За джингл на тридцать секунд мне однажды выставили счет как за полноценный трек: студия, сессионный вокалист, сведение, мастеринг. Я тогда открыл Suno, вставил текст, описал жанр и через пару минут слушал два готовых варианта с живым вокалом. Заказчик выбрал один с первого прослушивания и попросил еще три в том же духе. Студия понадобилась только для финальной полировки громкости.
С тех пор вопрос «какая нейросеть пишет песни» сыплется постоянно, и почти всегда он поставлен слишком широко. Люди смешивают четыре разные задачи: песня с вокалом с нуля, инструментал, озвучка текста голосом и замена вокала в готовом треке. Инструменты тут разные, и лучший в одной категории проваливается в другой.
Ниже расклад по моделям, которые я гонял руками, с деталями, которые видно только на практике.
Suno: нейросеть, которая поет, а не изображает пение
Suno делает песню целиком. Не заготовку, не минус, не мелодию для дальнейшей работы в редакторе, а готовый трек: вокал, мелодию, аранжировку и сведение. На входе либо текст, либо описание настроения словами. На выходе файл, который скачиваешь и ставишь в ролик, в подкаст, в рекламный слот.
Выбирают ее в первую очередь за голос. Вокал звучит естественно, и по-русски тоже. Без акцента, без эффекта «робот прочитал стихи под бит». Большинство музыкальных моделей на русском откровенно кашивают, так что Suno до сих пор редкость.
Механика простая: отправляешь запрос, приходит два разных варианта. Один из двух обычно попадает в задуманное почти сразу. Второй уезжает в странный жанр или теряет припев, но иногда именно он оказывается живее. На Reddit продакшны в звуке описывают ту же картину: из пары дублей один всегда уходит не туда, и это норма, а не брак. Удачные дубли я складываю в отдельную папку, потому что повторный заход с тем же промптом дает другой результат.
Структуру Suno держит крепко. Куплет, припев, бридж, снова припев. Модель понимает разметку в тексте и не пытается спеть все одним куском. Для рекламных джинглов критично: там нужен короткий припев и никакой импровизации.
Два режима Suno, и разница между ними важнее, чем кажется
Первый режим: отдаешь свой готовый текст и жанр. Второй: описываешь словами настроение и позволяешь модели придумать и слова, и мелодию. На практике два разных инструмента, а не одна кнопка с настройками.
Свой текст беру, когда нужна конкретика: название продукта, слоган, юридически выверенная формулировка. Тут модель работает как аранжировщик и вокалист, текст не трогает. Если строка не влезает в ритм, она споет ее быстрее или скомкает. Лечится сокращением строки, а не повторной генерацией.
Описание настроения беру, когда нужен фон или когда нет идей. Формулировки вроде «грустный инди-фолк про позднюю осень, женский вокал, акустическая гитара, медленный темп» дают на удивление всхожий результат. Текст модель пишет сама, и он предсказуемый, но для фона сойдет.
Ловушка новичка: пихать в промпт десять жанров сразу. «Рок, поп, рэп, электроника, немного джаза» превращается в невнятную мешанину. Два жанра максимум, лучше один плюс два-три прилагательных про настроение.
Русский вокал: где модель ломается
Русский для музыкальных нейросетей тяжелее английского, и это слышно. Причина в длинных словах и скоплениях согласных. Английский прощает модели скомканный слог, русский нет: сразу слышно, что человек не поет, а выговаривает.
Suno из этого правила выбивается, но слабые места есть и у нее. Слова с нагромождением согласных вроде «вздрогнув» или «всплеск» на быстром темпе превращаются в шум. Длинные прилагательные в три-четыре слога на высокой ноте теряют последний слог. Проверяю каждую строку на слух и меняю проблемные слова на короткие синонимы. Работает безотказно.
Ударения модель иногда ставит не туда, особенно в редких словах и фамилиях. Если в тексте есть название бренда, проверьте его отдельно и при необходимости разбейте дефисом или перепишите строку. Один раз у меня «Каберне» превратилось в «Кабернэ» и весь припев поехал.
Совет из практики: пишите текст под музыку, а не под поэзию. Короткие строки, простые рифмы, повторяющийся припев. Модель поет такое чисто, а слушатель все равно не вслушивается в третью строку куплета.
Кто еще на рынке: MiniMax, Lyria 3, Udio, OpenMusic
MiniMax держу для коротких задач. Джинглы, фоновые треки, заставки на пять-десять секунд, звук под сторис. Делает просто, но чисто, и генерирует быстро. Для массового контента, где нужен поток, а не шедевр, рабочий вариант. Плюс есть API, что важно, если вы встраиваете генерацию в свой продукт.
Lyria 3 от Google DeepMind компания называет самой продвинутой своей моделью генерации музыки с высоким уровнем творческого контроля. Она делает полноценные треки с вокалом по текстовому описанию, то есть конкурирует с Suno напрямую. Контроль над деталями там действительно выше, но интерфейс и доступ из России сложнее.
Udio часто ставят рядом с Suno. Хороша для вариаций и экспериментов с аранжировкой, когда нужен не готовый хит, а несколько версий одной идеи. По русскому вокалу стабильно слабее.
OpenMusic AI, китайская модель, предлагает два режима: генерация по текстовому запросу и по своим стихам. Второй удобен, если текст уже готов и вы не хотите, чтобы модель что-то дописывала.
Критерии выбора важнее названий. Есть ли API. Понятна ли стоимость. Можно ли использовать результат коммерчески. Насколько удобно встроить модель в ваш процесс. Модель, которая выдает красивые демки, но запрещает коммерческое использование, для работы бесполезна.
Отдельная история: замена голоса в готовом треке
Часть сервисов вообще не пишет музыку с нуля. Они меняют вокал в уже существующем треке, и это совсем другая задача. Схема такая: готовый трек разделяется на а капелла и минус, вокальная дорожка загружается в модель, на выходе тот же трек, но другим голосом.
Знакомый продакшн делал так рекламу: трек сгенерировали в Suno, разложили на дорожки, прогнали вокал через замену голоса и получили нужный тембр без поиска певца. Звучит как читерство, но по факту это обычный пайплайн, просто быстрее.
Границы очевидные. Клонировать голос реального артиста без прав нельзя, и разговоры про «я только для себя» плохо заканчиваются, если трек уходит в сеть. А вот свой голос, записанный один раз, подставлять в чужие мелодии вполне рабочая история.
Промпт весит больше, чем модель
Люди тратят часы на сравнение моделей и тридцать секунд на промпт. Потом говорят, что нейросеть не умеет писать песни. Умеет, просто ей не объяснили, чего хотят.
Рабочая формула: жанр, темп, тип вокала, настроение, два-три инструмента, ограничение. Живой пример, который сработал у меня с третьего раза: «женский вокал, инди-поп, 118 BPM, теплое ламповое звучание, бас и электрогитара с легким овердрайвом, припев с подъемом, без автотюна и без рэп-вставок».
Ограничения через «без» работают лучше, чем кажется. Модель по умолчанию тянет в современный поп с синтетическим вокалом. Фраза «без автотюна» меняет звучание сильнее, чем смена жанра.
Что реально помогает в промпте:
- Указывать BPM цифрой, а не словом «быстро» или «медленно»
- Описывать тип вокала (женский, мужской, хор, шепот, фальцет)
- Задавать структуру текста разметкой, а не надеяться на импровизацию
- Перечислять два-три инструмента, не больше
- Писать, чего быть не должно
И еще: не бойтесь перегенерировать. Два варианта на запрос это мало, пять-шесть прогонов дают предсказуемо хороший результат. Меняйте по одному параметру за раз, иначе не поймете, что сработало.
Чего от нейросети ждать не стоит
Мастеринг под площадки модель не делает. Трек звучит нормально в наушниках, но по громкости и динамике до релизного стандарта не дотягивает. Финальную нормализацию прогоняю отдельно.
Живой динамики тоже не ждите. Нейросеть выдает ровный, предсказуемый трек, где припев громче куплета, но внутренней драматургии мало. Для рекламы и фона это плюс, для авторской песни минус.
С авторскими правами все сложнее, чем в рекламных обещаниях. Тексты, которые модель пишет сама, проверяйте на совпадения. Мелодия может случайно оказаться похожей на что-то известное, и это уже ваша ответственность, а не модели.
И главное: нейросеть не решает, о чем песня. Она отлично упаковывает идею, но идею надо принести самому. Пока в промпте «сделай крутой трек», на выходе будет ровно это, то есть ничего.
Как запустить все это из России без иностранных карт
Доступ к зарубежным музыкальным моделям из России - отдельная головная боль: подписка, карта, регион, иногда VPN. Обошел я это через ИИ-роутер 3GPT от 3SELLER. Не отдельная нейросеть, а точка входа ко всем флагманским моделям сразу.
Что там есть: Chat GPT 6 Astra, the model 5, the model 5.1, the model 5.5, Chat GPT 5.5, Chat GPT 6.1 Sol, Nano Banana для изображений, генерация видео и многое другое. Доступ открывается за 149 рублей, без иностранных карт. Пополнить баланс можно российской картой, через СБП или криптой.

Мне это удобно тем, что не надо держать пять подписок. Текст песни проверил в одной модели, идею аранжировки обсудил с другой, обложку сделал в третьей. Все в одном окне и с одного баланса. Получить доступ ко всем флагманским моделям нейросетей из России можно на официальном сайте 3GPT - https://3seller.com/3gpt.
Картинки и видео к треку делаются там же
Трек готов, а дальше начинается то, о чем забывают: обложка, визуал, короткий клип для соцсетей. Раньше я искал дизайнера на обложку и монтажера на пятнадцатисекундный ролик. Сейчас генерирую сам.
Реалистичные изображения делаю через https://3seller.com/3gpt-image. Там же можно собрать видеоряд под готовый трек и синтезировать голос для озвучки. Для рекламных задач хватает с запасом, я перестал различать, где сгенерированное фото, а где стоковое.


Создавайте реалистичные фотографии через лучшие ИИ инструменты, ссылка на раздел: https://3seller.com/3gpt-image. Обложка, постер, кадр для клипа - все в одном месте.
Готовые ИИ агенты, если не хочется писать промпты
Есть еще штука, которую я недооценил: готовые ИИ агенты под конкретные задачи - https://3seller.com/ai/agents. Выбираешь агента, начинаешь общение, и модель можно менять прямо в чате.

Мне это сэкономило время на этапе, когда нужен не трек, а текст к нему. Агент под копирайтинг выдает структуру припева и куплетов быстрее, чем я объясняю задачу с нуля. Дальше текст уходит в музыкальную модель.
Мой порядок работы над треком
Собрал последовательность, к которой пришел после десятка проектов. Скучная, но экономит часы.
- Тема и структура: о чем песня, какой припев запомнится, где будет бренд
- Текст: пишу сам или через чат-модель, потом сокращаю длинные строки
- Генерация: Suno в режиме своего текста, пять-шесть прогонов с разными жанрами
- Отбор и правка: слушаю все варианты, меняю проблемные слова, генерирую снова
- Обложка и видео: изображение и короткий ролик под готовый трек
- Финальная нормализация по громкости перед публикацией
Дольше всего занимает второй шаг, и это правильно. Хороший текст нейросеть поет чисто с первого раза, кривой приходится переделывать пять раз, и все равно слышно, что что-то не так.
По деньгам выходит смешно. Один трек с вокалом, обложкой и коротким видео обходится дешевле чашки кофе в центре Москвы. Для малого бизнеса, который раньше не мог позволить себе джингл, это меняет правила игры.
Хотите проверить прямо сейчас: возьмите свой текст на восемь строк, опишите жанр двумя словами и добавьте темп цифрой. Первый результат, скорее всего, разочарует. Пятый уже можно ставить в ролик. Доступ ко всем нужным моделям открывается здесь: https://3seller.com/3gpt.