Первая песня, которую я сгенерировал, была про кота. Тридцать секунд, кривой бит, вокал с интонациями автоответчика из девяностых. Я послушал, посмеялся и закрыл вкладку. Спустя полтора года мне пишут знакомые музыканты с просьбой прислать «исходники». Исходников нет. Есть браузер и несколько строк текста.
Создать песню с музыкой и голосом сегодня реально за один вечер. Без студии, без микрофона за сотню тысяч, без умения попадать в ноты. Дальше расскажу, как это работает на практике, где нейросети стабильно ломаются и что нужно сделать, чтобы трек не звучал как дешёвая пародия.
Нейросеть не пишет музыку, она угадывает её по описанию
Модель не сидит с гитарой и не сочиняет мелодию в человеческом смысле. Она предсказывает, как должен звучать аудиофрагмент, если его описать словами. Отсюда главное правило: качество результата зависит не от «таланта» нейросети, а от точности вашего описания и текста.
Размытый запрос в стиле «сделай красивую песню» даёт ровно то, что заслуживает: усреднённый попс с невнятным вокалом. Запрос «медленный соул, женский низкий вокал, ламповый Rhodes, сухая малая бочка, темп 72, немного реверба на голосе» выдаёт уже что-то осмысленное.
Из всего зоопарка движков я остановился на Suno. Причина простая: вокал. Не «похоже на человека», а реально похоже. Дыхание перед фразой, лёгкая хрипотца на длинных нотах, микродетонация в конце строки. Русский язык тоже держит, что для большинства моделей до сих пор боль. Работаю через 3seller.com/suno: доступ без танцев с VPN, оплата рублями. Для повседневной практики это важнее любых маркетинговых обещаний.
Сначала направление, потом слова
Типичная ошибка новичка: сразу лезть в поле текста и пытаться написать шедевр. Порядок обратный. Сначала вы решаете, о чём песня и какое у неё настроение. Только потом на бумаге появляются строчки.
01 / Идея. Задайте направление. Опишите тему, настроение и желаемое звучание. Подойдёт и песня о любви, и танцевальный трек, и история для особенного случая. Не бойтесь бытовых деталей: «двор, осень, мокрый асфальт, девушка в наушниках» модель понимает лучше, чем абстрактное «грустно».
02 / Слова. Добавьте текст или сюжет. Начните с нескольких строк, готового текста, стихов или набора образов. Уточните важные детали, имена и язык песни. Если идей нет совсем, черновик можно попросить у самой модели и доработать руками. Получится черновик, но живой.
Структура текста важнее, чем рифма
Модель читает ваш текст как партитуру. Если перед ней сплошное полотно без разметки, она сама решит, где куплет, а где припев. И почти всегда решит неправильно: припевы начнутся в случайных местах, бридж схлопнется, повторяющиеся строки уедут не туда.
Решение простое: размечайте блоки метатегами. Квадратные скобки с названием секции - универсальный язык, который понимают все актуальные движки. На Reddit в ветках про генерацию музыки новички спорят о моделях и промптах, а разметку игнорируют почти все. Ломается трек чаще всего именно здесь.
- [Verse] - куплет, повествование, сдержанная подача
- [Chorus] - припев, максимум энергии, часто с подпевками
- [Bridge] - перелом, смена настроения, тише или наоборот жёстче
- [Outro] - финал, затухание или резкая точка
- [Instrumental] - проигрыш без голоса
Внутри секций можно добавлять уточнения вроде [Chorus - whispered] или [Verse - female vocal]. Работает не всегда, но когда срабатывает, экономит десяток перегенераций.
Отдельно про длину строк. Слишком длинные фразы модель начинает торопить, проглатывать слоги, комкать окончания. Короткая строка в четыре-шесть слов поётся чище. Если строка не влезает в такт, она и не влезет, сколько ни перегенерируй.
Промпт по звучанию: конкретика вместо прилагательных
Поле стиля - место, где люди теряют больше всего времени. «Красивая современная музыка» не значит ничего. Модель работает с ассоциациями, а не с вашими вкусовыми ожиданиями.
Рабочая формула: жанр и эпоха, темп, набор инструментов, тип вокала, характер сведения. Чем плотнее набор, тем предсказуемее результат.
Пара примеров из моей практики. Для лирики: «indie folk, 2010s, 78 bpm, fingerpicked acoustic guitar, warm upright bass, brushed drums, male tenor with slight rasp, intimate close-mic vocal, wide but natural reverb». Для клубного трека: «melodic techno, 124 bpm, analog arpeggio, deep rolling bassline, airy female vocal chops, sidechain pads, tight club mix».
Не пихайте в один промпт всё сразу. «Рок с элементами джаза, оркестром и рэпом» превратится в кашу, где ничего не звучит как задумано. Лучше сделать три версии и выбрать.
Две версии за одну генерацию - это не маркетинг, а рабочий инструмент
Сервисы обычно выдают по два варианта на запрос, и это сильно меняет процесс. Вы не пытаетесь угадать идеальный промпт с первого раза. Вы генерируете пару, слушаете, забираете то, что ближе, и дальше работаете с этим материалом.
Мой цикл выглядит так: первый прогон на черновом тексте, чтобы поймать общее настроение. Второй - с уточнённым стилем. Третий - с переписанным припевом, если первые два показали, что строчки не ложатся в ритм. На всё уходит минут двадцать, если не страдать перфекционизмом.
И да, черновики надо слушать в наушниках. На телефонном динамике любая генерация звучит нормально. В наушниках слышно, что вокал уплывает на втором куплете и что бас конфликтует с бочкой.
Голос: что реально можно выкрутить
Вокал - главный критерий, по которому отличают ИИ-трек от живого. И главная зона, где модели за последние два года шагнули дальше всего.
Что задаётся описанием: пол, тесситура, манера. Хриплый мужской баритон, воздушный женский сопрано, андрогинный шёпот, гортанный фолк, панковский крик. Всё это управляется словами в поле стиля.
Что задаётся метатегами: момент, когда вокал вступает, где он уходит на бэкграунд, где появляется второй голос. Для дуэта достаточно пометить секции [Verse - male] и [Chorus - duet].
Чего пока не хватает: устойчивой эмоциональной динамики на длинной дистанции. Внутри куплета модель держит настроение отлично. К третьему повтору припева она редко добавляет то самое «сорвался», которое делает трек живым. Лечится структурой: последний припев делайте тише или наоборот с другими инструментами, а не копией первого.
Сведение, мастеринг и прочие страшные слова
Свежие модели выдают трек уже сведённым. Не идеально, но на уровне «можно выложить в соцсети». Если хочется выше, есть два пути.
Первый - доработка внутри сервиса: подрезать лишний хвост, убрать провал в начале, поменять громкость. Второй - выгрузить WAV и пройтись в любом бесплатном редакторе. Когда трек идёт в релиз, беру второй путь. Когда просто для друзей, хватает первого.
Не пытайтесь «исправить» мастерингом кривую генерацию. Если вокал фальшивит или ритм-секция разъезжается, никакой компрессор не спасёт. Однажды я убил вечер на эквалайзер в треке, где вокал просто не попал в тональность. Перегенерация заняла сорок секунд.
Каверы и персональные версии: где начинается магия
Отдельная история, которая ломает мозг скептикам. Загружаете свой старый текст или стихотворение, выбираете неожиданный жанр - и получаете трек, которого не было ни в одном черновике. Стихи про школу в стиле драм-н-бейс. Поздравление бабушке в виде блюза. Корпоративный гимн в жанре синтвейва.
Именно на таких задачах нейросеть раскрывается лучше всего. Тут нет требований к «серьёзному искусству», зато есть живая эмоция и конкретный повод. Люди слушают и не верят, что это собрано за три минуты в браузере.
Создайте любую песню, какую только можете представить. Начните с простой идеи или сразу откройте профессиональные инструменты - ваш следующий трек уже близко. Пополнить баланс можно российской картой, через СБП или криптой. Цена от 149 рублей, это дешевле чашки кофе в центре Москвы. За эти деньги вы получаете не подписку на месяц с лимитами, а конкретный результат.
Ошибки, через которые я прошёл лично
Первая: слишком длинный текст на первую генерацию. Три куплета, два припева и бридж - модель начинает экономить и скомкивает. Начинайте с короткого наброска, добавляйте по мере надобности.
Вторая: попытка получить от модели конкретную мелодию. «Спой как в этой песне» не работает. Работает описание настроения и темпа, а не референс на конкретного артиста.
Третья: игнорирование языка. Если пишете по-русски, обязательно указывайте это в промпте. Иначе получите английскую фонетику, натянутую на русские слова, и это слышно с первой секунды.
Четвёртая, самая обидная: не сохранять удачные промпты. Нашёл формулу, которая даёт нужный звук - запиши её. Через неделю не вспомните, что именно там было.
Куда девать готовый трек
Вариантов больше, чем кажется. Поздравление другу, подарок на свадьбу, саундтрек к своему видео, фон для подкаста. Кто-то делает каверы на собственные стихи и выкладывает в соцсети, кто-то собирает целые альбомы для релиза на площадках.
Практический совет: не выкладывайте первый же результат. Сделайте пять версий, отложите на день, послушайте на свежую голову. Останется одна, максимум две. Так вы сэкономите репутацию и нервы.
И последнее. Нейросеть не заменяет автора, она снимает технический барьер между идеей и звуком. Если у вас есть что сказать, теперь вам не нужен аранжировщик, сессионный гитарист и звукорежиссёр, чтобы это услышали. Если сказать нечего, вы просто получите ещё один стерильный трек в ленте. Разница только в вас, а не в модели. Начните с одной строчки про то, что вас реально цепляет сегодня, и запустите генерацию на 3seller.com/suno. Дальше разберётесь по ходу, как разобрался я.
