Первый раз я уперся в эту задачу на монтаже ролика про поход в горы. Нужен фон без слов: чтобы гитара не лезла в голос диктора, чтобы не было пафоса, чтобы на моменте с перевалом что-то поднималось в груди. Я перелопатил три стоковые библиотеки, отсмотрел сорок треков и поймал себя на мысли, что ищу не музыку, а описание музыки словами. Через день написал это описание в генератор и получил трек, который встал в монтаж с первого дубля.
С тех пор инструменталка через ИИ для меня не диковинка, а нормальный рабочий инструмент. Шишек набил достаточно, чтобы показать, где генераторы реально сильны, а где выдают кашу, которая разваливается на втором прослушивании.
Инструменталка для ИИ проще, чем песня
Неочевидный момент, который многие пропускают. Когда модель генерирует трек с вокалом, она решает две задачи одновременно: музыка и голос. Голос тянет за собой текст, артикуляцию, дыхание, интонацию. Ошибка в вокале слышна сразу, даже человеку без музыкального слуха.
С инструменталом все иначе. Нет вокала - нет самой сложной части. Модель работает только с мелодией, гармонией, ритмом и аранжировкой. Поэтому инструментальные треки у нейросетей получаются стабильнее. Я не раз перематывал сгенерированную песню к проигрышу: вокал вышел кривоватым, а инструментальная подложка - хороша.
Второй плюс - инструментал не привязан к языку. Не нужно думать, поймет ли слушатель слова. Не нужно подгонять слоги под долю. Нужен джазовый фортепианный фон для подкаста - вот он. Нужен эмбиент для медитации - пожалуйста. Нужен эпик для трейлера - тоже можно, если правильно попросить.
Промпт решает две трети результата
Новички обычно пишут что-то вроде "грустная музыка". Получают случайный трек, вздыхают и делают вывод, что нейросеть не умеет. А она умеет. Просто вы дали ей слишком мало вводных.
Рабочий промпт для инструментала состоит из четырех слоев, и каждый лучше прописать явно. Жанр и поджанр. Настроение и энергия. Инструменты, которые должны звучать на переднем плане. Темп и общий характер аранжировки.
Сравните сами. "Грустная музыка" против "неоклассика, одинокое фортепиано с легкой реверберацией, виолончель вступает во второй половине, темп медленный, 60 BPM, без ударных, настроение сдержанной тоски". Второй вариант дает модели карту, а не загадку.
Я добавляю еще одну деталь, которая экономит кучу времени: чего быть НЕ должно. "Без синтезаторных пэдов, без электронных барабанов, без резких динамических скачков". Негативные уточнения работают на удивление хорошо: модели свойственно добавлять "универсальные" слои, которые часто все портят. На Reddit в ветках про генеративную музыку это правило повторяют чаще всего - сначала уберите лишнее, потом добавляйте нужное.
Теги жанра, настроения и инструментов - это не украшение, а руль
Приличные генераторы инструментала устроены одинаково: поле описания, куда кидаете теги или связный текст, и переключатель "инструментал", который отключает вокал. Дальше система сочиняет мелодию, гармонию, ритм и аранжировку с нуля. Ни готовая песня, ни DAW, ни знание теории музыки не требуются.
Теги жанра работают как грубая настройка. #Джаз, #Классика, #Электроника, #Лоу-фай, #Кинематографичная музыка. Теги настроения - как тонкая. #Меланхолия, #Радость, #Напряжение, #Спокойствие. Теги инструментов - как наведение резкости. #Пианино, #Гитара, #Струнные, #Саксофон, #Аналоговый синтезатор.
Сложите все три слоя в один промпт: #Лоу-фай #Спокойствие #Пианино #Винтажный винил. Звучит по-детски просто, но именно так работает управление. Модель не читает ваши мысли, она читает ваш текст.
BPM и энергию почти всегда стоит указывать цифрой или словом. Медленно, средне, быстро, энергично, сдержанно. Когда я делал трек для спортивного ролика и забыл про энергию, получил красивую, но вялую композицию, которая убивала весь кадр. Добавил "высокая энергия, 128 BPM, драйвовые ударные" - и трек ожил.
Где ИИ спотыкается на инструментале
Первая проблема - пустота в середине. Начало и финал модель придумывает отлично, а в районе второй минуты иногда начинает тянуть одну и ту же фразу. Лечится не перегенерацией в панике, а уточнением структуры: попросите развитие, вступление нового инструмента во второй половине, смену настроения ближе к концу.
Вторая - перегруз. Особенно этим грешат эпичные и оркестровые запросы. Модель решает, что раз "эпично", значит надо все сразу: струнные, литавры, хор, синтезаторы, барабаны. В итоге плотная стена, в которой не слышно мелодии. Спасает слово "минимализм" и явное перечисление трех-четырех инструментов максимум.
Третья - неверная длительность. Генераторы часто выдают трек на 30-60 секунд, а нужен фон на пять минут. Тут либо просить продление, либо генерировать несколько фрагментов и склеивать в редакторе. Второй путь надежнее, если нужен контроль над структурой.
Четвертая, самая обидная - треск и артефакты на тихих участках. Когда в композиции мало инструментов и много воздуха, дефекты синтеза вылезают наружу. Помогает мягкий фоновый слой: пэд, легкий шум, реверберация. Он маскирует огрехи и заодно делает трек теплее.
Мой рабочий процесс: от идеи до готового файла за полчаса
Обычно я делаю так. Сначала формулирую, для чего нужен трек и что он должен делать с человеком, который его слушает. Не "какой жанр", а "какое состояние". Фон для объяснения сложной темы - значит, не должно быть резких всплесков и запоминающейся мелодии, которая отвлекает. Трейлер - значит, нужна динамика и точка взрыва.
Дальше пишу черновой промпт и генерирую сразу несколько вариантов. Не один. Разница между дублями огромная, и выбрать из пяти всегда проще, чем мучиться с одним.
Потом слушаю с закрытыми глазами и задаю один вопрос: этот трек что-то делает или просто звучит? Если просто звучит, значит, промпт был слишком общим.
И только после этого уточняю. Медленнее, кинематографичнее, больше воздуха, убрать ударные во вступлении, добавить контрабас. Каждое уточнение - шаг, а не прыжок.
Для такой работы удобно держать под рукой нормальный генератор, а не десять вкладок с бесплатными пробниками. Я пользуюсь Suno на 3seller: там можно создать любую песню, какую только можете представить, и там же есть профессиональные инструменты, если хочется копнуть глубже простого описания. Начните с простой идеи или сразу откройте профессиональный режим: ваш следующий трек уже близко. Цена от 149 рублей, что для задачи "нужен фон к ролику сегодня вечером" просто смешно. Пополнить баланс можно российской картой, через СБП или криптой.
Инструментал без слов можно получить двумя путями
Первый - сразу генерировать без вокала. Описываете тему и настроение, включаете инструментальный режим, получаете чистую аранжировку. Самый чистый и предсказуемый способ.
Второй - взять готовый трек с вокалом и вытащить из него инструментальную часть. Полезно, когда вокал раздражает, а музыка нравится. ИИ-разделение сегодня работает прилично: на выходе два файла, инструментал и изолированный голос. Качество стабильное независимо от того, как был сведен оригинал. Заодно получается караоке-версия, если она нужна.
Есть и третий сценарий, о котором мало кто думает. У вас уже есть своя запись - гитара, вокал, что угодно - и нужен аккомпанемент. Тогда работает не генератор с нуля, а функция добавления инструментов: ИИ выстраивает барабаны, струнные или бас вокруг вашей записи. Для тех, кто пишет музыку сам, это отдельный кайф.
Длительность, петли и стыковка с видео
Для фона под видео или подкаст важна не красота трека, а его незаметность. Хороший инструментал на фоне вы не замечаете. Вы замечаете его отсутствие, когда он выключается.
Практический прием: просите трек без выраженной мелодии в верхнем регистре. Мелодия цепляет внимание, а нам нужно ровно наоборот. Идеальный фон - это ритм, гармония и текстура, без героя-солиста.
Еще трюк с длительностью. Если трек нужен на десять минут, не пытайтесь сгенерировать десять минут сразу. Сделайте двухминутный фрагмент и закольцуйте его, а стыки замаскируйте в редакторе кроссфейдом. Слух не заметит, а вы сэкономите генерации.
Отдельная история - игры и приложения. Там трек должен быть зациклен без щелчка на стыке. Просите начало и конец в одной тональности и без резкого финала, без затухания. "Без фейда в конце" - обязательная строчка в промпте, иначе получите красивое затухание, которое при зацикливании станет провалом.
Можно ли использовать это коммерчески
Самый частый вопрос. Короткий ответ: сгенерированные треки оригинальны, их можно использовать в видео, подкастах, играх и других проектах. Длинный ответ: условия зависят от сервиса и тарифа, и их надо читать глазами, а не по диагонали.
Практическое правило, которое я вывел для себя. Если музыка идет в проект, где есть деньги - реклама, клиентский ролик, коммерческая игра - берите платный тариф с явно прописанными правами. Разница в цене смешная, а голова потом не болит. Для личных роликов и экспериментов хватает базового.
И еще: сохраняйте промпты. Через полгода понадобится трек "в том же духе, что и тот, для склада", и вы будете отчаянно вспоминать, что там было написано. У меня есть простой текстовый файл, куда я скидываю удачные формулировки. Экономит часы.
Где ИИ-инструменталка реально выручает
Создатели контента делают фоновую музыку для видео. Музыканты собирают прототипы идей, чтобы показать группе, как примерно должно звучать. Разработчики закрывают потребность в саундтреке, на который нет бюджета. Свадьбы, дни рождения, корпоративы - там, где нужен персональный трек, а композитора нет.
Мне отдельно нравится сценарий "нужна музыка под конкретный кадр". Есть видео с дождем за окном - описываю дождь, приглушенное фортепиано, лоу-фай, вечернее настроение. Через минуту у меня есть то, что совпадает с картинкой. Стоковая библиотека такого попадания не даст никогда, потому что она не знает про мой кадр.
Чего делать не стоит
Не пытайтесь одним промптом описать всю композицию по секундам. Модель это не воспримет как партитуру. Лучше генерировать частями и собирать.
Гнаться за длинным текстом ради текста тоже смысла нет. Промпт из тридцати прилагательных работает хуже, чем пять точных слов. Модель, как и человек, тонет в противоречиях: "мрачно и светло, энергично и спокойно" даст усредненную кашу.
Не оценивайте трек на телефоне в шумном месте. Артефакты и перегруз слышны только в наушниках или на нормальных мониторах. Половина моих "отличных" треков разваливалась именно там.
И не ждите, что первая генерация станет финалом. В музыке через ИИ работает та же логика, что в фотографии: снимают много, выбирают мало. Пять-десять дублей на один нужный фрагмент - норма, а не признак того, что вы что-то делаете не так.
С чего начать прямо сейчас
Откройте генератор и опишите одну сцену. Не жанр, не стиль, а сцену: "поздний вечер, пустая трасса, фары, спокойный синтезатор, медленный ритм, без вокала". Сгенерируйте три варианта. Послушайте в наушниках. Выберите тот, который вызывает нужное ощущение, даже если он технически не идеален.
Потом уточните его одним словом. Добавьте инструмент. Уберите лишнее. Через двадцать минут у вас будет трек, которого нет ни в одной библиотеке, потому что он написан под вашу задачу. Смысл не в том, чтобы заменить композитора, а в том, чтобы перестать зависеть от чужого каталога, когда нужна своя музыка.
Создайте любую песню, какую только можете представить. Задайте направление - тему, настроение и желаемое звучание, - а потом добавьте детали: имена, язык, характер. Начните с простой идеи или сразу откройте профессиональные инструменты: ваш следующий трек уже близко. Цена от 149 рублей.