3SELLER Journal 3SELLER →

Создать песню ИИ со своим голосом: 40 минут, шкаф с одеждой и трек без студии

19.11.2026

Первый раз я услышал себя поющим в чужой аранжировке прошлой зимой. Не в душе и не в машине, а в наушниках, из готового файла: мой тембр, мои кривые гласные, но за спиной полноценная группа с барабанами и басом. Ощущение странное. Будто кто-то взял мой голос, отвёл в студию и заставил отработать смену, пока я спал. С тех пор я прогнал через генераторы три десятка треков и собрал набор правил, без которых всё разваливается. Ниже то, что работает на практике.

Сразу главное: чтобы создать песню ИИ со своим голосом, не нужна студия, педагог по вокалу и слух. Нужны три вещи - микрофон получше телефонного, тихая комната и понимание, что вы хотите услышать. Дальше механика.

Голос в нейросети - это короткий сэмпл и сохранённая персона

Вы записываете образец голоса, от десяти до тридцати секунд. Можно читать вслух, можно петь, можно просто произнести пару фраз обычным голосом. Сервис анализирует тембр, интонацию и манеру подачи, а потом сохраняет всё в отдельный профиль. В интерфейсах он называется «персона» или «мой голос».

Дальше промпт: жанр, темп, инструменты, настроение. Запускаете генерацию. Модель придумывает мелодию с аранжировкой и озвучивает её голосом из вашего профиля. На выходе файл, где вы поёте вещь, которую никогда не репетировали.

Ключевой момент, который многие пропускают: персона сохраняется один раз и работает многократно. Записали тридцать секунд в понедельник - в пятницу делаете поп-балладу, в субботу рок, в воскресенье рэп для друга. Повторно записываться не надо. Здесь и начинается разница между «звучит как я» и «звучит как я после двух суток без сна».

Сэмпл решает больше, чем модель

Люди уверены, что качество зависит от названия нейросети. По факту процентов на семьдесят результат определяется тем, что вы записали в качестве образца. Плохой сэмпл не спасёт никакая модель, даже самая свежая.

Я записывал три версии одного текста. В ванной с красивой плиткой и гулким эхом вышло как запись из тоннеля. В машине, с шумом улицы, появился металлический призвук и странные шипящие. Победил шкаф с одеждой и гарнитура от телефона: ткань гасит отражения, и генератор получил чистый сигнал без комнаты.

На Reddit в ветках про генерацию музыки новички жалуются ровно на это: голос вроде похож, а припев звучит как чужой. Причина почти всегда в образце, а не в модели.

Отсюда простое правило: чем чище и суше запись, тем узнаваемее потом звучит голос. Модель не должна угадывать, где ваш тембр, а где реверберация прихожей.

Как записать сэмпл, который не превратится в робота

Вот что я делаю теперь всегда.

Пишу на расстоянии ладони от микрофона, чуть сбоку. Дышать прямо в мембрану не надо, иначе получите взрывные «п» и «б», которые вылезут в припеве. Говорю и пою в полный голос, но без крика. Крик нейросеть трактует по-своему и часто добавляет в тембр лишнюю агрессию.

Обязательно пропеваю одну длинную гласную, тяну «ааа» или «ооо» секунды три. На протяжном звуке слышно вибрато и дыхание, а из них и складывается ощущение живого вокала. Если записать только быструю речь, модель получит ритм и артикуляцию, но не получит певческую основу.

Умное шумоподавление на телефоне оставляю включённым, дешёвое выключаю. Оно съедает верхние частоты и делает голос ватным, а генератор потом повторяет эту ватность. Тихая комната без обработки лучше шумной с фильтром.

Длина: десяти секунд хватает, чтобы модель поняла тембр, но для устойчивого результата я даю двадцать-тридцать. Тридцать секунд чистой речи плюс десять секунд протяжного пения - оптимум. Дольше не влияет.

Промпт: описывайте сцену, а не жанр одним словом

Самая частая ошибка новичков - написать в поле стиля «рок» и удивляться результату. «Рок» это десяток направлений с разными барабанами, гитарами и подачей.

Работает бытовая конкретика, почти кинематографическая. Не «баллада», а «тёплая акустическая баллада, мягкая гитара, медленный темп, голос из сохранённой персоны, лёгкая хрипотца». Не «танцевальный трек», а «диско конца семидесятых, живая бас-линия, женский бэк-вокал на подпевках, темп 118, яркие струнные на втором куплете».

Держу под рукой формулу, которая работает почти всегда: настроение плюс жанр плюс три инструмента плюс темп плюс одна деталь продакшена. Пять элементов, не больше. Абзац на пол-экрана модель путает и смешивает несовместимое - получается каша с саксофоном поверх хэви-метала.

Отдельно про язык. Русский вокал в свежих версиях звучит прилично, но ударения иногда плывут на редких словах и именах собственных. Проверяйте имена героев песни в первом прогоне. Коверкается - пишите латиницей или заменяйте на простое. Мелочь, но в подарке на день рождения её заметят первым делом.

Персона живёт дольше одной песни

Смысл затеи не в одном треке, а в том, что профиль остаётся. Через месяц вы заходите снова и делаете новую вещь тем же голосом, без записи. Получается личный вокальный аватар.

Я проверил это на четырёх жанрах с одной персоной: поп-баллада, панк, лиричный шансон и детская песенка для племянницы. В балладе голос звучал почти как мой в спокойном состоянии, в панке появилась злость, которой у меня в жизни нет, в детской вышел мягче и моложе. Тембр узнавался везде. Главный фокус здесь не идеальная копия, а узнаваемость в любом контексте.

Одна персона не значит, что нельзя сделать вторую. Я держу два профиля: обычный, для личных песен, и «сценический», записанный чуть громче и с более уверенной подачей. Второй лучше садится на рок и электронику.

Где ломается реализм: согласные, дыхание, высокие ноты

Первые генерации всегда выдают себя. Причём не тембром, а мелочами.

Согласные на стыке слов слипаются, и вместо чёткой фразы слышится мычание. Лечится короткой паузой в тексте, разбивкой длинной строки на две. Дыхание модель ставит не всегда в логичном месте, а если ставит, то слишком театрально, будто певец отрабатывает драму. Убирается спокойным описанием подачи в промпте.

Высокие ноты - отдельная история. Если в сэмпле вы не пели выше определённой границы, на верхних нотах генератор звучит напряжённо и синтетически. Мой приём: просить тональность ниже комфортной и поднимать pitch уже в редакторе. Голос остаётся ровным и не выдаёт себя на кульминации.

Про цифровые артефакты: металлический призвук на «с» и «ш» значит, что в сэмпле был шум или перегруз. Перезапишите профиль, это быстрее, чем чистить каждый трек отдельно.

Генерируйте по три версии и слушайте в машине

Одна генерация почти всегда мимо. Не потому, что модель плохая, а потому, что вы сами ещё не поняли, чего хотите. Делайте две-три версии с одной персоной и разными настройками, потом сравнивайте.

Слушать лучше не в наушниках за компьютером, а в машине или в колонке на кухне. В наушниках мозг анализирует, в машине вы реагируете телом. На припеве хочется прибавить громкость - трек получился. Рука тянется переключить - никакой мастеринг не спасёт.

Из трёх версий обычно одна звучит узнаваемо и естественно, вторая интереснее аранжировкой, но с чужим голосом, третья разваливается по структуре. Иногда лучше взять вокал из первой и инструментал из второй, если сервис умеет разделять дорожки. Функция называется стем-разделением.

Песня-подарок: сценарий, который срабатывает всегда

Самый живой кейс, который я видел, не связан с творчеством. Друг заказал песню для мамы на пятидесятилетие. Написал в описании пару фактов: она учитель, любит сад и печёт лучшие пироги. Добавил жанр, поп-баллада с тёплой гитарой, и свой голос в качестве персоны. Получилась песня, где он поёт про её розы и про то, как пахнет кухня по воскресеньям.

Реакция оказалась сильнее, чем от любого купленного подарка. Люди редко плачут от конверта с деньгами, а от песни, где их ребёнок поёт про них, плачут почти все.

Секрет таких треков в конкретике. Не «мама, ты лучшая», а «твой пирог с капустой помнит весь подъезд». Одна бытовая деталь даёт больше эмоции, чем десять абстрактных комплиментов. В промпте это работает так же, как в тексте: конкретный образ вместо общего пожелания.

Свой голос и чужие песни: граница, за которую я не хожу

Технически можно скопировать манеру известного артиста и сделать кавер, который не отличить. Я так не делаю и вам не советую - не из моральных соображений, а из практических. Голос живого человека в большинстве юрисдикций защищается как часть личности, и коммерческий трек без разрешения заканчивается разговором с юристом, а не с фанатами.

Свой голос - другое дело. Тут вы владелец, и претензий быть не может. То же с голосом друга, если он дал согласие и понимает, где будет звучать трек. Устного «да, прикольно» в мессенджере хватает для личного подарка, для публикации лучше что-то более оформленное.

С текстами проще. Свой текст ваш. Текст, сгенерированный ИИ по вашему описанию, в большинстве сервисов можно использовать свободно, но условия смотрите в конкретной платформе, а не в обзорах на ютубе.

Что делать с готовым треком дальше

Голый файл из генератора звучит тише и бледнее коммерческих релизов. Не потому, что плохой, а потому, что не сведён под стриминговые стандарты громкости. Быстрый домашний шаг: нормализовать до минус 14 LUFS, подрезать низ до 30 герц, чтобы не гудело на колонках, и добавить полдецибела на верхах для ясности. Любой бесплатный редактор справится за пять минут.

Дальше простор: залить в соцсети с картинкой, отдать в подарок, поставить саундтреком к видео, выложить на стримингах через дистрибьютора. Если планируете стриминг, проверьте требования по метаданным: часть площадок просит помечать треки, созданные с ИИ. Это не страшно и охваты не снижает, просто ещё одна галочка.

Обложку тоже можно сделать в том же сервисе, чтобы не искать дизайнера ради одного трека. Генератор картинок по описанию настроения справляется за минуту.

Сколько времени и денег это стоит на самом деле

Мой личный рекорд: полный цикл от записи сэмпла до готового файла - сорок минут. Двадцать из них ушло на перезапись образца, потому что первый раз я поставил микрофон слишком близко. Дальше три генерации по две минуты, выбор, лёгкая чистка. Всё.

По деньгам всё гуманно. В 3seller.com/suno старт от 149 рублей, этого хватает на несколько треков, чтобы понять, надо вам это или нет. Пробовать за такие деньги можно без внутренних переговоров с собой. Если зайдёт, там же есть профессиональные инструменты, но начинать с них не нужно. Сначала простая идея, потом настройки.

Создание песни ИИ со своим голосом в интерфейсе генератора Suno на 3seller.com

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, пополнить баланс можно российской картой, через СБП или криптой.

Как создать песню с помощью ИИ: два шага до результата

Начинать с готовой композиции не обязательно. Достаточно сформулировать, о чём песня и какое настроение должна передавать.

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.

Голос выбирайте последним. Сначала смысл, потом звук. Если сделать наоборот, получится красивая обёртка без содержания, и вы это почувствуете на втором прослушивании.

Три вещи, которые я бы сделал иначе, если бы начинал с нуля

Записал бы сэмпл не на телефон в комнате, а сразу в тихом помещении с мягкими поверхностями. Потерял на этом полтора вечера и четыре неудачные персоны.

Не пытался бы с первого раза сделать идеальный трек. Первые пять генераций - калибровка: вы знакомитесь с тем, как сервис понимает ваши формулировки. Относитесь к ним как к черновикам, а не как к релизу.

Сразу сохранял бы удачные промпты в заметки. Через неделю вы не вспомните, какая формулировка дала тот самый тёплый припев, и будете перебирать заново. У меня в телефоне файл «промпты» на двадцать строк, и я открываю его постоянно.

Что в результате получается

Голос в генераторе не заменяет вас, он вас продолжает. Вы всё ещё решаете, о чём песня, какие там слова, какое настроение и кому это адресовано. Нейросеть берёт рутину: аранжировку, сведение, вокал, на который у вас не хватило бы дыхания.

Ценность тут не в технологии. Порог входа упал почти до нуля. Раньше, чтобы услышать свою песню, нужно было найти музыкантов, заплатить за студию и надеяться, что сессия не сорвётся. Теперь нужен шкаф с одеждой, тридцать секунд смелости и ссылка https://3seller.com/suno.

Начните с одной фразы о том, что вас сейчас цепляет. Не с идеальной песни, а с одной фразы. Дальше пойдёт быстрее, чем кажется.

← Вернуться к блогу

Читать дальше