Нейросеть для песен: как сделать трек по своему тексту

Нейросеть песня собирает за пару минут: вы отдаёте текст, описываете стиль и получаете готовый трек с вокалом, аранжировкой и сведением. Первый результат обычно поражает, второй разочаровывает, а третий уже похож на то, что вы задумывали.

Разберём, из чего складывается запрос, почему русский вокал ломается чаще английского, что происходит с правами на готовый трек и что с ним делать дальше. Списка из семи сервисов тут не будет, потому что списки уже написаны и понимания они не добавляют.

Работу с генеративным ИИ оценивают ускорением примерно на 15% в типовых задачах [1]. Для музыки цифра выглядит скромно только на первый взгляд: там, где раньше нужны были студия, аранжировщик и вокалист, теперь хватает вечера.

Два входа: текст и стиль

Главное, что нужно понять про нейросеть для создания музыки: у неё два независимых входа, и путать их дорого.

Первый вход - текст песни. Это слова, которые будут спеты. Сервис берёт их буквально, поэтому кривая строка останется кривой, а неудобное слово так и прозвучит неудобно.

Второй вход - описание стиля. Жанр, темп, инструменты, характер вокала, настроение. Здесь модель, наоборот, работает свободно и достраивает то, чего вы не назвали.

Ошибка новичка выглядит так: в поле стиля пишется «грустная песня о любви», а в поле текста уходят четыре строки без разметки. Модель получает мало указаний с обеих сторон, поэтому и выдаёт усреднённое.

Рабочий подход обратный. Текст доводите до конца сами, а стиль описывайте конкретно: вместо «поп» пишите «медленный поп с акустической гитарой, женский голос, лёгкая хрипотца, темп около 80 ударов».

Текст: что важно для пропеваемости

Хороший стих и хороший текст песни устроены по-разному, потому что стих читают глазами, а текст поют.

Держите структуру. Куплет, припев, куплет, припев, бридж, припев. Большинство сервисов понимает разметку в квадратных скобках: [Verse], [Chorus], [Bridge]. Без неё модель сама решает, где припев, и решает обычно неудачно.

Считайте слоги. Строки внутри куплета держите примерно равной длины: разброс в два-три слога модель вытянет, а на семи сломается.

Проверьте ударения. Строка, где ударение падает не туда, так и споётся, слово в слово. Прочитайте текст вслух с воображаемым ритмом: место, где вы споткнулись, споткнёт и вокалиста.

Уберите длинные слова. Слова вроде «приблизительно» и «непосредственно» в песне не звучат, а короткие слова с открытыми слогами поются легко.

Сам текст пишите в чат-модели, только просите текст под музыку с разметкой и равными строками, потому что на слово «стихотворение» она отзовётся совсем другим. Как получить от нейросети живой стих и чем поздравление отличается от банальности, мы разобрали в статье нейросеть и стихи.

Описание стиля: из чего оно складывается

Поле стиля - это ваш заказ аранжировщику. Чем конкретнее, тем меньше сюрпризов.

Соберите описание из пяти слоёв:

• Жанр и поджанр. Слово «инди-фолк» работает точнее, чем «фолк», и гораздо точнее, чем «спокойная музыка».
• Инструменты. Акустическая гитара, рояль, струнные, синтезатор, минимальные ударные.
• Вокал. Мужской или женский, тембр, манера: шёпотом, с надрывом, ровно, хором.
• Темп и настроение. Медленно и меланхолично, бодро и танцевально, средний темп с нарастанием.
• Референс по звучанию. Описание эпохи или сцены работает лучше имени артиста: «звук русского рока девяностых» модель поймёт, а конкретную группу скорее всего откажется имитировать.

Один слой можно намеренно оставить пустым, если хотите отдать его модели. Но если пустых слоёв больше двух, вы получите средний трек из середины жанра.

Русский вокал: где он ломается

Практическая часть, о которой листиклы молчат. Модели учились преимущественно на англоязычной музыке, поэтому с русским у них специфические сложности.

Ударения. Самая частая беда, потому что модель ставит ударение по своему разумению: «звонИт» легко превращается в «звОнит». Правится переписыванием строки: замените слово на то, где ударение однозначно.

Шипящие и стечения согласных. Такие места, как «вскрикнешь» или «сквозь чащу», вокал проглатывает или произносит невнятно, потому что фонетика тут тяжёлая. Чем проще звучание, тем чище результат.

Длинные слова. Четырёхсложные слова растягиваются на несколько нот и звучат неестественно. Заменяйте их на короткие синонимы.

Буква ё. Часть сервисов читает её как «е». Если слово критично, пишите его так, как оно должно звучать, даже если это выглядит неграмотно в тексте.

Общий приём тут один: генерируйте по частям. Сделайте куплет, послушайте, поправьте текст и сгенерируйте снова. Переписать одну строку дешевле, чем двадцать раз перегенерировать трёхминутный трек.

Инструментал без вокала: когда он нужнее песни

Половина запросов к музыкальным сервисам вокала не требует вовсе, и получается такой результат стабильнее.

Фон под ролик, заставка канала, музыка под подкаст и звук для презентации обходятся без ударений, шипящих и разметки куплетов. Вы описываете настроение и инструменты, и модель отдаёт трек нужной длины.

Правила описания те же, что для песни, минус слой вокала. Добавьте только два уточнения: длительность и наличие нарастания. Ровный фон под речь и трек с кульминацией под финал ролика описываются по-разному, а сервис сам этого не угадает.

И проверьте громкость. Генеративные сервисы сводят музыку под самостоятельное прослушивание, поэтому под закадровый голос её почти всегда приходится приглушать в видеоредакторе.

Права на трек: что проверить до публикации

Самый неприятный раздел и самый нужный. У бесплатного уровня почти всегда есть цена, и здесь она обычно в правах.

Типичная схема выглядит так: бесплатный тариф разрешает слушать трек в библиотеке сервиса и иногда скачивать его для личных целей, а коммерческое использование открывает подписка. Иногда добавляется требование указывать сервис при публикации.

Что проверить в пользовательском соглашении конкретного сервиса до того, как трек уйдёт в эфир:

• разрешено ли скачивать файл на вашем тарифе и в каком количестве;
• разрешено ли коммерческое использование, и что сервис считает коммерческим;
• нужно ли указывать сервис при публикации;
• остаются ли у сервиса права на созданный трек;
• что происходит с треками, если вы отмените подписку.

Утверждение делается по каждому сервису отдельно, со ссылкой на его собственную справку. Общего правила рынка тут нет, а обобщение из чужой подборки может стоить вам ролика с площадки.

Отдельно держите в голове маркировку сгенерированного контента: российское регулирование движется в эту сторону.

Чем отличаются сервисы

Подробных карточек тут не будет, зато разберём, на что смотреть при выборе.

Длина трека. Бесплатные уровни часто ограничивают её парой минут, а полноформатную песню открывает подписка.

Качество русского вокала. Разница между сервисами здесь больше, чем в аранжировке. Проверяйте на одном и том же куплете.

Доступ и оплата. Часть сервисов открывается из России и принимает обычную карту, часть требует решать вопрос с оплатой отдельно.

Возможность править по частям. Перегенерация одного куплета вместо всего трека экономит и время, и лимиты.

Самый известный сервис этого класса, нейросеть Suno, мы разобрали отдельно, с интерфейсом и тарифами. Что из российских сервисов на что годится, собрано в обзоре российских нейросетей, а устройство бесплатных уровней мы описали в статье про бесплатные нейросети.

Что делать с готовым треком

Файл на руках, дальше начинается вторая половина работы.

Послушайте на телефоне и в наушниках. Генеративные сервисы сводят трек усреднённо, и на разных устройствах баланс расходится сильно.

Проверьте склейки. Если трек собирался по частям, переходы между блоками иногда звучат рвано. Правится перегенерацией одного блока или простым монтажом в бесплатном аудиоредакторе.

Соберите клип. Песня без картинки расходится хуже, а короткое видео под неё собирается тем же способом, что и любой ролик: через нейросеть для создания видео.

Не выкладывайте первую версию. Правило работает для любой генерации, потому что между «получилось» и «годится» обычно стоят три подхода.

Промпты для песни

Пять заготовок под разные задачи. Подставляйте свою тему, каркас оставляйте.

Поздравление под музыку. Стиль: «весёлый поп-рок средней скорости, живые барабаны, мужской голос, лёгкое настроение, темп около 120 ударов». Текст пишите отдельно, коротким куплетом и припевом.

Джингл для Telegram-канала. Стиль: «короткий электронный джингл, светлое звучание, синтезатор и хлопки, без вокала, длительность до 15 секунд, настроение бодрое».

Фон для видео о товаре. Стиль: «спокойный лоу-фай, мягкие клавиши, приглушённые ударные, без вокала, ровное настроение, не отвлекает от речи».

Колыбельная своими словами. Стиль: «очень медленная колыбельная, только рояль и негромкие струнные, женский голос почти шёпотом, темп около 60 ударов».

Гимн небольшой команды. Стиль: «энергичный рок с гитарным риффом, мужской голос с хором на припеве, средний темп, настроение подъёмное, без агрессии».

Каркас у всех пяти один: жанр, инструменты, вокал, темп, настроение. Как вообще устроен рабочий запрос, мы объяснили в статье что такое промпт.

Частые вопросы

Коротко: с чего начать

Возьмите короткий текст на восемь строк, разметьте его на куплет и припев, соберите описание стиля из пяти слоёв и сгенерируйте. Послушайте, поправьте одну строку текста и сгенерируйте снова.

Два подхода дадут вам больше понимания, чем любой список сервисов. Дальше выбирайте инструмент по трём признакам: качество русского вокала, условия скачивания и права на результат.

Рынок труда за навыки работы с ИИ платит надбавку: по расчётам PwC, премия к зарплате составляет 62% против 57% годом ранее [2]. Музыкальные сервисы входят в этот набор наравне с текстовыми и графическими, и осваивать их проще на своей задаче. Сделайте одну песню под конкретный повод, будь то день рождения, канал или ролик, и доведите её до готового файла.