Генерация музыки нейросетями: обзор 7 сервисов для треков

Хабр опубликовал обзор семи сервисов генерации музыки на базе нейросетей, где Suno занимает первую позицию. Для аудитории, занимающейся синтезом речи, наибольший интерес представляет вокальный пайплайн сервиса и дефекты при работе с русскоязычным контентом.

Пайплайн и параметры

Генерация zero-shot. Модель принимает текстовый промпт, выдаёт два варианта трека. Пайплайн: генерация текста песни → структура композиции → подбор инструментов → сведение вокала с битом → готовый трек. Нейросеть самостоятельно выбирает аранжировку и стиль синтезированного голоса.

Два режима. Simple — один запрос, модель решает всё. Custom — детальная настройка. Формула промпта: жанр + настроение + инструменты. Запрос без конкретики («весёлая песня про лето») выдаёт тривиальный результат.

Бесплатный тариф: 50 кредитов/день, 10 на генерацию (два варианта), итого 5 попыток или 10 треков. Кредиты не кумулятивны, сброс каждые 24 часа. Платные тарифы — от $8–10/мес., открывают коммерческие права и тысячи кредитов.

Audio Input, Extend, Stems

Audio Input — загрузка аудиофайла как референса: ритм по столу, мелодия на диктофоне, наспеянная фраза. Модель строит полноценную композицию вокруг загруженного фрагмента. Позволяет задать генерации начальную точку без текстового описания.

Extend — бесшовное продолжение трека. Кнопка + дополнительный текст, генерация продолжается от точки обрыва. Позволяет наращивать треки произвольной длины.

Stems — раздельная загрузка вокала и инструментала. Для аудитории, работающей с голосовыми моделями, это прямой путь к постобработке синтезированного вокала в DAW: редактирование, сэмплинг, наложение эффектов.

Дефекты русскоязычного вокала

Акцент и ударения — главный баг. Модель ставит ударение в «звонИт» на первый слог. В быстром рэпе коверкает падежные окончания. В агрессивных жанрах (метал, спидкор) вокал деградирует до неразборчивости — слова не читаются.

Артефакты типичны для zero-shot мультиязычного синтеза. Русский язык в тренировочном датасете представлен недостаточно для корректного фонемного маппинга и просодической модели. Аналогичные проблемы наблюдаются в TTS-системах: низкоресурсные языки получают заметно худшую артикуляцию и ударения.

Suno работает через браузер, не требует установки или локальной GPU. Порог входа — текстовый запрос и подписка от $8 в месяц. Сервис не привязан к экосистеме устройства и доступен из любого региона, даже на фоне снижения продаж iPhone в России в 2026 году. Для вокального синтеза Suno — самый функциональный инструмент в сегменте, но проблемы русского языка делают его непригодным для production-задач без ручной постобработки дорожек.