Как искусственный интеллект поет песни?

Модель для музыки, например Suno или Udio, генерирует не запись живого голоса, а звуковую волну целиком, с нуля, по описанию жанра, настроения и словам песни. Работает это похоже на то, как языковая модель предсказывает следующее слово: только здесь модель предсказывает следующий фрагмент звука, обученная на миллионах реальных треков с вокалом, инструментами и структурой куплет-припев.

Отдельная технология — клонирование конкретного голоса. Достаточно нескольких минут чистой записи человека, чтобы модель voice cloning научилась воспроизводить его тембр, манеру и интонации и «спеть» ими любой текст. Именно так делают фейковые треки от имени известных исполнителей, которые они никогда не записывали.

Как специалист по безопасности отмечу: это та же технология, что стоит за голосовыми дипфейками в мошеннических звонках — злоумышленник берет короткий образец голоса из соцсетей или ролика и синтезирует фразу вроде «срочно нужны деньги» голосом родственника. Если слышите знакомый голос в неожиданном контексте, особенно с просьбой о деньгах, стоит перезвонить человеку напрямую и переспросить, а не доверять самому звуку.

С музыкальными сервисами ситуация мягче: там правообладатель обычно дает согласие или сервис использует общую модель без привязки к конкретному певцу. Но юридический статус треков, которые копируют голос знаменитости без разрешения, до сих пор спорный почти во всех странах, включая Россию.