У меня в телефоне лежит файл с текстом, которому три года. Куплеты дописаны, припев цепляет, а музыки нет. Я не играю на гитаре, не умею петь в студии и не готов платить аранжировщику тридцать тысяч за демо, которое потом всё равно переделывать.
Полтора года назад я вставил этот текст в генератор и нажал кнопку. Через минуту услышал свой куплет живым голосом, с битом и с припевом, который подхватывается. Ощущение странное. Не «вау, робот поёт», а «стоп, это же мои слова, и они звучат». С тех пор я прогнал через нейросети, наверное, сотни текстов. Собрал набор правил, без которых результат стабильно получается мусорным. Про них и расскажу, без теории про диффузионные модели.
Готовый текст - это уже семьдесят процентов песни
Люди уверены, что главное в ИИ-генерации - это модель. Какая нейросеть, сколько параметров, кто обучил. На практике текст решает больше. Модель делает звук, а структуру, смысл и повторы задаёте вы. Плоский текст про «море, небо и любовь» превратится в плоский трек, каким бы крутым ни был генератор.
Зато у вас есть то, чего нет у большинства пользователей сервисов, которые просят ИИ «придумать песню про лето». Свой текст. Живой, с конкретикой, деталями, именами, запахами, временем года. Сгенерированная рифмованная вода такого не даёт никогда.
Запрос «создать песню ии бесплатно с готовым текстом» - самый выгодный сценарий работы с ИИ-музыкой. Вы не платите за сочинение слов, вы платите только за звук. А звук сегодня как раз то, что нейросети делают лучше всего.
Что физически происходит, когда вы вставляете текст в генератор
Вы кладёте слова в поле, выбираете жанр, настроение, тип вокала, нажимаете кнопку. Дальше модель разбирает текст на фразы и слоги, строит мелодическую линию, подбирает гармонию, ритм и аранжировку. Потом синтезирует голос. На выходе полноценный трек: инструментал плюс вокал, уже сведённые между собой.
Звучит как магия. На самом деле вы получаете ровно то, что описали. Написали в поле стиля «что-нибудь бодрое», сервис честно сделает что-нибудь бодрое и забудет про всё остальное. Написали «инди-рок, женский вокал с хрипотцой, темп около 110, гитары с лёгким овердрайвом» - получите совсем другой уровень попадания.
Второй момент, о котором почти никто не думает: текст для чтения и текст для пения - разные вещи. Строка из двенадцати слов с четырьмя согласными подряд в середине не споётся ни одним вокалистом, ни синтетическим, ни живым. Модель выкрутится, но выкрутится криво: скомкает фразу, съест слог. Если слышите, что вокал «давится», дело не в нейросети.
Теги секций решают, где начнётся припев
Трек звучит криво чаще всего по одной причине. Модель не поняла, где куплет, а где припев. Поставила припев после первой же строки, а вы ждали его через восемь. Лечится разметкой, и это две минуты работы.
Разбейте текст на секции и подпишите их. Работает и на русском, и на английском, причём англоязычные метки некоторые модели понимают чуть точнее.
- [Куплет] или [Verse] для повествовательной части
- [Припев] или [Chorus] для того, что должно повторяться
- [Бридж] или [Bridge] для контрастного куска ближе к финалу
- [Аутро], [Инструментал] или [Outro], если нужен проигрыш
Мелочь, которая экономит три-четыре перегенерации. Мой текст про поезд в Тверь на первой генерации уехал в шансон. После метки [Припев] и уточнения «инди-фолк» модель попала в настроение. Ещё один приём: важные повторы пишите в тексте явно, не надейтесь, что модель догадается. Припев должен прозвучать дважды - значит в тексте он стоит дважды. Нужен шёпот в начале - так и напишите, прямо в квадратных скобках.
Стиль и вокал важнее, чем кажется на первом прогоне
Новички обычно пишут в поле жанра одно слово. «Поп», «рок», «рэп». Получают усреднённый звук, который ничем не отличается от тысяч таких же генераций, и делают вывод, что нейросеть не умеет. Умеет, просто вы не сказали, чего хотите.
У меня есть шпаргалка из четырёх параметров, которые прописываю всегда: жанр с уточнением, темп, тип голоса, настроение. Например: «медленный соул, темп 72, мужской баритон с лёгкой хрипотцой, тёплая ностальгия, живые барабаны, минимум синтезаторов». Чем конкретнее описание, тем меньше случайности в результате.
Отдельно про голос. «Женский вокал» - это ни о чём. «Женский альт, чуть с хрипотцой, ближе к инди-фолку, чем к попсе, с придыханием на концах строк» - уже инструкция. Разница в восприятии огромная, особенно на длинных нотах и в припеве.
Бесплатный тариф годится, чтобы попробовать. Работать на нём не стоит
Почти все сервисы дают первую генерацию бесплатно. Часто сразу две версии одного и того же текста, чтобы было из чего выбрать. Длина трека может доходить до восьми минут. Этого честно хватает, чтобы понять, работает ли ваш текст в принципе, и стоит ли вообще продолжать.
Дальше начинается арифметика. Бесплатные попытки заканчиваются, появляются очереди, ограничения по длине, водяные знаки, запрет на коммерческое использование. Для эксперимента нормально. Для чего-то серьёзного, будь то релиз или подарок, уже нет. Вы либо застреваете на пятой перегенерации, либо получаете трек, который нельзя выложить.
Плюс бесплатный тариф почти всегда даёт самый слабый вокал. Это не заговор, это вычислительные ресурсы. Качественный синтез голоса дороже в обработке, поэтому на демо-режиме его либо урезают, либо ставят в очередь с низким приоритетом.
Почему я остановился на 3seller.com/suno
Я перепробовал достаточно, чтобы иметь мнение. Главная причина, по которой я остался на 3seller.com/suno, звучит просто: вокал не отличим от живого исполнителя. Нет металлического призвука, нет эффекта «робот читает стихи под бит». Слышно дыхание, фразировка живая, окончания строк не обрубаются на середине.
Специально давал послушать несколько треков людям, которые слушают музыку много и профессионально. Ни один не сказал «это нейросеть». Максимум спрашивали, кто поёт и где писали. Это, наверное, лучший тест качества, который существует.
Второй момент практический. Начинать можно с простой идеи в одну строку, а можно сразу открыть профессиональные инструменты и ковыряться в настройках сколько угодно. Мне как человеку, который любит контролировать детали, это важно. Цена от 149 рублей, что для генерации полноценного трека с вокалом смешно. Одна чашка кофе в центре Москвы стоит дороже.
Создайте любую песню, какую только можете представить. Начните с простой идеи или сразу откройте профессиональные инструменты, ваш следующий трек уже близко. Все ИИ-инструменты, если понадобится что-то ещё, собраны тут: 3seller.com/3gpt.
Задайте направление, прежде чем вставлять текст
Опишите тему, настроение и желаемое звучание. Песня о любви, танцевальный трек или история для особенного случая: свадьбы, дня рождения, корпоратива. Одна внятная строка описания экономит пять перегенераций, проверено на себе.
Полезный приём: представьте, что объясняете задачу живому аранжировщику по телефону. Первые тридцать секунд разговора и есть ваш промпт. Не «сделай красиво», а «нужен медленный трек с пианино, чтобы под него выходила невеста, и чтобы к припеву подключились струнные».
Добавьте текст или хотя бы сюжет
Начните с нескольких строк, готового текста, стихов или просто набора образов. Уточните важные детали, имена и язык песни. Если текста нет вообще, не страшно: встроенный генератор накидает черновик, а вы перепишете его под себя. Свои три строки всегда лучше чужих двадцати.
Теперь про язык. Русский синтез за последние два года вырос сильно, но ударения и сложные составные слова всё ещё иногда спотыкаются. Если слышите неверное ударение в конкретном слове, попробуйте переписать строку так, чтобы слово стояло в другой позиции. Часто помогает быстрее, чем перегенерация.
Пять ошибок, из-за которых трек получается мусорным
Слишком длинные строки. Если строка не влезает в один вдох, вокалист её скомкает. Разбейте на две короткие. Правило простое: читайте вслух и дышите там, где дышится.
Одна и та же интонация везде. Куплет и припев должны отличаться по плотности и высоте. Если оба блока одинаковой длины и одинакового ритма, модель споёт их одинаково, и трек получится плоским.
Нет пауз. Люди боятся тишины и забивают текстом каждую секунду. Живая музыка дышит, в ней есть проигрыши и пустые такты. Оставьте место, куда войдёт инструментал.
Слишком много инструкций. Обратная крайность: описание на двадцать строк, где перечислено всё сразу. Модель теряет приоритеты. Три-четыре ключевых параметра работают лучше двадцати.
Первая версия как финальная. Сервисы часто выдают два варианта одной песни, и это не случайность. Второй почти всегда отличается характером. Слушайте оба до конца, прежде чем что-то удалять.
Права и что делать с готовым треком
Тут многие попадаются. Бесплатные генерации обычно не дают коммерческих прав, а платные дают, но с условиями, которые надо прочитать глазами, а не по диагонали. Планируете выкладывать трек на стриминги или ставить в рекламу - проверьте этот пункт до, а не после.
Дальше начинается скучная, но рабочая часть. Обложка, дистрибуция через агрегатор, релиз, ссылки. Или, если задача была поздравить друга, просто отправить файл в мессенджер. Второй сценарий, кстати, встречается в разы чаще, и это абсолютно нормально.
И ещё одно наблюдение из практики. Люди недооценивают, насколько сильно готовый трек меняет отношение к собственному тексту. Стихи, которые казались слабыми на бумаге, в вокале с музыкой внезапно работают. И наоборот, то, что вы считали гениальным, в пении разваливается. Проверять надо звуком.
С чего начать прямо сейчас
Откройте заметки и найдите текст, который лежит без дела. Скорее всего, он там есть, у всех есть. Разбейте его на куплет, припев и бридж, поставьте метки, допишите одной строкой, каким вы слышите звучание.
Дальше 3seller.com/suno: вставляете текст, выбираете голос, жмёте генерацию. Через пару минут у вас на руках трек, а не файл с текстом. Дальше только вопрос вкуса: перегенерировать, менять стиль, пробовать другой вокал.
Самое смешное, что за полтора года я так и не выпустил тот первый текст в релиз. Зато сделал десятки других, для друзей, для праздников, для себя. Главным оказалось не качество модели. А готовность нажать кнопку вместо того, чтобы ещё год хранить текст в заметках.