Как написать песню нейросетью: текст, музыка, голос

Первое, что приходит в голову: песню пишет одна модель, которой просто объяснили настроение. Аналогия неверна.

Текстовая модель работает с буквами и предсказывает следующее слово. Музыкальный сервис работает со звуком, разбирает его на короткие куски и собирает заново. Это разные данные, разные модели и разные ограничения. Отсюда и разделение труда: слова можно написать в чате, а звук придется отдать другому сервису.

Вторая ошибка — думать, что текст песни и стихотворение пишутся одинаково. Стих живет на странице и на слух, песня живет только на слух и в связке с мелодией. Слог, который красиво смотрится в строке, может не влезть в такт. Модель об этом не помнит, пока ей об этом не напоминают.

Третья мелочь касается вокала. Слова, написанные для чтения, очень часто звучат во рту на одном ударном слоге хуже, чем кажется при чтении про себя. Читка вслух перед отправкой в сервис занимает пять минут и показывает места, где строку придется переписать.

Для понимания нужно отступить назад. Музыкальные модели выросли из той же идеи, что и текстовые: непрерывный сигнал разбивают на фрагменты и учат модель предсказывать следующий фрагмент. Фрагмент здесь — кусочек звука, а не слово.

Несколько терминов подряд. Кодек — программа, которая сжимает звук в короткие коды. Токен — один такой код, номер в кодовой книге. Аранжировка — набор инструментов и порядок их вступления. Бридж — переходное место в песне, обычно после второго припева.

MusicGen от Meta предсказывает такие коды одной авторегрессивной моделью, без каскада из нескольких сетей. В работе «Simple and Controllable Music Generation», поданной в июне 2023-го, авторы называют это «одноступенчатой» архитектурой. Они утверждают, что модель может управляться как текстом, так и мелодией. Код проекта опубликован под свободной лицензией MIT, а обученные веса — под CC-BY-NC 4.0 для некоммерческого использования.

Современные сервисы все чаще просят в запросе структуру будущей песни, а не только жанр. У Lyria в документации Google есть разметка прямо в тексте: квадратные скобки [Verse], [Chorus], [Bridge], а иногда и таймкоды вроде [0:00 - 0:10]. Модель читает эту разметку как план песни: где начинается вступление, где вступает припев, сколько длится проигрыш. Тот же прием работает и в обычном промпте без кода.

Что любопытно, модель редко сохраняет одну и ту же мелодию между вызовами. В документации Lyria прямо сказано, что результаты отличаются от запроса к запросу, даже если промпт не менялся. Для черновика это плюс: можно крутить один и тот же текст, пока не понравится мотив. Для выпуска трека минус: воспроизвести точную копию невозможно.

Схема двух контуров песни, иллюстрация GPThub

12 ноября 2026 года, вечером по Москве, мы задали ChatGPT 6 Luna в чате GPThub один запрос: «Напиши текст куплета и припева песни на русском про дорогу домой в осенний вечер. Схема: [Куплет] 4 строки, [Припев] 4 строки. Без пояснений».

Ответ пришел в нужной схеме. Куплет из четырех строк, припев из четырех, без вступлений и вывода. Куплет начинается с «Осенний вечер стелет дым над крышами», дальше фонари, тишина, дом с теплым окном. Припев повторяет мысль про дорогу домой через ветер, дождь и закат.

Что в этом ответе хорошо. Схема соблюдена, длины строк близкие, рифма в куплете есть. Модель не стала дописывать от себя бридж или второй куплет, хотя могла: в запросе была только просьба про куплет и припев.

Что в нем слабо. Припев начинается с тире: «Дорога домой — через ветер и дождь», и ударение падает на предлог, а не на смысловое слово. Петь такую строку можно, но первый слог сразу спотыкается. Куплет целиком держится на общих образах: дым, фонари, тишина, тепло. Ни одной конкретной детали вроде названия улицы или маршрута автобуса, которая сделала бы текст своим.

Еще одна особенность: модель написала текст без пометок о темпе, настроении и жанре. Если этот текст сразу отдать в музыкальный сервис, тот получит только буквы. Настроение, темп и инструменты в музыкальный промпт добавляются отдельно.

Устройство куплета и припева, иллюстрация GPThub

Практический вывод простой. Текстовая модель закрывает слова быстро и приемлемо, но чужой текст она делает по общим лекалам. Чем больше конкретики в запросе — место, время, настроение, один точный предмет, — тем меньше придется переписывать.

На 13 ноября 2026 года три сервиса закрывают звук, и у каждого свои рамки.

Suno. Сервис делает песни с вокалом из текстового описания. На странице тарифов видно устройство: бесплатный тариф дает 50 кредитов в день, только лучшую бесплатную модель v6-mini, без скачивания песен и без коммерческих прав. Pro за 2500 кредитов в месяц открывает 20 скачиваний и коммерческие права, Premier — 10 000 кредитов и 60 скачиваний. Кредиты подписки не переносятся на следующий месяц, это стоит держать в голове, если планируете много генераций подряд.

ElevenLabs Music. Документация описывает две актуальные модели: Music v2.5 как флагман и Music v2, а старую music_v1 убирают 31 января 2027 года. Сервис генерирует вокал и инструментал, поддерживает несколько языков, включая английский, испанский, немецкий и японский, и позволяет править звук и слова по секциям. Длина трека от 3 секунд до 5 минут. Программный доступ — для платных подписчиков. Есть аудиореференс до примерно 30 секунд, который задает стиль; в документации сказано, что модель не копирует и не ремикширует загруженный звук.

Google Lyria. В документации Google два варианта. Lyria 3 Clip всегда отдает 30 секунд и предназначен для коротких петель и превью. Lyria 3.5 пишет полноценные песни с куплетами, припевами и бриджем, длина — «пара минут», качество 44,1 кГц, формат WAV по запросу. Модель принимает текст, картинки до десяти штук и свои слова с тегами структуры. Язык вокала следует языку промпта, для русского текста промпт пишется по-русски.

Что общего. Все три сервиса принимают текст песни и описание стиля, все три умеют вокал, все три ограничены по длине. Что различается: у Suno своя система кредитов и тарифов, у ElevenLabs фокус на чистоте звука и редактуре, у Google встроена разметка структуры прямо в промпт.

Русский язык в музыкальных моделях работает, но текст все равно готовится отдельно.

Ударения. Модель музыкального сервиса не знает, куда падает ударение в слове, если не подсказать ритмом. В чате можно попросить пометить ударные слоги или заранее прочитать текст вслух и переписать строки, где ударение уехало.

Размер. Строчки разной длины в одной строфе музыкальный сервис споет по-разному: растянет или проглотит. Для песни полезнее ровные слоговые длины. Просьба «строки по семь-восемь слогов» помогает больше, чем «сделай красиво».

Повтор. Припев в песне повторяется дословно, а куплет — нет. Если модель написала три куплета с разным смыслом и одинаковым настроением, это не ошибка, так и бывает. Но припев должен быть один и тот же текст, иначе слушатель не запомнит.

Англицизмы. Модель любит вставлять слова вроде «флоу» или «виб». Для русской песни лучше заранее попросить вариант без англицизмов, иначе на первом прослушивании они режут слух.

Конкретика. Один точный предмет в тексте — «старый трамвай», «дом с зеленой крышей», имя человека — делает песню своей. Общие образы остаются общими и в музыке.

Это самый скучный и самый важный раздел. На 13 ноября 2026 года правила у сервисов разные.

В справке Suno написано прямо: песни, созданные на бесплатном тарифе, принадлежат Suno, использовать их разрешено только в некоммерческих целях. На тарифах Pro и Premier песни принадлежат человеку, и, как сказано в справке, только этот человек вправе зарабатывать на них. Там же есть оговорка шире: музыка, на 100 процентов сделанная ИИ, может не получить охрану авторского права в США, потому что одного описания промпта для авторства недостаточно. Текст, написанный человеком, регистрируется отдельно, и это чаще всего единственная часть трека, на которую у автора есть документ.

У ElevenLabs в документации сказано, что музыка «готова почти ко всем коммерческим использованиям», с отсылкой на музыкальные условия, где расписано по тарифам. Страница сама ничего не разрешает и не запрещает, она отправляет к условиям.

У Lyria документация про права молчит и отправляет к странице тарифов. Зато сказано про метку: каждый сгенерированный трек содержит неслышимую метку SynthID, по которой звук можно опознать как сгенерированный. Еще один пункт из той же документации: модель отказывается рисовать голоса конкретных певцов и готовые copyrighted тексты.

Есть общая оговорка для всех. Даже с коммерческим тарифом песня целиком из ИИ может не получить регистрацию в авторском праве. Текст, мелодия и запись — три разных объекта, и у каждого свои правила. Если трек идет на релиз, а не на подарок, лицензию сервиса читают до генерации, а не после.

В нашем каталоге генерации музыки нет. Есть чат с текстовыми моделями, которые пишут текст песни, и есть расшифровка голосовых сообщений, если удобнее продиктовать строки, а не набирать их.

Сразу оговорка про картинки: генератор изображений годится для обложки трека, но не для текста на ней. Название песни и имя исполнителя, набранные моделью прямо на картинке, почти всегда выходят с ошибками в буквах, поэтому название добавляют в редакторе поверх готового фона. Для обложки достаточно одного предмета и одного акцента цвета, без коллажа и без обещаний вроде «как у известного альбома»: чужие обложки модели не копируют.

Маршрут без обещаний выглядит так. Текст куплета и припева — в чате, с указанием схемы, длины строк и пары конкретных деталей. Правка ударений и размера — там же, отдельным проходом. Музыка и вокал — в музыкальном сервисе, куда этот текст переносится. Обложка трека — картинкой в чате, если она нужна.

Такой маршрут честно разделяет задачи и оставляет человеку то, что решает качество: проверку слов на слух и выбор из нескольких вариантов мелодии.

Слова песни и описание звука в музыкальных сервисах живут в разных местах запроса, хотя оба вводятся текстом. Если их смешать, модель примет строчки за часть описания и начнет читать или пересказывать их вместо пения.

Структура. Верх запроса — жанр, настроение, темп, главные инструменты. Низ — слова песни с тегами [Куплет], [Припев], [Бридж]. У Lyria в документации Google описана и более мелкая разметка: таймкоды вроде [0:00 - 0:10] задают, что должно звучать в первые десять секунд. Это позволяет, например, начать с одинокой гитары и вывести полный состав на припев без отдельной просьбы.

Инструменты. Чем конкретнее список, тем предсказуемее результат. «Акустическая гитара, контрабас и щетки по малому барабану» в этом смысле лучше, чем «живой звук». Модель не обязана понимать, что человек имеет в виду под «атмосферно», а названия инструментов у нее связаны с реальными тембрами.

Темп и тональность. В документации Lyria упоминаются темп (BPM), ключ и лад как рабочие параметры промпта. Для черновика хватит одного числа ударов в минуту и одного прилагательного к настроению, дальше идут варианты. Сервисы редко попадают в точный темп с первого раза, поэтому два-три прогона с разными числами — норма.

Язык и голос. Язык текста песни следует языку промпта, об этом сказано прямо в документации Lyria. Для русской песни весь запрос пишется по-русски, включая описание стиля, иначе вокал может переехать на английское произношение. Если нужен женский или мужской голос, это отдельная строка в описании; модель по умолчанию выбирает один вариант и держит его для всего трека.

Что не работает. Просьбы «сделай как у известного исполнителя» сервисы выполняют непредсказуемо. Lyria отказывается генерировать голоса конкретных певцов, а загрузка чужого трека в ElevenLabs проходит проверку на авторские права и используется только как ориентир по стилю, без копирования и ремикширования. Описать звук словами проще и безопаснее: диапазон голоса, манера, плотность аранжировки.

Голос в песне из нейросети — отдельная тема с отдельными правилами, и она касается всех трех сервисов.

Свой голос. Записать несколько своих фраз и получить похожий голос в песне можно в сервисах клонирования, у ElevenLabs это отдельная возможность. Человек при этом подписывает разрешение, что голос его, иначе затея не стоит. В статье про клонирование голоса разобрано подробнее, здесь достаточно одной мысли: свой голос в чужом треке без документов на руках — плохая идея для любого релиза.

Чужой голос. Известные голоса ловят, и это правильно: подделка голоса живого человека без согласия попадает под право на голос и на имя, а у площадок есть отдельные правила на сгенерированный звук. В документации Lyria прямо сказано, что модель отказывается такие запросы выполнять. Это обязательное ограничение сервиса.

Голос из описания. Третье, что вызывает меньше всего проблем: попросить «низкий женский альт, слегка хриплый» и получить анонимный голос, которого нет ни у кого. Для учебной песни, подарка или ролика этого достаточно, и вопросов про права не возникает.

Голос в треке, сгенерированном целиком, часто звучит ровнее, чем живой. Именно эта ровность выдаёт его на длинном прослушивании. Если песня идёт на публику, я бы оставил один настоящий инструмент или настоящий голос в подпевке. Слух цепляется за шероховатость, а у генерации её почти нет.

Практический маршрут на 13 ноября 2026 года выглядит так.

Сначала тема и одна деталь. Запрос «песня про осень» даст общие образы. Запрос «песня про осень, где у героя старый трамвай и кот на подоконнике» даст строки, которые больше ни у кого не повторятся. Одна конкретная деталь меняет текст сильнее, чем три прилагательных.

Потом схема. В запросе указывается, какие части нужны и сколько строк в каждой. Куплет, припев, бридж или без бриджа, длина строк. Модель на этом шаге делает черновик, который можно читать вслух.

Потом правка на слух. Строки читаются вслух, ударения ставятся на место, лишние слова вычеркиваются. Здесь же добавляются пометки о темпе и настроении, если текст пойдет сразу в музыкальный сервис.

Потом генерация звука. Два-три варианта с разными числами темпа, один из них слушается целиком, а не по пяти секундам. По пяти секундам все треки звучат похоже, разница видна на втором припеве.

Последним шагом — права. Если трек идет на площадку или в рекламу, условия тарифа читаются до загрузки, а не после. Для личного трека хватит того, что сервис позволяет скачать файл на выбранном тарифе.

Пять ошибок, которые встречаются почти в каждой первой попытке.

Смешать слова и описание стиля. Если в одном поле лежат «медленный инди, женский голос, немного грусти» и строки куплета, модель может принять строчки за описание и не спеть их вовсе. Стиль отдельно, слова отдельно, теги структуры — между ними.

Просить готовый хит одним запросом. «Сделай песню, которая станет популярной» — это просьба угадать вкус зала, которого модель не знает. Работают конкретные вводные: жанр, настроение, темп, инструменты, тема.

Забыть про длину. У Lyria 3 Clip трек всегда 30 секунд, у ElevenLabs Music верхняя граница 5 минут, у Suno длина зависит от модели и тарифа. Если песня задумана на три минуты, а сервис отдает тридцать секунд, текст придется резать под этот формат заранее.

Ждать одинакового результата. В документации Lyria прямо сказано, что вызовы с одинаковым промптом дают разные результаты. Найденный вариант не повторить копией: сохранять нужно сам файл, а не промпт, по которому он получился.

Не читать условия тарифа. Кредиты подписки у Suno не переносятся на следующий месяц, а коммерческие права начинаются только с платного тарифа. Песня, которую хотели продать, на бесплатном тарифе принадлежит сервису. Страница с условиями тарифа есть у каждого сервиса, её стоит прочитать до первой генерации.

Отдельно про звук. У каждого сервиса свой характер. У Suno сильнее всего вокал и готовые жанровые клише, у ElevenLabs — чистота записи и редактура по секциям, у Lyria — управляемая структура с таймкодами. Проверять лучше так: взять один и тот же текст с одним и тем же описанием стиля и пропустить через три сервиса. Тогда станет понятно, где звук ближе к тому, что хотелось.

Есть и бытовая часть, которую обычно вспоминают поздно. Готовый трек почти всегда требуют подрезать под видео или сторис: тридцать-сорок секунд от припева. Если песня задумана ради одного припева, текст под него пишется так, чтобы припев звучал самостоятельным куском без куплета перед ним. Модель этого не подскажет, потому что ей важен весь текст целиком.

Последний совет из практики: сохраняйте черновики текста по версиям. Музыкальный сервис отдает варианты быстро, и через двадцать прогонов легко забыть, на каком тексте получился лучший вокал. Дата и номер варианта в имени файла экономят вечер при сведении.