Может ли нейросеть сделать песню по фотографии и что она берёт из снимка?

Возьмём обычный дачный снимок. Деревянное крыльцо, на ступеньке сидит пожилая женщина в вязаной кофте, рядом эмалированное ведро с яблоками, у ног растянулась рыжая дворняга. Отдаём фотографию модели, которая умеет описывать картинки, и получаем примерно такое:

Пожилая женщина сидит на крыльце деревянного дома,
рядом ведро с яблоками и рыжая собака.

Описание точное, придраться не к чему. Беда в том, что больше песня ничего не узнает. Музыкальный генератор, получив эту фразу, напишет припев про старый дом, тёплый вечер и лето, которое нас не отпускает, потому что именно так выглядит крыльцо с яблоками для машины, ни разу не видевшей эту женщину. Что яблоки здесь антоновка, что собаку зовут Байкал и что каждый август из этого ведра собирали посылку в город, на снимке не видно. А песня держалась бы как раз на этом.

Так что да, нейросеть умеет делать песню по фотографии, и таких инструментов уже несколько. Интереснее вторая половина вопроса: что именно из снимка доходит до музыки. Когда понятно, во что превращается картинка по дороге, сразу видно, где фото справится само, а где проще написать три предложения своими руками.

Что инструменты делают с вашей картинкой

Самый откровенный ответ нашёлся не на рекламной странице, а в документации для разработчиков. У MusicGPT есть API с функцией image-to-song, и в описании прямо сказано: изображение анализируется, из него составляется текстовое описание (в оригинале "descriptive prompt"), и уже по нему генерируется музыка. Картинка превращается в текст, текст уходит в музыкальную модель. До самой песни доходит не фотография, а фраза о ней.

Остальные описывают тот же промежуточный шаг своими словами. В анонсе музыки в приложении Gemini в Google пишут, что можно загрузить фото, и Gemini сочинит по нему трек с текстом под настроение снимка. На странице Mubert про image-to-music сказано, что генератор смотрит на цвета, контраст и фактуры и переводит их в параметры звука: тёплые цвета дают более яркий тембр, высокий контраст даёт более резкую атаку. Перевод тут другой (зрительные признаки сразу в настройки звука, без подписи и без текста песни), но это всё равно перевод, и опирается он только на то, что лежит на поверхности кадра.

Полностью механизм ни одна из этих компаний не раскрывает, поэтому подробности стоит считать их собственными формулировками. Но картина везде одна: из снимка песня берёт то, что машина способна назвать, просто посмотрев. Предметы, место, погоду, свет, цвет и догадку о настроении.

Если слова у вас уже есть и нужно только, чтобы их спели, вам в другую статью: как превратить готовый текст в песню, там по шагам разобраны поля Suno. Эта статья для тех, у кого есть фотография, человек и повод, а текста пока нет.

Какие сервисы принимают фото на момент написания

Функции в этой нише меняются быстро, поэтому таблица ниже показывает картину на сегодня, и перед тем как на неё опираться, загляните на страницу самого продукта. Цен здесь нет сознательно: они плавают, а у части сервисов зависят от тарифа, который у вас уже подключён.

Несколько оговорок, которые в таблицу не помещаются.

В первом анонсе Google в феврале 2026 года речь шла о 30-секундных треках в бета-версии, а на нынешней обзорной странице Gemini уже написано про треки длиной до трёх минут, возрастной порог 18 лет и ограничения на количество. В февральском посте был список поддерживаемых языков: английский, немецкий, испанский, французский, хинди, японский, корейский и португальский. Русского в том списке не было, и для русскоязычной песни это первое, что стоит проверить своими руками. Все треки оттуда несут водяной знак SynthID, который в Google называют неслышимым. Если для вас это важно, сверяйтесь с обзорной страницей, а не с этой таблицей.

Suno Scenes в блоге Suno анонсировали в октябре 2024 года как режим «визуального сторителлинга», который открывается через камеру при создании песни, начиная с iOS. Более свежего описания от самой компании найти не удалось. Есть ли эта функция в вашей версии приложения и в вашей стране сегодня, покажет только само приложение.

Последняя строка таблицы про нас, и честный рассказ о ней короткий. sunomarket работает как независимый сайт: это не Suno, и ни с Suno, ни с Google, ни с другими компаниями из таблицы мы не связаны. Наш генератор текстов фотографии не смотрит и не поёт. Он берёт факты, которые вы напечатали, и возвращает текст с тегами [Verse] и [Chorus], готовый к вставке в тот инструмент, который будет петь.

Что видит камера и чего она не видит

Положите дачный снимок рядом с тем, что знает человек, который держит его в руках.

Что есть в подписи: женщина, крыльцо, деревянный дом, ведро, яблоки, рыжая собака. Может быть, «пожилая». Может быть, «уютная атмосфера», это модель угадывает настроение по тёплому свету и спокойной позе.

Чего в подписи нет и не будет:

• Имени. Бабушка Нина, баба Нина, Нина Петровна: что споют в припеве, решаете вы.
• Того, кто смотрит. Подпись написана никем, а песню на юбилей пишут внуки, муж, бывшие ученики, и от этого меняется каждая строчка.
• Того, что было до и после щелчка. Каждый август одно и то же, много лет подряд, а в один кадр это не влезает.
• Сорта. Антоновка уже строчка, а «яблоки» просто существительное.
• Клички. Камера видит рыжую собаку, а Байкалом её звали только свои.
• Записки. Сверху в каждом ящике с яблоками лежал листок с одной и той же фразой. Ни одна модель её не угадает, потому что на снимке записки нет.

Весь смысл статьи умещается в этот список. Сервис «песня по фото» работает с тем, что есть в подписи. Песня, после которой за юбилейным столом становится тихо, собирается из того, чего в ней нет. Для вас фотография служит отличной подсказкой, а для машины она плохое задание.

Есть ещё одна вещь, в которой подпись может ошибиться и ничего вам не сказать: настроение. Пасмурное небо модель прочитает как грусть, тёплый закат как ностальгию. А для семьи этот кадр может быть самым смешным в альбоме. Если сервис подбирает музыку под настроение снимка и это настроение обманчиво, песня выйдет уверенно не той, и в интерфейсе об этом ничего не предупредит.

Разбор на примере: от снимка к заданию и к припеву

Проведём дачную фотографию до конца двумя путями: сначала ленивым, потом с фактами.

Путь первый, только подпись. Вот какой припев обычно рождается из описания вроде того, что в начале статьи. Это иллюстрация, а не результат конкретного сервиса:

[Chorus]
Тёплый вечер, старый дом,
Яблоки и свет кругом,
Сердце помнит всё, что было,
Лето нас не отпустило.

Неправды тут нет. Но и бабушки Нины тут нет. Эти строчки подойдут к любому из тысяч снимков с яблоками на крыльце.

Путь второй, факты за кадром. Записываем их в поле темы генератора текстов. У нас туда помещается до 800 символов, здесь заметно меньше:

Тема:
Песня бабушке Нине на 75-летие от внуков. Каждый август она
присылала нам в город ящик антоновки со своей дачи, а сверху
лежала записка: «Не ешьте немытые». Рыжий пёс Байкал всегда
провожал машину до ворот. Мы давно выросли, а записка всё та же,
почерк тот же. Тепло и чуть смешно, без слёз. Строчку
«не ешьте немытые» сделать крючком припева.

POV:        collective
Language:   ru
Structure:  classic
Hook:       title-line
Emotion:    love
Vocal:      unspecified
Age:        45+

А вот какой припев такое задание делает возможным:

[Chorus]
«Не ешьте немытые», бабушка пишет,
и август антоновкой в ящике дышит,
рыжий Байкал провожает машину,
мы выросли, почерк всё тот же,
и нет ничего этой фразы дороже.

Посмотрите, откуда взялась каждая конкретная деталь. Камера видела яблоки, но не знала сорта, и видела рыжую собаку, но не знала клички. Всё остальное в припеве (записка с её фразой, август, ящик, машина, выросшие внуки, неизменный почерк) лежит в поле темы и отсутствует в подписи. Между первым и вторым путём машина не стала талантливее. Ей просто дали материал.

Пара слов о значениях в форме, они работают не меньше темы. collective значит, что поют «мы», то есть все внуки разом, и это честнее, чем голос одного человека за всю семью. love вместе с просьбой «без слёз» удерживает песню от поминальной интонации, а с пожилым человеком на снимке такой крен случается часто. title-line велит строить припев вокруг вашей фразы, а не придумывать лозунг.

Когда фото действительно лучший путь

Сервисы, которые делают песню по снимку, вовсе не ошибка. Они просто сделаны под другую задачу, и с ней справляются быстрее всего остального в этой статье.

Звук для самой картинки. Если нужно полминуты музыки под слайд-шоу, сторис или короткий ролик, а слова почти не важны, загружайте фото и берите, что дадут. Фрагмент от Mubert или короткий трек из Gemini подстроится под цвет и свет, а фоновой музыке больше ничего и не нужно.

Шутка на один раз. Кот в коробке, закат в отпуске, торт, который осел. Песне не обязательно знать, как зовут кота по паспорту.

Когда истории вы и правда не знаете. Чужое фото с барахолки, картинка для проекта, снимок места, а не человека. Кроме подписи, тут ни у кого ничего нет, так что подпись вполне годится в задание.

А вот если песня для конкретного человека и слова должны быть про него, путь через фото работает против вас. Под это подпадает почти всё, ради чего такое ищут: песня маме на юбилей, мужу на годовщину, на свадьбу, под слайд-шоу с живым человеком в кадре. Для таких случаев есть статьи о песне про реального человека и о персональной песне в подарок: там подробно, какие факты держат текст, а какие проваливаются.

Как сохранить фото и убрать угадывание

Выбирать между снимком и словами не придётся. Пусть фотография станет источником задания, а каждый инструмент займётся тем, что у него получается.

1. Подпишите снимок сами, по памяти. Сначала одной строкой то, что видно, потом пять вещей, которых камера увидеть не могла: имя, привычку, фразу, запах, домашнюю шутку. Десять минут, и у вас больше материала, чем вытянет из кадра любая модель.
2. Превратите это в текст. Вставьте факты в поле темы генератора текстов, выберите, от чьего лица поют и какая эмоция, а крючком сделайте фразу, которую человек правда говорит. Одна генерация на SM1 стоит 20 кредитов, то есть $0.20; SM2 и SM3 стоят по 80 кредитов ($0.80) и проходят дополнительную редактуру: детектор отмечает слабые строки, и они переписываются. Бесплатного пробного периода нет, новый аккаунт начинает с нуля, тарифы на странице цен.
3. Дайте тексту звук. Если песня пойдёт в Suno, вставьте текст в поле Lyrics, а строку Style соберите отдельно, с этим помогут генератор промптов и каталог стилей. На обзорной странице Gemini сказано, что туда тоже можно отдать собственный текст со структурными тегами; как именно каждый сервис обрабатывает теги, решает он сам. Для русской песни держите в голове оговорку про список языков выше.
4. Оставьте фото на финал. Из него выйдет хорошая обложка и заставка для ролика. Просто песни оно писать не умеет.

Это дольше, чем нажать «создать» под фотографией. Зато только так в припеве окажется то, что человек со снимка узнает с первой строчки.

Снимки людей: коротко о правах и приватности

Перед тем как загружать в любой из этих сервисов фото другого человека, стоит проверить две разные вещи.

Первая: что сервис делает с загрузкой. Как хранятся и используются фотографии, написано в условиях и политике конфиденциальности каждой компании, и написано по-разному. Если на снимке ребёнок или человек, который не давал согласия, эти страницы стоят пары минут.

Вторая: что можно делать с готовой песней. Правила об использовании имени и облика реального человека и о коммерческом использовании сгенерированной музыки зависят от страны и от площадки, где сделан трек. Это не юридическая консультация. Наша позиция по текстам из генератора, в том числе то, что они неисключительные и могут совпадать у разных пользователей, изложена в дисклеймере, а вопрос шире разобран в статье кому принадлежит музыка, сделанная нейросетью.

Перед тем как что-то загружать

Откройте фотографию и рядом пустую заметку. Одной строкой запишите, что видно, и продолжайте, пока не наберётся пять вещей, которых не видно. Если эти пять строк получились лучше любой подписи (обычно так и выходит), задание у вас уже готово: отправляйте его в генератор, крючком делайте фразу, которую говорит только этот человек, а снимок приберегите для обложки.

Если пять строк не идут, потому что на фото закат, незнакомец или кот в коробке, значит, сервисы «песня по фото» подходят идеально, и можно спокойно загружать.