Первый трек, который я собрал нейросетью, я постеснялся показать знакомому звукарю. Через полгода он сам прислал ссылку на генератор и спросил, как я добился такого вокала. Магии не было. Было сорок с лишним прогонов, три выброшенных припева и один удачный промпт, который потом я переиспользовал раз двадцать.
Запрос «создать песню в мах» люди вбивают по разным причинам. Кто-то ищет конкретный жанр и путается в названии. Кто-то хочет выжать из инструмента максимум, а не получить пластиковую демку на три аккорда. Кто-то просто ошибся в раскладке. Итог один - нужен трек, который не стыдно включить в наушниках при других людях.
Поисковик по этому запросу выдаёт отборный мусор. Я проверил и получил аналитику по биткоину, токенизацию филиппинских облигаций и прогноз курса BitTorrent. К музыке это отношения не имеет. Дальше - только то, что я реально прогонял руками.
Максимум начинается не с кнопки, а с формулировки
Качество результата зависит от входных данных сильнее, чем от модели. Генератор не читает мысли. Он разворачивает то, что вы дали, и достраивает остальное по статистике. Дали «сделай красивую песню» - получили усреднённый поп 2016 года с текстом про огни большого города. Дали «медленный соул в духе семидесятых, женский грудной вокал, живая бас-гитара, темп 72, реверб на всём, как в пустом зале» - получили что-то с характером.
Разница между двумя результатами не в модели, а в двадцати словах, добавленных в поле описания.
Принцип простой: чем больше конкретики по звуку, тем меньше ИИ фантазирует. Инструменты, темп, тип вокала, эпоха записи, настроение, плотность микса. Всё это сужает пространство вариантов и повышает шанс попасть в то, что у вас в голове.
Сервис, на котором я остановился
Перебрал я много чего. Часть инструментов выдаёт приличную инструменталку и разваливается на вокале. Часть делает вокал, но с текстом беда: слова съезжают, ударения ломаются, припев звучит так, будто певец впервые видит эти строки. Критерий у меня был один - чтобы на вопрос «это живой исполнитель?» знакомые отвечали «а кто это?».
По этому критерию лучший результат у Suno, доступного через 3seller. Там можно создать любую песню, какую только можете представить. Начать с простой идеи или сразу открыть профессиональные инструменты - ваш следующий трек уже близко. Цена от 149 рублей, и это дешевле, чем час в студии с живым аранжировщиком, который всё равно попросит принести референсы.

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.
Всё остальное - итерации. Первый прогон почти никогда не идёт в релиз. Из двадцати генераций у меня в финал попадают две-три, и это нормальный показатель. На Reddit в ветках про генерацию музыки люди называют похожие цифры: в дело идёт процентов десять-двадцать выходов. Остальные инструменты для ИИ, если понадобятся под другие задачи, собраны в каталоге 3gpt.
Структура трека решает больше, чем кажется
Генератор охотно льёт воду, если не дать ему каркас. Куплет-припев-куплет-припев без разметки легко превращается в четыре минуты однообразного потока, и слушатель к середине теряет нить. Я размечаю структуру прямо в тексте: [intro], [verse], [pre-chorus], [chorus], [bridge], [outro]. Модель это читает и держит форму.
Три наблюдения, которые сэкономили мне десятки прогонов.
Припев должен отличаться не только словами, но и плотностью. Если в куплете всё забито синтезаторами и бэками, припеву некуда расти. В куплетах я специально оставляю воздух: убираю часть слоёв, даю вокалу быть ближе к слушателю.
Бридж нужен не всегда, но если он есть, он должен ломать ритм. Тот же темп на четвёртой минуте - верный способ потерять внимание. Полторы секунды тишины перед последним припевом работают лучше любого навороченного перехода.
Длина. Три с половиной минуты для обычной песни, полторы-две для соцсетей. Пять минут имеют смысл, только если вы сознательно делаете эпик, а не потому что модель так захотела.
Текст: где ломается 80 процентов песен
Плохой текст никакой вокал не спасёт. И наоборот: сухая, но точная строчка с интересным образом вытягивает даже среднюю аранжировку.
Типичная ошибка новичка - писать как в сочинении. Книжные конструкции, длинные периоды, прилагательные в три слоя. В песне это не читается. Работает короткая фраза, конкретный предмет, глагол. Не «мои чувства переполняют меня в этот поздний час», а «твой шарф висит на стуле третий месяц».
Вторая ошибка - забыть про ударения. ИИ отлично поёт, когда строки ровные по слогам и ритмически предсказуемые. Стоит написать строку на три слога длиннее остальных - и вокал спотыкается. Я прогоняю текст вслух, отбивая ритм рукой. Сбился - переписываю строку, а не надеюсь на чудо.
Третья ошибка - смешивать языки без причины. Русский с английским в одном припеве работает, только если это осознанный приём, а не попытка подогнать строку под ритм. Генератор произнесёт всё, что дадите, но интонация выдаст искусственность.
Имена, топонимы, редкие слова - риск. Модель может переставить ударение или проглотить слог. Такие места я проверяю отдельно и переписываю синонимом. Бороться за фамилию однокурсника в тексте, если она ломает всю строку, смысла нет.
Голос: где ИИ палится и как это лечится
Первое, что выдаёт сгенерированный трек, - ровность. Живой певец дышит, тянет ноты неровно, где-то съезжает на четверть тона. Идеально выровненный вокал звучит стерильно, и ухо считывает это за две секунды, даже если человек не может объяснить, что не так.
Что помогает.
- Добавлять в промпт характеристики дыхания и манеры: придыхание, лёгкая хрипотца, усталость в голосе.
- Просить дубли и бэки отдельными слоями, а не всё сразу.
- Не гнаться за чистотой: лёгкий шум, комнатный реверб, лента вместо цифры делают половину работы.
- Менять тип вокала под жанр: для рока нужен надрыв, для инди - недосказанность, для поп-баллады - контроль.
Отдельная история - русский язык. Он сложнее для генераторов, чем английский: больше согласных подряд, другая ритмика. Русскоязычные тексты я проверяю тщательнее и не ленюсь делать больше прогонов. Разница между первым и седьмым вариантом одной и той же песни бывает огромной.
Жанровые ловушки, в которые я влетал
Рок. Слово «рок» само по себе ничего не значит для модели. «Гитарный рок» даст одно, «гаражный рок с грязным фуззом и сырой барабанной установкой» - совсем другое. Я потратил вечер, пока не понял: описывать надо не жанр, а инструменты и характер записи.
Электроника. Тут легко получить перегруженный, яркий до звона в ушах микс. Просьба «меньше верха на тарелках, мягче сайдчейн» реально работает. А требовать «как у того трека» бесполезно, если модель не знает референса. Описывайте звук словами, а не именами.
Рэп. Читалка у генераторов приличная, но ритм флоу часто плывёт. Помогает ровная слоговая сетка в тексте и указание темпа. Быстрые куски лучше резать на короткие блоки и собирать потом, чем надеяться, что модель сама удержит плотность.
Лирика и баллады. Самый неблагодарный жанр для генерации, потому что всё держится на голосе и на паузах, а не на аранжировке. Здесь особенно важно просить разреженную инструменталку: рояль, струнные, минимум ударных.
Фоновая музыка для видео. Отдельная категория, где ИИ объективно сильнее человека по скорости. Пять минут эмбиента под подкаст - это три прогона и десять минут работы.
Что делать после генерации
Скачанный трек - это ещё не песня. Я всегда прохожусь по нему руками, хотя бы минимально.
Обрезка начала и конца. Модель любит оставлять полсекунды тишины и хвост реверба. Мелочь, но на плейлисте слышно.
Баланс. Если вокал тонет, а инструментал давит - это лечится не новой генерацией, а простым подъёмом середины на вокале и лёгким срезом на инструментах. Хотя бы в бесплатном редакторе.
Громкость. Не гонитесь за максимальным уровнем. Трек, у которого пики упираются в потолок, звучит устало. Оставьте запас, лишние децибелы ничего не добавляют.
Сборка. Если припев получился в одном прогоне, а куплет в другом, их можно склеить. Я так делал не раз: беру лучший куплет из третьей генерации, лучший припев из седьмой, сшиваю по такту. Звучит цельно, если попасть в темп и тональность.
Сколько времени и денег это реально стоит
Первый трек у меня занял часа три. Сейчас на нормальную песню уходит от сорока минут до полутора часов, если текст уже готов. Инструментальная подложка - минут пятнадцать.
По деньгам всё проще, чем кажется. Подписка на генератор стоит от 149 рублей, и за эти деньги вы получаете десятки прогонов. Для сравнения: сессия с живым аранжировщиком в Москве начинается от пяти тысяч, и это без вокала и сведения. Я не говорю, что ИИ заменяет студию. Я говорю, что для демо, подарка, шутки для друзей или трека под свой ролик студия не нужна вообще.
Отдельно про авторские права. Трек, сгенерированный на платном тарифе, обычно можно использовать в своих проектах, но условия у сервисов меняются. Если делаете коммерческий проект - читайте актуальную лицензию, а не форумы трёхлетней давности. На Reddit в ветке про домашнее сведение мне попался трезвый совет: сохраняйте скриншоты тарифа и даты генерации, потом проще доказать, что трек ваш.
Где ИИ всё ещё слаб и не надо себя обманывать
Долгие формы. Опера, развёрнутые сюиты, треки с развитием на семь минут - тут модель теряет драматургию. Она умеет делать песни, а не симфонии.
Тонкая эмоциональная игра. Одна и та же строка, спетая с разной степенью сдержанности, - это то, чем живой артист отличается от генератора. ИИ попадает в настроение, но редко в подтекст.
Уникальность подачи. Если вам нужен голос, который узнают с первой ноты, - это к живому человеку или к долгой работе с клонированием и своим материалом. Средний сгенерированный вокал хорош, но не индивидуален.
Честно: я не пытаюсь убедить себя, что нейросеть заменит музыканта. Она заменит демку, эскиз, болванку, ночную идею, которую надо услышать до утра, пока не забыл.
Практический шаг на сегодня
Откройте 3seller.com/suno, возьмите одну тему, которая вас реально цепляет, и напишите к ней восемь строк. Не двадцать, не целую поэму. Восемь. Разметьте структуру, опишите звук в двух предложениях - инструменты, темп, тип голоса. Сгенерируйте четыре варианта. Один из них, скорее всего, будет тем самым.
Дальше станет проще. У вас появится свой набор формулировок, которые работают, и своя последовательность шагов. Именно она превращает запрос «создать песню в мах» из любопытства в готовый трек, который можно выложить, не пряча лицо.