Первая песня со своими словами через ИИ у меня вышла отвратительной. Нейросеть прочитала текст как робот-диктор, растянула слоги не там, где надо, а мелодия спорила с каждой второй строчкой. Я послушал 30 секунд и закрыл. Потом дошло: модель не виновата, я просто дал ей стихи, написанные под другую музыку, без единой подсказки про ритм.
Сейчас треки, собранные по той же схеме, но с нормальной подготовкой, уходят в плейлисты, звучат на днях рождения и в подарках. Вокал мало кто определяет как неродной. Разница не в волшебной модели, а в том, как вы подготовили слова.
Создать песню со своими словами с ИИ можно за один вечер, если перестать ждать, что машина догадается сама, и начать ей помогать. Ниже - всё, что я понял за пару лет практики: от структуры текста до квадратных скобок и неизбежно провальной первой генерации.
Два режима, которые постоянно путают
В любом нормальном генераторе есть две разные кнопки, и люди лезут не в ту. Первая означает «текст в песню»: вы пишете описание идеи, жанра, настроения, а ИИ сам придумывает мелодию, аранжировку и что-то бормочет голосом. Вторая означает «слова в песню»: вы вставляете готовый текст, и модель строит музыкальную форму вокруг него.
Если у вас есть текст, идите только вторым маршрутом. Описание через «текст в песню» заставит ИИ сочинить своё стихотворение, ваши строчки он не возьмёт вообще, максимум передаст смысл. Это как просить пересказать вашу книгу и возмущаться, что дословно не прочитали.
Вторая ошибка: вы вставляете текст в режим, где слова не используются, и получаете инструментал. Текст физически пропадает, а в настройках остаётся пустое место, где должен был быть вокал. Смотрите на подпись кнопки, а не на её цвет.
Почему ваши слова ломают генерацию
Модель не понимает стихосложение. Она считает слоги и ставит ноты на сильные доли. Всё, что вы сумеете, это подсказать, где должны быть ударения, где паузы, а где припев.
Стихи, написанные в столбик, обычно содержат строки в 14-16 слогов с длинными словами вроде «предназначение». ИИ такие строки либо разорвёт на части, либо начнёт спотыкаться, проглатывая окончания. Песня это стерпит иногда, но звучит как переозвучка, а не как исполнение.
Хорошая песенная строка в большинстве жанров: 7-12 слогов. Чем ближе к 9, тем ровнее ложится. Если в строке два длинных слова подряд, у модели заканчиваются «пустые» ноты, и она впихивает их в паузы.
На Reddit в ветках про генерацию музыки новички наступают на одни и те же грабли: льют по 15 слогов в строку и удивляются, что вокал задыхается к третьему слову. Там же всплыл неочевидный нюанс: короткая строка-прокладка из двух слов часто лечит припев лучше любой правки мелодии.
И ещё. Песенный текст не обязан быть хорошей поэзией. Он должен быть фонетически лёгким. Я видел, как человек вставил рубаи и получил рэп, потому что рваный ритм коротких строк вёл себя именно так. Стиль нужно подбирать под текст, а не наоборот.
Квадратные скобки - главный рабочий инструмент
В тексте можно расставлять разметку структуры. Строки вида [Verse], [Chorus], [Bridge], [Outro], частично на русском они тоже читаются, но надёжнее латиницей. Я пробовал и [Куплет], большая часть моделей понимает без проблем.
Зачем это нужно. Без разметки модель смотрит на весь текст как на один поток и с третьей строки решает, что уже пора припев. С тегами она строит форму: первый куплет, припев, второй куплет, припев, мостик, финальный припев. Причём припев реально может отличаться мелодически, а не просто повторяться.
В скобках уточняется и манера подачи: [Chorus - мощный], [Verse - шёпотом]. Такие пометки работают примерно в половине случаев. Не гарантия, но попробовать дешевле, чем потом удивляться одинаковому голосу всю песню.

Жанр и голос весят больше, чем сам текст
Люди залипают на словах и забывают, что 70% впечатления делает звучание. Один и тот же текст в инди с шёпотом и в поп-панке с визгом воспринимается как две разные песни про разные вещи. Проверял на своей шкурке: строчка «я вернусь к тебе к утру» в акустике с женским шёпотом звучит как признание, а в поп-панке на 160 BPM - как угроза.
Что реально влияет на результат:
- Жанр и теги вроде «мрачный», «акустика», «мощный женский вокал» ставят каркас.
- Тембр голоса: мужской низкий, женский высокий, детский, хриплый. Разница в восприятии текста огромная.
- Темп: 80 BPM и 130 BPM превращают одну и ту же строку в балладу и в клубный трек.
- Наличие бэков и гармоний, если жанр их допускает.
Настраивайте звучание до того, как вставить текст. Иначе будете винить текст в кривом миксе.
01 / Идея: задайте направление
Опишите тему, настроение и желаемое звучание. Это может быть песня о любви, танцевальный трек или история для особенного случая. Одна фраза вроде «тёплая акустика про возвращение домой, женский голос, средний темп» уже даёт модели больше, чем полстраницы размышлений.
02 / Слова: добавьте текст или сюжет
Начните с нескольких строк, готового текста, стихов или набора образов. Уточните важные детали, имена и язык песни. Если у вас есть только четыре строки, этого достаточно, чтобы получить каркас, а остальное допишете после прослушивания. Ориентир по длине: 3 куплета, 2-3 припева и мостик, это 200-260 слов. Сорок строк обычно перебор, модель начинает резать.
Первая генерация почти всегда бракованная
Обычно сервис выдаёт две версии, и выбирать нужно по принципу «в какой меньше провалов», а не «какая идеальная». На первом проходе велика вероятность, что ударение уедет в слове «звонИт», а припев вступит не на той доле.
Я делаю так: слушаю 40 секунд, отмечаю места, где вокал спотыкается, и правлю сам текст. Меняю слово, добавляю короткую строку-прокладку, убираю лишний слог. Потом запускаю ещё раз. С третьей попытки обычно попадаю в нужное.
Не редактируйте звук в редакторе после генерации. Вокал с неправильным ударением обработкой не исправить. Правится текст, а не микс.
Пять приемов, которые я использую каждый раз
Первый. Уберите из припева длинные слова и оставьте короткое слово-опору на сильной доле. Фраза «и всё» в конце строки держит ритм лучше любого трёхсложного эпитета.
Второй. Повторяйте слова в припеве. Хуки так и работают: одна и та же фраза трижды с разным завершением, тогда модель выстраивает узнаваемую мелодию.
Третий. Пишите строками, а не предложениями с запятыми. Каждая новая строка в тексте означает новый мотив или паузу, модель это буквально читает.
Четвёртый. Не используйте сложные рифмы в первом куплете. Начало песни задаёт тон, и если модель сломается на втором слове, дальше слушать нечего.
Пятый. Делайте мостик проще, чем куплеты. Смена темпа на простом тексте звучит как приём, а на сложном как ошибка.
Сколько это стоит и где брать
Все инструменты для работы с ИИ, включая генерацию музыки, я держу в одном месте: 3seller.com/3gpt. По песням работаю через 3seller.com/suno - сервис, который делает треки с вокалом, не отличимые от живых исполнителей, причём на русском языке.
Логика простая: можно идти коротким путём, от простой идеи, а можно сразу открыть профессиональные инструменты, если нужна тонкая настройка. 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. Это дешевле чашки кофе в центре, а не почасовой студии.
Проверять онлайн-генераторы советую так: дайте один и тот же тест всем. Мой тест - четыре строки с двумя сложными словами и одно имя посередине. Где имя и ударение не сломались, там можно работать.
Где трек звучит дальше
Готовая композиция не требует студии, но требует нормального сведения. Экспортируйте в хорошем качестве, а не слушайте в браузере через ноутбук. Разница в низах на телефонных динамиках слышна сразу.
Позиционирование. Поздравление для коллеги, гимн маленькой компании, подарок маме на юбилей, шутка для дружеского чата, трек для тиктока или рекламы. Песня, сделанная на заказ по конкретному поводу, в глазах слушателя звучит дороже, чем очередной стриминговый релиз.
Планируете загружать трек на площадки - читайте условия сервиса по правам. Часто некоммерческое использование разрешено, а коммерческое размещение нужно смотреть отдельно. Это не пугалка, это внимательность.
Чек-лист, который экономит вечер
Собрал то, что проверяю перед нажатием кнопки:
- Текст на 200-260 слов, структура размечена тегами.
- В каждой строке 7-12 слогов, длинные слова не стоят подряд.
- Припев короче куплета и повторяется.
- Жанр и тембр указаны до вставки слов.
- В тексте нет слов, которые сломаются в пении.
- Готовность к трём проходам вместо одного.
Что важно понять про нейросеть и ваш текст
Она не музыкант, не поэт и не соавтор. Она исполнитель, который делает ровно то, что написано, но не знает, где вы ошиблись с ритмом. Чем точнее описание задачи, тем меньше остаётся на догадки.
Я выложил в общий доступ старую версию трека, где наложил на нейросетевой вокал свой текст. Никто не отличил. Один человек всерьёз спросил, что за сессия. Секрет простой: перед генерацией я слушал, как звучит строчка, и переписывал всё подряд, пока не стало ровно.
Попробуйте ради эксперимента. Возьмите старый текст, который пылится в заметках, укоротите строки и превратите его в песню. Первый результат, скорее всего, будет спорным, зато вы почти наверняка почувствуете, что в этой штуке уже можно жить. И за 149 рублей это самый дешёвый способ узнать, как звучит ваша лирика в полную силу.