Первый раз я попросил ИИ написать песню из любопытства. Вбил строку «грустный инди про поздний поезд», нажал кнопку и через сорок секунд получил трек, который не постеснялся бы поставить в плейлист. Нейросеть не заменяет музыканта. Она убирает трение между идеей и звуком: раньше между ними стояли микрофон, звуковая карта, двадцать дорожек и человек, который загадочно кивает на слова «компрессия» и «мастеринг». Теперь между ними одна строка текста.
Дальше - как это работает, где ломается и как выжать из генерации трек, который не стыдно выложить.
Аудио-нейросеть умеет сильно больше, чем просто генерировать треки
Люди приходят с запросом «хочу песню» и удивляются, что инструмент закрывает еще десяток задач. Аудио нейросеть работает в двух направлениях. Первое - синтез с нуля: вы даете описание, текст, стиль, модель собирает звук из ничего. Второе - обработка: кидаете готовый файл, а она чистит шум, вытаскивает вокал из микса, дописывает продолжение, меняет аранжировку.
Второе направление недооценивают. Автор роликов на YouTube приносит запись с телефона, где слышно холодильник и соседа за стеной, прогоняет через нейросеть и получает чистый голос. Подкастер отдает дорожку с шумом кондиционера и забирает нормальный звук. Та же технология, что пишет песни, просто повернутая другой стороной.
Поэтому на вопрос, можно ли через ИИ создать музыку с аудио, отвечаю: да, и в двух смыслах сразу. Трек из текстового описания. Или композиция из вашего голоса, насвистанной мелодии, куска старой записи.
Что происходит внутри, когда вы жмете кнопку
Никакой магии. Модель обучена на огромном массиве звука и знает статистические связи между жанром, темпом, инструментами, гармонией и вокальной манерой. На запрос «теплый ламповый соул с женским вокалом и духовой секцией» она не ищет готовый сэмпл в базе. Она разворачивает звук шаг за шагом, предсказывая, что должно идти следующим. Так языковая модель дописывает предложение, только вместо слов - звуковые фрагменты.
Практический вывод, который многие пропускают: результат строится не из шаблона, а из параметров запроса. Чем точнее описание, тем меньше вариантов модель перебирает наугад. Скучный промпт дает скучный трек.
Модель не думает как продюсер. Она думает как исполнитель, который слышит настроение. Просить «сделай хорошую песню» бессмысленно. А «медленный ночной джаз с мягким тенор-саксофоном, тихими аккордами фортепиано, контрабасом и щетками по барабанам, атмосфера полупустого кафе» - работает почти всегда.
Промпт решает больше, чем сама модель
Честное наблюдение из практики. Разница между двумя сервисами генерации - процентов двадцать. Разница между двумя промптами в одном и том же сервисе - процентов триста. Люди тестируют десять платформ, везде получают посредственный результат и решают, что технология сырая. А проблема была в запросе из трех слов. В обсуждениях на Reddit любители генерации вспоминают тот же сюжет: сервис меняли пять раз, а помогло одно - переписанное описание.
Рабочая формула: жанр плюс настроение плюс инструменты плюс темп плюс контекст использования. Сравните. Первый вариант: «smooth jazz с саксофоном». Второй: «теплый инструментальный smooth jazz, мягкий тенор-саксофон на переднем плане, нежное фортепиано, контрабас, щетки по барабанам, медленный темп, уютная атмосфера кофейни, фон для вечернего влога». Второй запрос дает модели картинку, а не ярлык. Трек получается объемнее, с воздухом между инструментами.
С вокалом то же самое. «Женский голос» - лотерея. «Хрипловатый женский альт с легкой усталостью в интонации, в стиле позднего соула семидесятых, с бэками на припеве» - уже режиссерская задача. Добавьте структуру: куплет, припев, бридж, финальный припев с нарастанием. Иначе легко получить четыре минуты ровного гула без драматургии.
Русский язык работает, но требует аккуратности с ударениями и длиной строк. Короткие фразы, четкий ритм, минимум сложносочиненных конструкций. Строка не влезает в такт - вокалист начнет ее спрессовывать, и звучать это будет как чтение объявления на вокзале.
Как загрузить свой звук и получить из него песню
Мой любимый сценарий. В телефоне лежит голосовая заметка: насвистел мелодию, пока ждал кофе. Кидаю в генератор, дописываю текст, указываю стиль - получаю аранжировку, которую сам бы никогда не собрал. Мелодия моя, обернули ее в инструменты другие люди. Точнее, модель.
Такой подход называют music-to-music, или продолжением существующего аудио. Вы даете модели отправную точку и говорите, куда двигаться. Пустых генераций становится меньше: основа уже задана, а не придумана с нуля.
Есть и обратный путь, о котором говорят редко. Разделение трека на стемы. Загружаете готовую песню, вытаскиваете вокал отдельно, инструментал отдельно, пересобираете в новом жанре. Из медленной баллады получается танцевальная версия, из рока - лоу-фай. Юридически это лабиринт, технически - пятнадцать минут работы.
Инструмент, который реально звучит как живой исполнитель
Я перепробовал много генераторов. Большинство выдают узнаваемый привкус синтетики: вокал плоский, барабаны будто из одной семплерной библиотеки, на длинных нотах слышно, как модель теряет дыхание. Хороший результат был редкостью.
С Suno у меня случился перелом. Первый сгенерированный трек я отправил другу без подписи. Через час пришел ответ: «Что за группа, скинь альбом». Лучший тест на живость, который я знаю. Никто не вслушивался в артефакты, потому что их не было слышно.
Устроено удобно. Генерация идет пакетом: за один запрос несколько версий, выбираете ушами, а не угадываете. Треки полноформатные, со вступлением, развитием и финалом, а не двадцать секунд атмосферы. Вокал звучит так, будто человек стоит у микрофона и дышит между фразами. Инструментал не разваливается на припеве, что у конкурентов бывает постоянно.
Начинать проще всего с идеи. Опишите тему, настроение и желаемое звучание: песня о любви, танцевальный трек, история для особенного случая. Дальше слова: пара строк, готовый текст, стихи, набор образов. Уточняете детали, имена, язык исполнения.
01 / ИДЕЯ
Задайте направление: тему, настроение, звучание. Конкретика до мелочей модели нравится.
02 / СЛОВА
Добавьте текст или сюжет. Начните с нескольких строк, готового текста, стихов или набора образов. Уточните важные детали, имена и язык песни.

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, дешевле чашки кофе в центре Москвы. Пополнить баланс можно российской картой, через СБП или криптой.
Если хочется посмотреть, какие еще инструменты для ИИ есть под рукой, они собраны тут: 3seller.com/3gpt.
Мой рабочий процесс от пустой строки до готового файла
«Нажми кнопку» - не инструкция, поэтому по шагам.
Сначала формулирую одну фразу о том, что должен чувствовать слушатель. Не жанр, а эмоцию. «Человек едет в такси домой в четыре утра и понимает, что все закончилось». Из этой фразы рождается стиль, темп, манера вокала.
Потом текст. Шедевр не пишу: шесть-восемь строк на куплет и четыре на припев, максимально простыми словами. Сложная поэзия в генерации превращается в кашу, модель не понимает, где ставить смысловой акцент.
Дальше промпт: жанр, эпоха звучания, инструменты, характер вокала, темп, настроение. Отправляю на генерацию, получаю несколько вариантов и слушаю все до конца, а не первые пятнадцать секунд. Правило номер один: самое интересное часто начинается на второй минуте.
Лучший вариант дорабатываю. Меняю одну-две детали в описании и генерирую еще раз: вокал слишком гладкий - прошу добавить хрипотцы, аранжировка перегружена - убираю инструменты по одному. Именно так, а не переписыванием промпта заново. Иначе теряется то, что уже понравилось.
Финал - скачивание. Дальше по желанию легкая обработка в редакторе. Но честно: последние треки я выкладывал как есть, без единой правки. Разницу с «профессиональным» звуком слышат только те, кто сам сводит музыку.
Чего ИИ пока не умеет, и это нормально
Рисовать картинку без теней не буду: проблемы есть, знать о них лучше заранее.
Первое: длинные формы. Пятиминутная композиция со сложной драматургией - сменами настроения, модуляциями, инструментальными соло - дается тяжело. Модель повторяет структуру, которая сработала. Ровно, но предсказуемо.
Второе: тексты на специфические темы. Узкие профессиональные шутки, сложная ирония, многослойные отсылки разваливаются. Работает простая и сильная эмоция, а не интеллектуальная конструкция.
Третье: точный контроль. Конкретный аккорд в конкретном такте вы не сыграете. Можете описать и надеяться. Иногда с пятой попытки, иногда нет. Для демо прекрасно, для точной аранжировки - нет.
Четвертое, самое неприятное: правовое поле. Правила использования сгенерированных треков меняются. Перед коммерческим релизом читайте условия сервиса, а не форумы. Для личных проектов, подарков и видео на канале вопрос обычно проще.
Где это окупается прямо сейчас
Выгоду получают не музыканты, а люди, которым музыка нужна как расходник.
Монтажер коротких видео. Раньше искал трек по библиотекам и мучился с лицензиями. Теперь генерирует ровно то, что нужно под настроение ролика, за пару минут.
Автор подкаста. Заставка, отбивки, фон под чтение - пачкой за вечер. Никаких переговоров с композитором и повторяющихся мелодий из бесплатных библиотек, которые узнаются с первой ноты.
Небольшой бизнес. Корпоратив, юбилей, ролик для соцсетей, гимн отдела продаж. Смешно, но заказов на поздравительные песни в генераторах больше, чем на что-либо еще. Платят за персональный текст, а не за аранжировку.
И те, кто просто пробует. Пишет песню для девушки, для друга, для кота. Знаю человека, который сделал альбом шуточных песен про работу в поддержке и выложил в соцсети. Несколько тысяч подписчиков. Ни одного инструмента в руках не держал.
Ошибки, которые я совершал сам и не советую вам
Гнаться за масштабом с первого раза. Мой первый запрос: «сделай концептуальный альбом из двенадцати треков в разных жанрах». Получил двенадцать никаких треков. Начинать надо с фрагмента на десять-двадцать секунд, с одной песни, с одной эмоции. Поймете, как модель реагирует на формулировки, - масштаб придет сам.
Игнорировать прослушивание до конца. Половина моих любимых треков начиналась скучно и раскрывалась ближе к финалу. Судить по первым секундам - выбросить половину хорошего.
Копировать чужие промпты без адаптации. Чужой удачный запрос работал в чужих руках, потому что там была своя задача. Ваш трек про поздний поезд не станет лучше от описания кофейни.
Ждать идеала с первой генерации. Не будет. Если после третьей попытки все мимо, проблема в описании, а не в терпении. Меняйте формулировку, а не количество нажатий.
С чего начать сегодня, а не после изучения теории
Самый быстрый путь. Откройте 3seller.com/suno, напишите одну фразу о том, что должно звучать, добавьте четыре строки текста и нажмите генерацию. Первый трек будет через минуту, и он даст больше понимания, чем десять статей вроде этой.
Дальше просто: слушаете, выбираете, уточняете описание, генерируете снова. Через пять-шесть подходов начнете чувствовать, какие слова работают, а какие модель проглатывает. Навык набивается быстро. Цена входа от 149 рублей, а испортить ничего нельзя: черновики бесплатны в вашей голове.
И последнее. ИИ не делает музыку за вас. Он делает звук. Идею, настроение и то самое «про что это» приносите вы. Пока так - треки получаются живыми. Оставляете модели все, включая смысл, - получаете ровный, красивый, никому не нужный фон.