину. Текст пишется за вечер, трек генерируется за десять минут, а эмоция настоящая.
В тиктоке и рилсах выигрывают короткие хуки по 15-20 секунд. Тут ИИ вне конкуренции: не нужно думать о втором куплете, нужен один зацеп.
Мой рабочий порядок действий
Пишу текст, режу до структуры куплет-припев-бридж. Заполняю шаблон промпта: темп, жанр, настроение, инструменты, голос, эстетика. Генерирую три версии с разными описаниями вокала. Слушаю не целиком, а первые 20 секунд и припев. Выбираю, скачиваю WAV, развожу на стемы, правлю в DAW то, что режет слух.
На всё уходит меньше часа. Раньше за это время я успевал только написать письмо аранжировщику.
Создайте любую песню, какую только можете представить. Начните с простой идеи или сразу откройте профессиональные инструменты - ваш следующий трек уже близко. Цена от 149 рублей. Попробовать можно здесь: 3seller.com/suno. Пополнить баланс получится российской картой, через СБП или криптой.
Совет напоследок, без пафоса. Не гонитесь за идеальным результатом с первого раза. Первая генерация почти всегда нормальная. Хорошая начинается с третьей, когда вы уже поняли, чего не хватает, и дописали это в промпт.