Как искусственный интеллект сочиняет песни?

Ничего не склеивается из готовых кусков, хотя со стороны может так казаться. Модели вроде Suno или Udio обучены на огромном массиве музыки с описаниями: жанр, настроение, темп, инструменты. По текстовому запросу такая модель генерирует аудио с нуля, предсказывая звук шаг за шагом примерно так же, как текстовая нейросеть предсказывает следующее слово. Только вместо слов здесь звуковые токены, из которых складываются мелодия, ритм и вокальная партия одновременно.

Текст песни при этом обычно пишет отдельная языковая модель, а уже готовые слова передаются музыкальной модели как часть запроса вместе с указанием стиля. Из-за этого куплет и припев получаются ритмически подогнанными друг под друга, а голос звучит с интонациями и придыханиями почти как у живого исполнителя.

Называть это творчеством в человеческом смысле все же не стоит. Модель не выражает переживание и не имеет замысла, она находит статистически правдоподобное сочетание звуков для заданных условий: жанр такой-то, настроение такое-то, длина такая-то. Иногда результат получается запоминающимся, иногда мелодия расползается или голос фальшивит на сложных нотах, и часто с первой попытки удачный вариант не выходит.

На практике проще всего сформулировать запрос через конкретику: жанр, темп, инструменты, настроение, референс похожего исполнителя. Дальше стоит сгенерировать три-пять вариантов и выбрать лучший, а не рассчитывать на идеальный результат с первого раза. И отдельно стоит свериться с условиями сервиса: у части площадок права на сгенерированный трек остаются за пользователем только на платном тарифе, а на бесплатном — за самим сервисом.