Может ли ИИ-вокалист заменить сессионного певца в вашем треке и где он подводит?

Бит собран: шестнадцать тактов на 140 BPM, 808 сидит где надо, а в пятом такте есть дырка, под которую вы в два часа ночи напели в диктофон мотив, и он туда встаёт как родной. Не хватает одного: певца. Тот, с кем вы обычно работаете, занят до следующего месяца, а любой другой вариант означает ставку за смену, сессию, под которую ещё надо найти окно, и второй счёт, если первый дубль окажется не тем.

Так что вопрос встаёт вполне практический: может ли ИИ-вокалист вытянуть этот трек прямо сейчас, хотя бы до уровня демо, которое не стыдно отправить артисту или лейблу? Честный ответ звучит так: может, но не всякую задачу и только одним из трёх способов, а ломаются эти способы в разных местах. Если выбрать не тот, вечер уйдёт на борьбу с инструментом, который вообще не задумывали для вашей задачи.

Сразу о том, кому адресована статья. Если у вас есть текст и хочется просто, чтобы его кто-то спел, а музыку пусть сочинит нейросеть, вам нужнее разбор о том, какая нейросеть споёт ваш текст. Здесь разговор для тех, у кого инструментал уже готов и вокал нужен поверх него: в вашей сетке, в вашей аранжировке.

Вопрос, который выбирает способ: кто пишет мелодию?

Все ИИ-инструменты для вокала по-разному отвечают на один вопрос, и это не «насколько хорошо звучит», а кто решает, какие будут ноты и где они встанут по времени.

• Решает нейросеть. Вы отдаёте инструментал и слова, а генератор целых песен вроде Suno сам придумывает мелодию, фразировку и голос и возвращает новое аудио. Это первый способ.
• Решаете вы, нотами в пиано-ролле. Мелодия рисуется как MIDI, текст вписывается слог за слогом под ноты, и вокальный синтезатор, например Synthesizer V или ACE Studio, поёт ровно нарисованное. Второй способ.
• Решаете вы, собственным голосом. Вы записываете черновой вокал любым голосом, в ноты или около того, а конверсия голоса (Kits AI, открытый проект RVC, смена голоса в ACE Studio) меняет тембр, оставляя ваш ритм и вашу мелодию. Третий способ.

Почти любой провал ниже объясняется этим делением. Когда мелодию пишет нейросеть, вы теряете контроль над временем. Когда её пишете вы, контроль появляется, но платить за него приходится часами работы. Когда её поёте вы, результат не бывает лучше чернового дубля.

Три способа в одной таблице

Цены у всех меняются часто, поэтому конкретные суммы здесь стоят только там, где сам производитель называет их прямо. Перед тем как считать бюджет, проверьте страницу каждого.

Способ первый: пусть генератор песен споёт поверх вашего бита

В справке Suno функция Add Vocals описана так: поверх инструментала накладывается вокал по вашему тексту, причём работает это и с загруженными треками, и с инструменталами, сгенерированными внутри Suno. На момент написания справка указывает, что функция доступна подписчикам Pro и Premier и находится в бете. В расширенных настройках есть ползунок Audio Strength, который задаёт, насколько новая песня держится за ваш исходный инструментал.

На этой фразе стоит задержаться, потому что в ней вся суть компромисса. На выходе получается новое аудио. Suno не впечатывает вокальную дорожку в ваш нетронутый проект, а генерирует песню, похожую на ваш инструментал настолько, насколько вы разрешили. Поднимаете ползунок, и бит сохраняется точнее. Опускаете, и вокал становится свободнее, но музыка начинает уплывать.

Где это работает лучше всего: в поиске топлайна. У вас есть бит и нет идеи мелодии, а за несколько генераций вы слышите пять разных хуков, которые сами бы не напели никогда. Даже если в релиз не пойдёт ни один, какой-нибудь из них подскажет, куда просится припев.

Где подводит:

• Попадание в вашу сетку. Раз результат заново сгенерирован, никто не обещает, что он совпадёт с проектом до сэмпла. Если вокал потом переносится обратно в сессию, выравнивание придётся проверять и чинить руками, такт за тактом.
• Одно неудачное слово. Перепеть один слог нельзя. Если во втором припеве слово смазалось, лечится это новой генерацией, а новая генерация заодно меняет и то, что вам нравилось.
• Дикция не на английском. Результат сильно зависит от языка, а ещё сильнее от того, как написан текст. Короткие строки и простые слова доживают до записи, длинные составные обороты проглатываются. Как готовить русский текст под Suno, подробно описано в гайде по русским текстам.

Рядом есть второй путь: сгенерировать песню целиком в Suno и вынуть из неё вокал разделением на стемы, которое на странице тарифов значится за платными планами. Только к вашему биту такой вокал не имеет никакого отношения: его пели под музыку Suno, в темпе и тональности, которые выбрала нейросеть. Подходит, если вы готовы перестроить инструментал под вокал, а не наоборот. Что именно дают стемы и почему разреженный промпт делится чище, разобрано в статье про стемы и WAV из Suno.

Способ второй: нарисуйте мелодию, синтезатор её споёт

Synthesizer V Studio 2 Pro от Dreamtonics и ACE Studio устроены так, как продюсер и так привык работать: пиано-ролл, ноты и текст, вписанный под них по слогам. Голос поёт нарисованное, ровно в вашей сетке, и уплывать ему некуда, потому что не от чего. В обоих можно вылепить изгибы высоты, вибрато и фразировку. На сайте ACE Studio заявлено ещё и превращение спетого вокала в редактируемые MIDI и текст: если партию получается напеть, рисовать придётся меньше.

Модели оплаты разные. Dreamtonics продаёт редактор разовой лицензией (на момент написания в магазине указано $99), один голос входит в комплект, а остальные голосовые банки продаются отдельно, так что второй и третий голос покупаются каждый сам по себе. ACE Studio работает по подписке, есть вариант аренды с выкупом, библиотека голосов входит в тариф вместе с запасом кредитов.

Где это работает лучше всего: везде, где нужно повторять, переделывать и держать всё у себя в проекте. Подпевки и многослойный бэк-вокал. Гармонии, которые вы расписываете сами. Хук, который в последнем припеве надо поднять на терцию. Демо, которое потом уйдёт живому певцу, ведь MIDI заодно служит ему нотами.

Где подводит:

• Нужна мелодия. Если вы не можете ни написать, ни сыграть топлайн, этот путь заканчивается, не начавшись. Синтезатор ноты не подсказывает.
• Часы, а не минуты. Сносный первый вариант получается быстро. Убедительный ведущий вокал с дыханием, подъездами и динамикой на три минуты песни отнимает вечер редактуры, а то и больше.
• Язык. Dreamtonics перечисляет для своих голосов английский, японский, кантонский, корейский, испанский и мандаринский, плюс межъязыковое пение поверх этого. Русского в этом списке на момент написания нет. ACE Studio говорит о восьми языках, но на просмотренной странице все восемь не названы. Если ваш текст на русском, сначала найдите демо на русском и только потом платите.
• Дикция чинится фонемами. Если слово вышло криво, править его придётся на уровне отдельных звуков. Это точно и долго.

Способ третий: спойте как получится, конверсия сделает остальное

Конверсия голоса сохраняет в вашем исполнении всё, кроме самого голоса. Вы записываете сухой черновой дубль, инструмент переносит его на другой тембр, а ритм, мелодия и фразировка остаются такими, как вы спели. Kits AI делает это в своей веб-студии (есть и настольное приложение), с библиотекой голосов, которые, по словам компании, лицензированы у самих исполнителей; начать можно бесплатно и без карты, выше идут платные тарифы. На открытом проекте RVC построено множество моделей из сообщества: лицензия MIT, всё работает на вашем компьютере, а в README сказано, что хорошую модель можно обучить на десяти минутах записи голоса или меньше. В ACE Studio смена голоса живёт в том же пакете, что и синтезатор.

Где это работает лучше всего: у продюсера, который попадает в ноты, но голоса для пластинки у него нет. Часто именно ваша фразировка и была тем, чего вы хотели. Конверсия её сохраняет и меняет только инструмент.

Где подводит:

• Что на входе, то и на выходе. Реверберация, шум комнаты, второй голос в микрофоне, хлопки на «п» и «б»: модель перенесёт всё. В блоге Kits советуют брать WAV или FLAC вместо MP3, а для сухого вокала предлагают отдельный шаг удаления реверберации. Пишите близко к микрофону, пишите сухо, эффекты вешайте после конверсии.
• Интонация остаётся вашей. Если в черновике высокая нота занижена, в новом тембре она будет занижена точно так же, только красивее. Подтяните черновик до конверсии или после неё.
• Скачки по диапазону и полу голоса. Низкий мужской черновик, переведённый в высокий женский голос, растягивает модель, и артефакты вылезают на долгих нотах. Черновик, спетый ближе к нужному диапазону, переводится чище.
• Чей это голос. Здесь вопросы прав становятся настоящими, поэтому о них ниже отдельно.

Права, коротко и без приговоров

Под ИИ-вокалом лежат три разных слоя, и регулируют их разные документы, а часто и законы разных стран.

Аудио подчиняется условиям инструмента. Условия Suno на момент написания разрешают на бесплатном тарифе только личное некоммерческое использование, а платным подписчикам передают права Suno на результат, оговаривая при этом, что Suno не обещает возникновения авторского права на этот результат. У других сервисов свои условия, и читать нужно те, что относятся к вашему инструменту.

Голос это отдельная история. Условия Suno запрещают создавать голосовую модель другого человека и загружать для этого запись чужого голоса. Kits подаёт свою библиотеку как голоса, лицензированные у самих исполнителей. Клонирование настоящего певца без его согласия упирается в право на голос и образ, а оно в разных странах устроено по-разному, и лицензия инструмента этот вопрос за вас не закрывает.

Слова составляют третий слой. Тексты из нашего генератора можно использовать в коммерческих целях, авторства над ними мы не заявляем, и права на них неисключительные: у двух пользователей строки могут совпасть. Это написано в нашем дисклеймере, а подробнее разобрано в статье о том, кому принадлежит музыка, созданная ИИ. Этот раздел не юридическая консультация. Если за релизом стоят деньги, спросите юриста в своей стране.

Где живой сессионный певец пока выигрывает

ИИ-вокал поёт, но своего мнения о песне у него нет. Хороший сессионный певец приносит три вещи, которые ни один из трёх способов пока не заменяет.

Трактовку. Певец читает текст, решает, что больнее всего в третьей строке, и давит именно на неё. Нарисовать это в синтезаторе можно, если вы заранее знаете, где болит. Певец находит это за вас.

Импровизации и счастливые случайности. Распевка, которой не было в демо, смешок в конце бриджа, вторая партия, которую никто не писал. Во втором способе их сначала надо придумать самому. В первом они появляются случайно, и оставить только удачные не получится.

Правку на ходу. Фраза «ту же строку, но как будто вы устали это повторять» в студии занимает десять секунд. В синтезаторе это двадцать минут возни с параметрами, в генераторе новый бросок кубика.

Отсюда разумное разделение труда. ИИ-вокал хорош для демо, поиска топлайна, треков-образцов, которые вы отправляете артисту, для подпевок и гармоний, а ещё для жанров, где синтетический или сильно обработанный голос сам по себе часть звучания. Для ведущего вокала в релизе в жанре, который держится на живом исполнении, смотрите на ИИ-дубль как на лучшее демо, какое вы когда-либо отправляли певцу, и зовите певца.

Все три способа сначала спрашивают слова

У всех трёх путей есть общий вход, и именно его продюсеры откладывают дольше всего: текст. В Add Vocals его надо вписать. Синтезатору нужен один слог на ноту. Даже для конверсии нужно что-то спеть. А текст, который не влезает в бит, ломает любой из способов одинаково: слоги налезают друг на друга, слова проглатываются, хук приходит на долю позже.

Подгоните строки под такты до того, как что-либо генерировать. На 140 BPM такт в размере 4/4 длится примерно 1,7 секунды, поэтому строке припева в пять-семь слогов есть где вздохнуть, а куплетной строке в девять слогов хватает такта без давки. Вот текст под тот самый луп, собранный по такому бюджету и размеченный так, как его читает Suno. Для синтезатора или чернового дубля уберите теги в квадратных скобках, строки остаются те же:

[Verse]
Голосовое в телефоне,
Секунд на десять, всё дыханье.
Кручу по кругу, чтобы в тоне
Осталось только «до свиданья».

[Chorus]
Скажи потише,
Скажи, как будто знаешь.
Скажи потише,
Я и так читаю.

В куплете каждая строка по девять слогов. В припеве строки идут по пять, семь, пять и шесть слогов, так что после заглавной строки «Скажи потише» остаётся место, где ударит 808. Для Add Vocals к этому тексту добавляется строка стиля вроде dark trap pop, 140 bpm, intimate male lead vocal, close mic, sparse, а аранжировку задаёт ваш загруженный бит. В синтезаторе каждый из этих слогов становится отдельной нотой, и слово «телефоне» займёт четыре ноты.

Такой текст можно написать руками. Если удобнее начинать с черновика, генератор текстов берёт короткий бриф и возвращает название и полный текст с тегами [Verse] и [Chorus]. Для бита на лупе в поле структуры есть loop и no-bridge, в поле хука title-line и chant, которые хорошо ложатся на повторяющиеся припевы, а в поле вокала можно выбрать unspecified, female или male. Язык текста задаётся отдельным полем, русский там есть. Модель SM1 стоит 20 кредитов, это $0.20, а SM2 и SM3 стоят по 80 кредитов ($0.80) и делают дополнительный проход: находят слабые строки и переписывают их. Генератор не поёт и аудио не выдаёт, голос всё равно берётся из того способа, который вы выбрали. Тарифы на странице цен: $5 в месяц за 500 кредитов или $19 один раз за 1 500 кредитов, которые не сгорают. Разовые покупки, то есть пожизненный тариф и пакет кредитов, можно оплатить через СБП, месячную подписку нельзя. Бесплатного пробного периода у генератора текстов нет. sunomarket независимый сайт и не связан ни с Suno, ни с другими упомянутыми здесь компаниями.

Откуда бы ни взялся черновик, подрежьте его под такты раньше, чем он доберётся до какого-либо голоса. Каждый слог, убранный сейчас, избавит от одной ноты правки в пиано-ролле или от одной генерации, потраченной на смазанный припев.

Порядок работы на следующую сессию

1. Выгрузите инструментал одним файлом и отметьте такты: где вступает вокал, где приходится хук, где дроп освобождает место. Запишите темп.
2. Ответьте на вопрос о мелодии. Мелодии в голове нет: первый способ, чтобы её найти. Мелодию можете сыграть: второй. Можете спеть: третий.
3. Напишите или сгенерируйте текст по карте тактов, потом подрежьте. Короткие строки в припеве, куплетные строки, которые заполняют такт и не вываливаются за него.
4. Пройдите выбранный путь, помня, где он подводит: в первом проверяйте выравнивание, во втором закладывайте время на редактуру, в третьем пишите сухо.
5. Решите, для чего этот дубль. Вокал в релиз, подпевки или демо, которое уйдёт певцу вместе с листом текста.

Если сегодня вечером успеете только одно, сделайте второй шаг. Больше всего часов с ИИ-вокалом теряется, когда от генератора ждут контроля, которого у него нет, или когда рисуют четыре минуты MIDI для песни, которой нужна была всего лишь идея топлайна.