Первый трек по промту я собрал за одиннадцать минут. Второй раз потратил три часа и получил хуже. Причина не в модели и не в подписке. Я поленился описать, чего хочу, и нейросеть честно додумала за меня: взяла средний темп, средний вокал, среднюю аранжировку.
С тех пор отношусь к промту как к техзаданию. Жанр, темп, настроение, инструменты, манера вокала, структура, характер микса. Чем плотнее запрос, тем меньше вариантов перебирать на слух.
Нейросеть не читает мысли, она читает теги
Знакомый аранжировщик на просьбу «сделай что-нибудь в духе 80-х» задаст десяток вопросов: синти-поп или пост-панк, 118 или 140 BPM, женский вокал или мужской, реверберация как у Cocteau Twins или сухой звук. Нейросеть вопросов не задаёт. Молча выбирает один вариант из миллионов и выдаёт готовый файл. Отсюда ощущение лотереи: то попадёт, то нет.
Лотерея лечится модульной формулой. Запрос разбивается на блоки, каждый отвечает за свой слой: ритм, гармонию, тембр, голос, форму. Меняете один блок - слушаете, как поехала вся песня. Через несколько итераций приходит понимание, какая строчка за что отвечает.
Формулу можно копировать и переставлять блоки местами. Мой шаблон живёт в заметках второй год, меняются только квадратные скобки.
Восемь блоков, из которых собирается любой промт
- Жанр и поджанр: не «рок», а «инди-рок с гитарным перегрузом в духе 90-х»
- Темп и размер: BPM и 4/4 либо 6/8, без цифры модель угадывает
- Настроение и энергия: ностальгия, злость, лёгкая ирония, ровный драйв
- Инструменты и саунд-дизайн: конкретные тембры, а не абстрактное «красиво»
- Вокал: пол, тембр, манера, язык, бэки
- Структура и длина: куплеты, припевы, бридж, соло, аутро
- Микс: плотность, ширина стерео, положение вокала
- Контекст: тизер, радио, TikTok, фон под голос, реклама
Восемь блоков не означают восемь абзацев. В рабочем виде это две-три плотные строки, где на каждый блок приходится несколько слов. Развёрнутые описания нужны, когда вы уже понимаете, чего не хватает.
Контекст пропускают чаще всего, а он решает. Трек под закадровый голос в подкасте и трек под тизер в вертикальном видео делают по-разному: в первом вокал уводят назад и освобождают середину, во втором хук должен прозвучать в первые пять секунд. Одна строчка про контекст экономит пачку перегенераций.
Скелет промта, который можно копировать
Мой рабочий шаблон выглядит так: Genre: [жанр, поджанр, эпоха]. Tempo: [BPM], [размер]. Mood: [настроение и энергия]. Instruments: [3-5 тембров]. Vocals: [пол, манера, язык]. Structure: [intro, verse, chorus, verse, chorus, bridge, final chorus]. Mix: [плотность, вокал вперёд или назад]. Use case: [где будет играть]. Квадратные скобки заполняете по смыслу, лишние блоки выкидываете. Для фоновой музыки можно убрать вокал и структуру, оставив жанр, темп и микс.
Латиница в тегах жанра и инструментов срабатывает чаще. Модели обучены в основном на англоязычных описаниях, и dreamy synthwave поймут как надо, а «мечтательный синтивейв» уже нет. Текст песни при этом спокойно пишется по-русски: язык вокала задаётся отдельной строкой.
Полезны отрицания. «Без автотюна», «без речитатива», «без длинного интро», «без эстрадного вибрато» отсекают целые пласты того, что модель считает нормой. Работает не всегда, но процент попаданий растёт.
Текст песни и музыка: два разных промта
Первый серьёзный провал случился, когда я запихал в один запрос и описание звука, и просьбу придумать слова. На выходе получился луп с невнятным бормотанием. Логика простая: генератору музыки нужны теги, генератору текста нужна задача.
Текст пишется отдельно, потом вставляется готовыми строками. Шаблон, который у меня работает: Задача: напиши текст поп-песни на русском. Тема: [о чём]. Эмоция: [ностальгия, радость, горечь]. Тон: [мягкий, ироничный, драматичный]. Структура: куплет 8 строк, припев 4 строки с повтором хука, второй куплет, припев, бридж 4 строки, финальный припев. Требования: разговорная лексика, один-два ярких образа, без штампов, в припеве одна цепляющая фраза, которая повторяется.
Повтор хука не просто так. Поющий движок любит строки одинаковой длины с понятным ритмом и плохо переносит длинные перегруженные предложения: он их проглатывает, и в миксе получается каша. Если строка не ложится на клик, сокращайте её, а не подгоняйте мелодию.
Имена, топонимы и редкие слова модель поёт смазанно. Если в тексте есть имя человека, проверьте первый же дубль. Часто проще заменить на «ты» или переставить строку, чем ловить чистую артикуляцию десять раз подряд.
Три промта, которые дают предсказуемый результат
Русский поп. Genre: russian pop, modern, light retro. Tempo: 112 BPM, 4/4. Mood: светлая грусть, ностальгия по лету. Instruments: чистый гитарный перебор, тёплый синт-пэд, живые барабаны с хлэпом, бас-гитара. Vocals: женский, мягкий, с лёгкой хрипотцой, русский язык, бэки в припеве. Structure: intro 4 такта, verse, prechorus, chorus, verse, chorus, bridge, final chorus. Mix: вокал вперёд, широкая стереопанорама, плотный низ. Use case: радио и плейлисты.
Русская народная без карикатуры. Genre: traditional russian folk, authentic melody, minor mode. Tempo: 90 BPM, 6/8. Instruments: балалайка, гармонь, домра, бубен, лёгкий хор. Vocals: женский народный вокал, открытая манера, без эстрадного вибрато. Structure: запев, припев с хором, запев, припев, инструментальный проигрыш, припев. Mix: натуральная реверберация помещения, минимум компрессии.
Фонк под вертикальное видео. Genre: phonk, drift phonk, dark. Tempo: 140 BPM, 4/4. Instruments: искажённый 808-й бас, колокольчиковый лид, сухие хэты. Mood: тревожное напряжение, ровный драйв. Vocals: без вокала или короткий мужской речитатив на две строки. Structure: хук с нулевой секунды, дальше луп без длинного интро. Mix: бас доминирует, середина свободна под голос блогера.
Общее у всех трёх: цифры и ограничения. Ограничение - половина качества. Строчка «хук с нулевой секунды» экономит минут двадцать перегенераций, а «без эстрадного вибрато» спасает фолк от самодеятельности.
Где прогнать промт без переключения между вкладками
Гонять десятки вариантов по разным сервисам смысла нет: пока копируешь текст туда-сюда, теряется сама идея. Мне хватает одного окна, где описание превращается в готовый трек с вокалом.
Для этого держу под рукой 3seller.com/suno. Генератор делает песни по текстовому промту и по готовым словам, с вокалом и без, и результат мало отличается от работы сессионного исполнителя. Слушал свои треки знакомым музыкантам, вопрос «а кто поёт» задавали стабильно.
Схема из двух шагов. Сначала идея: описать тему, настроение и желаемое звучание. Песня о любви, танцевальный трек, история под конкретный повод. Потом слова: несколько строк, готовый текст или набор образов, плюс уточнения по деталям, именам и языку.
Создайте любую песню, какую только можете представить. Начните с простой идеи или сразу откройте профессиональные инструменты - ваш следующий трек уже близко.

Можно начать с одной строчки и дорастить её до полноценного трека, а можно сразу открыть продвинутые настройки и работать почти как в DAW. Мне поначалу хватало первого режима.
Цена от 149 рублей. Для сравнения: час студии в Москве начинается от трёх тысяч, а сессионный вокалист за одну песню попросит сумму с четырьмя нулями. За 149 рублей можно испортить двадцать промтов, найти рабочий и всё равно остаться в плюсе. Пополнить баланс можно российской картой, через СБП или криптой.
Остальные ИИ-инструменты, которыми я пользуюсь в работе, собраны тут: 3seller.com/3gpt.
Как тестировать промт и не сойти с ума
Меняйте одну переменную за раз. Взяли удачный трек, сохранили промт, поменяли только темп на десять BPM выше, послушали. Потом вернули темп и поменяли вокал. За пять прогонов видно, что именно двигает звук, а что просто шум в запросе.
Ведите заметки. У меня в таблице три колонки: промт, что получилось, что править дальше. Звучит как бюрократия, но без этого через неделю вы не вспомните, какая формулировка дала тот самый припев.
Не меняйте текст и теги одновременно. Если после правки стало хуже, непонятно, виноват новый куплет или новая строчка про инструменты. Отделяйте слои.
Слушайте не только первый дубль. Второй вариант часто оказывается ровнее по ритму, даже если первый цепляет мелодией. Мелодию можно повторить в следующей генерации, кривой грув нет.
Где ИИ уже силён, а где пока халтурит
Поп, фонк, синтивейв, lo-fi, эпичные трейлеры, танцевальная музыка, детские песенки, корпоративные гимны: тут результат стабильно выше среднего, а иногда и вовсе не отличим от студийного. Причина в датасете, таких треков в обучающих наборах очень много.
Сложнее с джазом и живой импровизацией. Модель играет правильные лады, но не ведёт диалог между музыкантами: соло не реагирует на барабаны, фразировка ровная, как метроном. Такое слушают как фон, но не как запись квартета.
Акустические баллады с тихой динамикой - отдельная история. Многое решает дыхание исполнителя и микродинамика гитары, а нейросеть любит всё выравнивать компрессором. Помогает строчка «минимум компрессии, натуральная динамика, слышно дыхание».
Русский вокал за последние пару лет вырос сильно, но окончания слов иногда съедаются. Лечится короткими строками и повторами в тексте, а не эквалайзером после.
Ошибки, из-за которых трек звучит как демо
Слишком абстрактно. «Красивая душевная песня» не содержит ни одного решения. Модель выдаст среднее арифметическое по своему датасету, а среднее обычно звучит как музыка из рекламы сока.
Пять жанров в одном промте. «Поп, рок, джаз, немного рэпа и что-то этническое» размывает запрос до состояния, когда не остаётся ничего. Один жанр плюс один уточняющий поджанр, не больше.
Нет BPM. Темп - первое, что слышно. Без цифры модель берёт типичное для жанра значение, и для танцевального трека оно часто оказывается медленнее, чем нужно.
Слишком длинный текст. Поющий движок физически не успевает пропеть восемь строк за восемь тактов. Если после генерации вокал скомкан, режьте текст, а не крутите темп.
Бесконечные перегенерации вместо правки промта. У меня есть правило: две генерации, потом меняю формулировку. На Reddit в тредах про ИИ-генераторы музыки практики повторяют тот же вывод: если второй дубль не отличается от первого, проблема в запросе, а не в удаче.
Прослушивание только в наушниках на ноутбуке. Аудитория слушает на телефоне, часто на встроенном динамике. Трек, который в студийных ушах звучит мощно, на телефоне может рассыпаться: бас пропадёт, вокал уйдёт в кашу. Проверяйте на самом дешёвом устройстве, какое найдёте.
Что делать с треком после генерации
Из двух вариантов выбираю не тот, что красивее, а тот, где чище вокал. Аранжировку можно доработать, артикуляцию нет. Дальше обрезаю длинное интро, если оно есть: первые пять секунд решают, дослушают или нет.
Если трек нужен длиннее, продлеваю его по частям, а не генерирую заново. Продолжение от последнего такта обычно стыкуется незаметно, если не менять промт посередине.
Разделение на стемы помогает, когда нужно приглушить вокал под видео, добавить свой бас или срезать лишнюю реверберацию на припеве. Готовый трек после этого спокойно сводится в любой DAW, если есть желание.
Мастеринг не обязателен, но пара децибел громкости не помешает: площадки нормализуют звук, и тихий трек рядом с чужими просто потеряется.
И метаданные. Название, обложка, теги. Скучно, но трек без обложки слушают меньше, чем трек с обложкой, даже если музыка одинаковая.
С чего начать, если хочется трек сегодня
Возьмите одну ситуацию из своей жизни, опишите её тремя строками, добавьте BPM и три инструмента, отправьте в 3seller.com/suno. Не пытайтесь сразу сделать альбом. Один трек, один промт, две генерации.
Если не зашло, меняйте не всю песню, а один блок: темп, вокал, инструмент. Через пять итераций появится трек, который не стыдно выложить, и понимание, как работает каждый блок формулы. Дальше масштаб - вопрос времени и фантазии, а не бюджета.