Неожиданно для себя открыл коммерческую генеративную модель для музыки — Suno.

Если к доступным генераторам картинок и видео у меня по-прежнему есть вопросы — получить нестилизованное изображение, которое не вызывает у восприятия ощущения «здесь что-то не так», всё ещё довольно нетривиальная задача; главная страница Civitai тому регулярно служит наглядным подтверждением, — то с музыкой всё оказалось несколько интереснее.

Музыка в этом смысле куда более схематична и формализуема: Shazam с алгоритмическим анализом музыки в привычном нам виде существует уже добрых полтора десятка лет, а инструменты вроде автотюна, способные вытащить даже весьма безнадёжный вокал, появились тоже далеко не вчера. Поэтому сама идея машины, которая не только разбирает музыку на составляющие, но и собирает их обратно, уже не кажется чем-то совершенно инопланетным.

Но реальность, как обычно, прозаичнее рекламных роликов.

Кнопки «сделать шедевр» там нет.

Есть набор базовых голосов. Есть генератор лирики, который никакой особой магии не делает. Есть возможность описать стиль, инструменты, характер вокала, темп, динамику и структуру композиции. А дальше внезапно выясняется, что всем этим ещё нужно уметь пользоваться.

Нужно возиться с текстовкой: переписывать строки, считать слоги, следить за ритмом и за тем, как слова вообще ложатся на музыку. Нужно расставлять ударения там, где модель упорно слышит их по-своему. Нужно понимать, какие музыкальные теги дадут нужный результат, а какие превратят описание в кашу из жанров. Нужно отдельно думать про интро, куплеты, припевы, бриджи, смену динамики и то, где вокалу стоит разойтись, а где — наоборот, исчезнуть почти до шёпота.

И потом генерировать снова.

И ещё раз.

И брать удачную версию, менять две строчки и обнаруживать, что теперь модель зачем-то переписала половину аранжировки.

То есть никакой пресловутой кнопки «творчество» всё ещё не появилось. Просто возник ещё один инструмент, который очень быстро делает черновую работу и иногда неожиданно хорошо интерпретирует поставленную задачу.

Но чем конкретнее ты понимаешь, что именно хочешь услышать, тем заметнее разница между «я написал запрос нейросети» и «я действительно сделал трек».

В общем, магии не случилось.

Случился ещё один довольно мощный инструмент, который позволяет потратить три часа на то, что, по рекламе, должно было занять три минуты.