Мне недавно заказали песню на юбилей. Не «что-нибудь весёлое», а конкретно: шестьдесят лет, любит Высоцкого, но чтобы не пахло ретро, и обязательно имя жены в припеве. Раньше такой заказ означал три звонка знакомым музыкантам, студию и счёт тысяч на пятнадцать. Сейчас - двадцать минут за ноутбуком и несколько перегенераций.
ИИ создать песню с музыкой сегодня может человек, который не знает, что такое тональность и зачем нужен компрессор. Вопрос не в том, умеет ли нейросеть. Вопрос в том, что именно вы получите на выходе и сколько раз придётся нажать «пересоздать», чтобы результат не хотелось спрятать.
Что нейросеть делает, когда вы просите песню
Внутри не одна модель, а цепочка. Первый слой - музыкальная основа: гармония, ритм, аранжировка. Второй - подбор инструментов под жанр, причём уместных: контрабас в джазе, дабл-кик в металкоре, дудук там, где нужно настроение. Третий слой - синтез вокала. Четвёртый - сведение: всё склеивается в один трек и звучит как единое целое, а не как три человека, работавших в разных комнатах.
От вас требуется описать желаемое звучание: жанр, настроение, темп, тип голоса. Дальше сервис сам подбирает инструменты, синтезирует вокал и собирает композицию с куплетами и припевами. Можно отдать готовый текст, можно только идею в одну строку. Инструментал без слов тоже делается, и довольно быстро.
По времени всё предсказуемо: нажали «Создать», ждёте от минуты до пяти. Генерация идёт в фоне, страницу можно закрыть и вернуться к готовому треку. Почти все нормальные сервисы выдают сразу две версии, чтобы вы выбрали лучшую. Это не маркетинг: первая частенько звучит «не туда», а вторая попадает в настроение с первого такта.
Промпт решает больше, чем модель
Здесь ломается девяносто процентов новичков. Человек пишет «сделай красивую песню» и удивляется, почему получил что-то среднее между рекламой шампуня и саундтреком к сериалу. Нейросеть не угадывает вкусы, она читает текст буквально.
Чем подробнее описание, тем точнее попадание. Конкретика вместо прилагательных общего вида: «грустная» - плохо. «Медленная, около 70 BPM, женский голос с хрипотцой, акустическая гитара, виолончель, лёгкий реверб, ощущение поздней осени» - уже нормально, и это займёт тридцать секунд.
В промпте стоит прописать:
- Жанр и поджанр (не «рок», а «инди-рок с элементами фолка»)
- Темп и настроение (BPM, энергия, эмоция)
- Тип вокала: мужской, женский, дуэт, хор, инструментал без голоса
- Инструменты, которые должны быть слышны в миксе
- Эпоха и референс звучания, если он есть в голове
- Язык, на котором поётся
Отдельно про референсы. Можно написать «в духе такого-то исполнителя», и сервис подберёт похожий стиль. Точного совпадения не будет, да оно и не нужно: вы всё равно получите своё. Направление попадёт куда точнее, чем если описывать звук словами «ну, такое атмосферное».
И ещё один момент, который почти никто не использует. Меняйте по одному параметру за раз. Не надо переписывать промпт целиком после неудачной версии. Убрали хрипотцу - послушали. Подняли темп на десять - послушали. За десяток итераций станет понятно, какие формулировки реально влияют на результат, а какие проходят мимо модели.
Первые пять минут и 149 рублей
Если хочется просто попробовать, не изучая неделю матчасть, начните с 3seller.com/suno. Генератор делает полноценные песни с музыкой и вокалом по описанию. На первом прослушивании люди не сразу верят, что это нейросеть.
Создайте любую песню, какую только можете представить. Начните с простой идеи или сразу откройте профессиональные инструменты - ваш следующий трек уже близко.
01 / ИДЕЯ. Задайте направление: опишите тему, настроение и желаемое звучание. Это может быть песня о любви, танцевальный трек или история для особенного случая.
02 / СЛОВА. Добавьте текст или сюжет: начните с нескольких строк, готового текста, стихов или набора образов. Уточните важные детали, имена и язык песни.

Логика работы простая до неприличия. Открыли сервис, описали идею в пару предложений или вставили готовый текст, нажали кнопку. Через несколько минут у вас на руках две версии трека. Слушаете, выбираете, дорабатываете промпт, генерируете ещё. Цена стартует от 149 рублей, без подписочных ловушек с автосписанием. Пополнить баланс можно российской картой, через СБП или криптой.
Что нравится в таком подходе: не нужно ничего выбирать из десятка жанровых пресетов и ползунков, если вы не хотите. Просто пишете, о чём песня и как она должна звучать. Хотите глубже - открывайте расширенные настройки и копайтесь в инструментах, темпе и типе вокала сколько влезет. Оба сценария работают.
Если нужен только текст, без музыки, или обложка для трека, остальные инструменты лежат рядом: 3seller.com/3gpt. Удобно, когда всё в одном месте и не надо прыгать по десяти вкладкам с разными лимитами.
Текст и метатеги: почему припев разваливается
Самая частая жалоба: «Куплет нормальный, а припев какой-то смятый». Причина почти всегда в том, как подан текст. Модель не понимает, где кончается куплет и начинается припев, если вы просто накидали строки подряд.
Размечайте структуру. Служебные метки в квадратных скобках, вроде verse, chorus, bridge, outro, решают половину проблем. Вокал идёт по нужной динамике: в куплете тише и ниже, в припеве громче и выше, в бридже ломается ритм. Без меток модель импровизирует, и импровизация не всегда совпадает с замыслом.
Дальше длина строк. Если в припеве одна строка на четыре слова, а следующая на двенадцать, вокал начнёт спотыкаться или комкать окончания. Держите примерно одинаковый ритмический рисунок внутри блока. Это ровно то, что делает поэт-песенник, подгоняя текст под мелодию, только здесь вы подгоняете текст под модель.
И повторы. Припев в реальной песне повторяется два-три раза почти дословно, это норма, это цепляет. Не пытайтесь каждый раз написать новый припев, иначе получится не песня, а речитатив на вольную тему.
Русский вокал: ударения, согласные и прочая боль
С русским языком у ИИ-вокала исторически было сложнее, чем с английским. Причины прозаичные: меньше данных для обучения, богатая морфология, ударения, которые меняют смысл слова. «Замок» и «замок» - и модель может выбрать не тот.
Сейчас ситуация сильно выправилась, но пара приёмов всё равно работает. Первое: если слово читается двояко, перепишите строку так, чтобы двусмысленность исчезла. Второе: избегайте нагромождения согласных в конце строки, вокал на них давится. Третье: длинные слова лучше разбивать или заменять синонимом покороче.
С интонацией интереснее. Живой певец делает вдох перед фразой, тянет последний слог, добавляет лёгкую усмешку в голосе. Модель это умеет, но не всегда по своей воле. Если в промпте указать характер исполнения - «спокойно, с горчинкой», «задорно, почти криком», «шёпотом на грани слышимости» - разница будет слышна невооружённым ухом.
Две версии, и обе мимо. Что крутить
Знакомая ситуация: послушал оба варианта, закрыл ноутбук, пошёл пить чай. Не надо так. Генерация - это итеративный процесс, а не лотерея с одного билета. В обсуждениях на Reddit про ИИ-музыку всплывает неочевидный нюанс: две версии одного промпта расходятся сильнее по вокалу, чем по аранжировке. Поэтому вокал и проверяйте первым.
Первое, что стоит проверить, - темп. Половина «не тех» треков лечится сдвигом BPM на десять единиц в нужную сторону. Второе - тип вокала: часто мужской голос там, где просится женский, и наоборот. Третье - плотность аранжировки. Если микс звучит как каша, уберите пару инструментов из описания, а не добавляйте новые.
И не бойтесь получить странный результат. Иногда лучший трек появляется там, где вы случайно написали «хард-рок с балалайкой и женским хором». Хуже всего работают осторожные, размытые формулировки: модель отвечает таким же размытым средним звуком, который ничем не запоминается.
Где ИИ звучит как живой, а где слышно машину
Поп, инди, электроника, синтвейв, lo-fi, фоновая музыка для видео, корпоративные гимны и поздравительные песни - здесь нейросеть выдаёт результат, который спокойно проходит за студийную работу. Попробуйте на слух отличить сгенерированный лоу-фай бит от записанного в домашней студии. Скорее всего, не сможете.
Рок с живыми барабанами и гитарным перегрузом - сложнее, но вполне прилично, особенно в панк- и гранж-эстетике, где грязь в миксе является частью жанра. Джаз с его импровизационностью - лотерея: иногда блестяще, иногда стерильно. Классическая музыка и академический вокал - пока самое слабое место, там слышно нечеловеческую ровность, которая выдаёт происхождение.
Отдельная история - сложные размеры и постоянная смена ритма. Если просите что-то в духе математического рока, готовьтесь к перегенерациям. Модели проще держать ровную пульсацию, чем жонглировать семью восьмыми.
Что делать с готовым треком
Скачать и забыть - самый плохой вариант. Готовый трек почти всегда хочется чуть подрезать: убрать лишние две секунды тишины в начале, поправить громкость, чтобы не орало в наушниках.
Дальше по ситуации. Поздравительная песня уходит в мессенджер, и там достаточно mp3. Фоновая музыка для ролика просит более аккуратного сведения, чтобы не перебивать голос диктора. Трек для стримингов требует отдельного разговора про права и дистрибуцию, и это уже другая история, не про генерацию.
Отдельно советую попробовать караоке-версию. Вытащить вокал, оставить минус, спеть самому под готовую аранжировку - в этот момент понимаешь, насколько качественно сделана музыкальная часть. Если под запись петь легко, значит, основа получилась правильной.
С чего начать конкретно вам
Не пытайтесь сразу сделать шедевр на все времена. Возьмите одну простую тему, которая вам близка: дачу, кота, дорогу домой в пятницу вечером. Напишите четыре строки куплета и две строки припева, без метафор и высокого штиля. Откройте 3seller.com/suno, вставьте текст, добавьте описание звучания в одно предложение, нажмите создать.
Через пять минут у вас будет песня. Может, смешная, может, нелепая, но своя. Дальше вы начнёте понимать, какие слова работают, как меняется настроение от одного прилагательного и почему один и тот же текст в разных жанрах звучит как два разных произведения. Это и есть настоящий навык, а не знание кнопок.
Цена вопроса - от 149 рублей и полчаса времени. Песня на юбилей, которую я в итоге отдал, была четвёртой по счёту. Первые три я даже не сохранил.