Китайская песня от нейросети звучит убедительно ровно до момента, когда её слышит носитель языка. Он морщится на втором слоге, переспрашивает, потом вежливо говорит: «Красиво». Это «красиво» означает, что вокал поплыл по тонам, а половина строки превратилась в кашу. Схема ниже экономит часы на переделках.
Создать песню на китайском реально за вечер. Только подход «сделаю как английскую» даёт фонетический мусор с милой мелодией. Разница в деталях, о которых почти не пишут в мануалах.
Мандаринский вокал ломает привычные шаблоны генерации
В путунхуа около 400 слогов без тонов и примерно 1300 с тонами. Слогов мало, зато у каждого есть высотный контур, который несёт смысл. Слог «ma» может означать маму, коноплю, лошадь или ругательство. Всё держится на высоте, на которой вы его произнесли.
Классическая проверка на слух - скороговорка 妈妈骂马 (māma mà mǎ): три разных тона на почти одинаковом звуке. Модель, которая не держит контур, выдаёт ровное «мама-мама-мама» и ни одного правильного смысла.
Модель, обученная в основном на англоязычных данных, тонов не чувствует. Она тянет гласные по правилам западной поп-музыки: длинная нота, красивое вибрато, ровный звук. Тон умирает где-то на подходе к припеву, и носитель слышит не «мама», а бессмысленный набор звуков.
Вторая ловушка - структура слога. В мандаринском нет кластеров согласных, слог заканчивается гласным либо на n и ng. Китайская строка ложится в мелодию иначе, чем русская: короче, ровнее по ритму, больше открытых гласных. Если сгенерировать трек с длинными русскими словами и попросить «спеть это по-китайски», получится рубленый ритм. Он сразу выдаёт машинное происхождение.
Тоны и мелодия воюют друг с другом
Китайские композиторы решают конфликт вручную. Ключевые слова ставят на длинные ноты, чтобы контур успел прозвучать. Быстрые пассажи пишут на служебных словах, где потеря тона не критична. В медленных балладах тон слышно почти полностью, в рэпе он разваливается, и смысл восстанавливают по контексту.
Вывод для генерации: не пихайте смысловые ядра в быстрые распевки. «我爱你» (я тебя люблю) на четыре такта по три слога в секунду - и тон 我 (wǒ) с нисходяще-восходящим контуром не выживет. Разложите фразу на длинные ноты, и результат сразу станет похож на живого исполнителя.
Отдельная мелочь: 不 (bù) и 一 (yī) меняют тон в зависимости от следующего слога. Модель об этом не знает и поёт их так, как написано в пиньине. Замечают единицы, но именно из таких мелочей складывается ощущение «живой или не живой».
На входе достаточно темы, настроения и трёх строк
Готовая композиция не нужна. Достаточно сформулировать, о чём песня и какое настроение она несёт. Промпт я пишу в три слоя: тема (расставание в аэропорту Пудуна), настроение (тёплая горечь, не истерика), звучание (женский вокал, акустическая гитара, струнные, 78 bpm).
Дальше текст: несколько строк, готовый стих, набор образов, имена, язык. Работает приём - написать две строки на русском, перевести на китайский и попросить модель дописать остальное в том же размере. Мысль остаётся вашей, ритм и рифмы подгоняет система.
Всё это я делаю на 3seller.com/suno. Сервис отдаёт готовый трек с вокалом, а не минусовку, и это принципиально: китайский вокал - самая сложная часть задачи, её обычно приходится добивать вручную в других инструментах.
Как создать песню с помощью ИИ
Чтобы сделать ИИ-песню, не обязательно начинать с готовой композиции. Достаточно сформулировать, о чём она 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.

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, для эксперимента с мандаринским вокалом смешные деньги.
Текст на китайском: где брать иероглифы и как не опозориться
Машинный перевод в песне видно сразу. Грамматически правильный и при этом мёртвый: книжные конструкции, лишние 的 через слово, 很 перед каждым прилагательным. В реальных песнях 很 встречается в разы реже, чем в учебниках.
Рабочий приём - брать коллокации, а не отдельные слова. Не «красивый» плюс «цветок», а устойчивое сочетание, которое носитель узнаёт целиком. Сомневаетесь - ищите фразу в текстах на китайских стримингах вроде QQ Music или KuGou и смотрите, встречается ли она у живых авторов. На Reddit в ветках про мандаринский вокал советуют ровно то же: проверять сочетаемость, а не переводить слово в слово.
Служебные частицы - отдельная история. 了, 着, 过 меняют вид глагола и несут время. В припеве их легко перебрать, и строка начинает звучать как протокол, а не как признание в любви. В поэтическом тексте частицы часто опускают: китайская лирика любит сжатость.
Имена и топонимы проверяйте отдельно. Город в припеве должен звучать так, как его реально называют, а не как в справочнике. Пекинцы скажут 北京, а не «столица», и по эмоции это разные вещи.
Жанр решает половину задачи
Баллада в стиле мандаринского попа - самый безопасный вариант. Медленный темп, длинные ноты, вокал вытягивает тоны почти полностью, слушатель всё понимает. Первую китайскую песню начните с неё, а не с рэпа.
Гофэн (国风) - неомузыка с гучжэном, эрху и флейтой ди. Тут важно попасть в пентатонику: пять ступеней вместо привычных семи. Модель, которой не объяснили лад, охотно вставит европейские полутона, и трек потеряет восточный характер. Пишите в промпте явно: pentatonic scale, guzheng, erhu, no western chord progressions.
Городской поп с электрогитарой и синтами тоже работает: он ближе к западным лекалам, модели на нём увереннее. Рэп и инди - для тех, кто уже понимает, что делает. Там сленг, игра слов, быстрые пассажи, и любой косяк с тоном слышен как ошибка иностранца.
Аналогия с изучением языка прямая. Преподаватели годами начинают с медленных песен и чёткой дикции, классика тут - Тереза Тенг с её 甜蜜蜜. Современный поп с разговорными выражениями идёт следующим шагом, рэп и инди - для продвинутых. В генерации та же логика: чем проще жанр и медленнее темп, тем чище вокал на выходе.
Песня как тренажёр для языка, и тут ИИ даёт то, чего не было
Китайский по песням учат давно и успешно. Схема известна: разбить трек на фрагменты по 5-10 секунд, послушать, выписать услышанное иероглифами, сверить с текстом, отметить места, где мелодия ломает тон. Потом проговорить строку как стихотворение и пропеть. Речевой режим ставит тоны и паузы, вокальный - артикуляцию и дыхание.
Эксперты Hacking Chinese в своих разборах подчёркивают: мелодия работает как мнемоника для тонов, потому что мозг цепляет контур вместе со смыслом. Отсюда и эффект - строка из припева всплывает сама, без карточек.
Проблема старых песен в том, что лексика в них не ваша. Вы учите слова про луну и разлуку, хотя нужны фразы для переговоров или для поездки в Шэньчжэнь. С генерацией всё переворачивается: словарь задаёте вы. Собрали двадцать слов, которые сейчас проходите, попросили трек с ними - и вот персональный учебный материал, который не стыдно слушать в наушниках по дороге на работу.
Знакомые, которые готовятся к HSK, делают так: берут лексику юнита, пишут сюжет на русском, генерируют песню и разбирают её как обычный трек. Запоминается в разы быстрее, потому что мелодия цепляет частицы и порядок слов. Карточки проигрывают.
Проверка результата: что я реально делал
Генерирую три версии одного текста с разными промптами: чистая баллада, уклон в гофэн, городской поп. Слушаю сам и отсеиваю то, где вокал «съезжает» на служебных словах или слышен акцент, которого я не заказывал.
Потом отправляю двум-трём знакомым носителям. Прошу не оценивать музыку, а записать услышанное иероглифами. Совпало на 80 процентов - версия живая. Совпало на 50 - тоны поплыли: переписывайте строку, ставьте смысловые слова на длинные ноты или меняйте темп.
Самый частый провал - имена собственные и длинные прилагательные. Их лучше не тащить в припев. Второй по частоте - быстрые предприпевные секции, где модель экономит слоги и проглатывает окончания. Лечится плотностью текста: меньше слов на такт, больше воздуха.
Чего ИИ пока не умеет, и это надо принять
Эрхуа, пекинское «er» в конце слов, осмысленно не воспроизводится. Модель может вставить звук, но не туда, где он нужен по диалекту. Нужен пекинский колорит - либо откажитесь от идеи, либо оставьте эрхуа в одном-двух местах и не настаивайте.
Региональные акценты - лотерея. Попросить «южный акцент» можно, получить именно тот, который вы имели в виду, вряд ли. С длинными фразами на одном дыхании тоже беда: живой певец тянет строку и добирает воздух незаметно, а генерация иногда режет фразу там, где по-китайски резать нельзя, потому что меняется смысл.
Смешение языков внутри строки работает через раз. Одна-две английские фразы в припеве - нормально. Полноценный код-свитчинг, как в реальном мандаринском рэпе, модель путает и начинает петь английские слова с китайскими тонами.
Кому это вообще нужно
Первое и очевидное - подарок. Песня с именем человека, с деталями, которые знаете только вы двое, на языке, который он любит. Такое не купишь и не скачаешь. Второе - контент: короткие видео для китайских площадок требуют местной музыки, а лицензионные треки стоят заметно дороже генерации.
Третье - бизнес. Презентация для партнёров из Гуанчжоу с собственным джинглом на мандаринском производит эффект, которого не даст ни один слайд. Четвёртое, и для меня самое интересное, - язык. Персональный учебный трек из вашей лексики работает лучше любого приложения с попугаем.
Порог входа смешной: от 149 рублей за трек на 3seller.com/suno. Час студии и сессионный вокалист, который реально поёт на мандаринском, стоят в сотни раз дороже. Качество не всегда студийное, но для 80 процентов задач хватает с запасом.
Порядок действий, который экономит вечер
Сначала решите, для чего трек. От этого зависит жанр и плотность текста. Подарок - баллада, медленно, разборчиво. Контент - поп или гофэн, темп выше. Учёба - медленно и максимально чётко, даже в ущерб красоте.
Потом текст: две-три строки на русском, перевод, проверка коллокаций, отказ от книжных конструкций. Служебные частицы - по минимуму. Смысловые слова - на длинные ноты.
Дальше промпт: тема, настроение, жанр, тип вокала, темп, инструменты. Язык указывайте явно, иначе модель уйдёт в английский на втором куплете. Сгенерируйте три версии, а не одну.
И последнее: дайте послушать носителю до публикации. Один человек, пять минут, и вы узнаете то, чего не покажет ни один спектроанализатор. Правьте не музыку, а текст и темп - в девяти случаях из десяти проблема именно там.