Создание музыки с помощью ИИ: от древнего текста к студийному релизу
Создание песни с помощью ИИ на студийном уровне объединяет генерацию вокала и полноценную звукорежиссуру. На примере песни «Маноратха» и реконструкции ведийского санскрита (Ригведа 10.135) разобраны два способа озвучивания мёртвых языков — облачный генератор Suno и локальная нейросеть YuE2 в программе YuE2 Studio, — а также разделение дорожек в UVR5, сведение в REAPER и очистка аудио в FFmpeg.
Можно ли в одиночку, без бюджета крупного лейбла, озвучить текст, написанный три тысячи лет назад на мёртвом языке, и выпустить современную песню студийного качества?
В первой статье серии («Что говорят Веды о смерти и как пережить смерть отца: гимн Ригведы 10.135») я рассказал, как вместе с моим филологическим ИИ-агентом мы сверили по университетским архивам древнеиндийский погребальный гимн о мальчике у погребального костра и бесколёсной колеснице мыслей Маноратхе.
Но текст на экране — это только начало. Мне нужно было решить две музыкальные задачи:
1. Создать современную реконструкцию звучания самого древнего гимна на ведийском санскрите (ок. 1200–900 до н. э.), чтобы живой голос пропел оригинальные строки так, как они могли реально звучать.
2. Написать собственную песню на русском и английском языках, убрав второстепенные детали, которые не нужны в песенном формате.
Я работаю не один, а со своей «бригадой цифровых подмастерьев» — специализированными ИИ-агентами и аудиопрограммами, которые описаны в открытом каталоге tools.catharsisgroove.com. У каждого инструмента в этой цепочке своя роль, свои сильные стороны и свои слепые зоны.
Вот с какими преградами мы столкнулись в работе над «Маноратхой» — и какой новый метод пришлось разработать, чтобы их преодолеть.
Два способа озвучить мёртвый язык с помощью ИИ: облачный Suno против локальной нейросети YuE2
Когда пытаешься заставить голосовую нейросеть петь на ведийском санскрите, шумерском, аккадском или древнеегипетском языке, в 2026 году у автора есть как минимум два принципиально разных пути: облачный генератор, например Suno, и локальная программа YuE2 Studio, запускающая модель YuE2 прямо на твоей видеокарте.
У каждого из этих двух подходов разная физика работы со словом и разные юридические последствия.
Способ 1. Облачный генератор на примере Suno: как ставить ударения и делить слова на слоги (плюсы и риски)
На первой же строке Ригведы 10.135 в академической записи стоит ведийская латиница с диакритическими точками и чёрточками: yásmin vṛkṣé supalāśé devaiḥ sampíbate yamáḥ.
Если скормить такую строку генератору напрямую, модель спотыкается о незнакомые значки с точками (ṛ, ṣ, ś, ā).
В облачном генераторе Suno эту проблему решает перевод текста в послоговую кириллическую запись через дефис с проставленными знаками ударения:
Я́с-мин ври-кше́ су-па-ла́-шэ дэ-ва́йх сам-пи́-ба-тэ йа-ма́х
Suno отлично понимает дефисы между слогами и знаки ударения: дефис заставляет его отчётливо выпевать каждый открытый слог и держать ровный ритуальный шаг строки. Послоговая кириллическая запись используется для преодоления англоязычной манеры произношения в реконструкциях звучания мёртвых языков.
Этот же способ успешно проверен и на flowmusic от Google. Но нужно учитывать, что генератор flowmusic склонен превращать всё в оперу. Проблема решается через чат с агентом этой музыкальной платформы, которому нужно прямо объяснить задачу и жанровые ограничения.
У облачного пути через Suno есть три серьёзных ограничения:
1. Только платная подписка и закрытый веб-интерфейс: у платформы нет открытого официального API для автономной работы.
2. Лимиты на кредиты и скачивание: каждый эксперимент со сложным древним текстом расходует пакет генераций.
3. Судебные иски музыкальных корпораций и ограничения прав: вокруг крупных облачных генераторов идут масштабные судебные процессы со стороны мировых мейджоров. Платформа внедряет жёсткие фильтры, водяные знаки и юридические оговорки, которые существенно ограничивают свободное использование результатов генерации.
Способ 2. Локальная нейросеть YuE2 и программа YuE2 Studio: почему дефисы здесь ломают вокал
Чтобы не зависеть от облачных лимитов, подписок и чужих серверов, в проекте развёрнут второй контур — локальная нейросеть YuE2 через бесплатную программу для Windows YuE2 Studio, созданную одним из пользователей этой модели. Она работает прямо на домашней видеокарте (достаточно 8–12 ГБ видеопамяти RTX 3060 / 4060), а также может использовать обычный процессор (CPU) вместо графической карты за счёт снижения скорости генерации.
У работы через YuE2 Studio свои преимущества: нулевая стоимость попыток, отсутствие лимитов на скачивание и прямой доступ к нотной партитуре (score.abc), где можно управлять каждой нотой и аккордом.
Но когда я впервые подал в YuE2 Studio ту же самую строку, разбитую дефисами на слоги (я́с-мин ври-кше́ су-па-ла́-шэ), произошла катастрофа: вместо древнего гимна певец внезапно затянул бесконечный бессмысленный вокализ из одних и тех же слогов — что-то вроде «на-ли-е-дол-ва-ле» и «ман-да-ре-йо»!
Вместе с моими инженерными ИИ-агентами мы провели расследование внутри токенизатора модели и нашли три причины этого сбоя:
1. Ловушка дефисов: в отличие от Suno, языковая модель YuE2 обучалась на корпусе, где слова через дефис встречались почти исключительно в бессловесных распевах вроде la-la-la и da-ya-yo. Как только модель видит цепочку слогов через дефис, она решает, что перед ней не осмысленный текст, а распев без слов, и отключает чтение букв.
2. Ловушка латинских ударений (сжатие Unicode NFC): если попытаться писать древний текст латиницей и ставить над буквами комбинируемый знак ударения, локальный сервер перед запуском автоматически сжимает два символа (букву и значок ударения) в один символ (NFC). Длина строки уменьшается на один байт на каждом ударении, сетка слогов съезжает, и генератор аварийно останавливается с фатальной ошибкой расписания текста.
3. Отсутствие словарей мёртвых языков: если в поле стиля написать Vedic Sanskrit, Sumerian или Old Egyptian, у модели нет фонетического словаря для этих языков, и она снова срывается в нечленораздельное хоровое гудение.
Наш новый метод в Catharsis Groove: палеофонетическое управление голосом в YuE2 Studio
Чтобы объединить безлимитную свободу локального генератора в YuE2 Studio с дикцией на мёртвых языках, мы в проекте разработали и проверили на практике новый метод палеофонетической кириллической партитуры.
Филологический ИИ-агент теперь автоматически готовит для каждого древнего памятника два параллельных текстовых блока: первый — с послоговой разбивкой через дефис (для проверки числа нот и для облачного Suno), и второй — специально для локального YuE2 Studio по четырём строгим правилам:
1. Слитное написание слов без единого дефиса + знак ударения U+0301 + ключ «Russian,» в промпте стиля: в кириллице, в отличие от латиницы, в стандарте Unicode нет предкомпозитных ударных гласных. Поэтому знак ударения (U+0301, вводимый через Alt+0769: а́, и́, у́, э́) не сжимает длину слова, а выделяется в отдельный чистый токен ударения. А первое слово Russian, в англоязычном описании стиля включает в модели чёткий кириллический фонетический декодер.
2. Закон твёрдых «Э» и «Ы» и полный запрет «Ь» и «Ъ»: чтобы древний санскрит, шумерский или древнеегипетский не звучали с мягким славянским произношением, после любых согласных мы пишем только твёрдое «э» (никогда не «е» — супала́шэ, дэва́йх), после зубных согласных (т, д, с, з, н, р, л) пишем твёрдое «ы», а мягкий и твёрдый знаки полностью исключаем, чтобы не дробить токены.
3. Закон «Одна гласная буква = один слог = одна нота в партитуре»: в локальном генераторе каждая написанная гласная буква создаёт ровно одну ноту в партитуре score.abc. Поэтому полугласные звуки y/j и w мы всегда передаём согласными буквами «й» и «в» (например, йама́х, вишпа́тих, а не иамах или уишпатих), иначе генератор припишет слову лишний слог и собьёт мелодию с ритма.
4. Дыхательное деление длинных строк по 5–10 слогов: длинные ведийские или шумерские строки из 16–20 слогов мы делим по естественной смысловой паузе (цезуре) на пары коротких строк по 5–9 слогов. При такой подаче локальная модель не задыхается и сама распределяет нечётные и чётные строки между солирующим баритоном и ответным хором.
(О том, как мы настраиваем этот агентский пайплайн для древнеегипетских и месопотамских гимнов, я подробно расскажу в следующих выпусках — а если тебе интересно протестировать этот метод на своих текстах, напиши или задай вопрос).
Как нейросеть сама поправила темп песни до частоты спокойного пульса (66 BPM)
Второй сюрприз ждал меня при генерации самой авторской песни «Маноратха» (на русском и английском языках).
По моему первоначальному расчёту в промпте стоял темп 76 BPM — умеренный шаг траурного шествия. Мы сгенерировали пул дублей, и когда мой следующий агент — инспектор физического и акустического контроля — прогнал все аудиофайлы через детекторы темпа, тональности и чистоты вокала, обнаружилась удивительная вещь.
Во всех лучших, самых глубоких по интонации дублях (и в русской, и в английской версиях) генератор самовольно замедлил темп с 76 до 66 BPM (в тональности Ля минор, A Minor).
Сначала я хотел забраковать эти дубли за отклонение от технического задания. Но когда надел наушники и послушал, то понял: машина попала точнее моего расчёта.
66 ударов в минуту — это частота спокойного человеческого пульса в состоянии глубокого сосредоточения, когда сидишь ночью у живого огня с закрытыми глазами. На 76 BPM песня суетилась и бежала вперёд, а на 66 BPM между словами открылось именно то пространство тишины и дыхания, в котором у мальчика в гимне рождается мысленная колесница.
Так цифровой подмастерье подсказал автору решение, которое я утвердил как новый эталон песни.
Разделение дорожек в UVR5, сведение в REAPER и скрытая ловушка файла .m4a на iPhone
Сырой трек из любого генератора — это ещё не готовая запись. Чтобы довести звук до студийного стандарта, нужно три обязательных инструмента:
1. Разделение на дорожки (Stems) в UVR5 и BSRoformer
Сначала мы разделяем выбранный дубль на чистый вокал (Vocals) и инструментал (Instrumental) в формате 32-bit float WAV без фазовых искажений с помощью открытых моделей семейства RoFormer (UVR5 — Ultimate Vocal Remover и встроенного в YuE2 Studio разделителя Mel-Band RoFormer).
2. Многодорожечное сведение в REAPER и проверка гармонии
Затем дорожки собираются в проект в моей основной студийной станции REAPER. Здесь агент-аранжировщик и звуковой дизайнер помогают выстроить динамику, проверить вокальные линии (при необходимости сверяя этнические тембры с библиотеками EastWest Sounds / World Vocals) и подготовить чистый предмастер с запасом по пикам (-6.0 dBFS).
3. Почему файл .m4a из Suno не играет на iPhone и как он выдаёт секреты автора
Перед самой публикацией песен на сайте catharsisgroove.com вскрылась опасная техническая ловушка, о которой не знают 99% авторов, скачивающих музыку из облачного Suno.
Если скачать из веб-интерфейса Suno файл в формате .m4a и выложить его на сайт, происходят две вещи:
1. На устройствах Apple (iPhone, iPad и Mac в браузере Safari) плеер выдаёт ошибку и звук не воспроизводится. Причина в том, что внутри контейнера .m4a из Suno лежит аудиопоток со сжатием Opus и дополнительная дорожка субтитров mov_text, которую движок Apple WebKit отказывается читать.
2. Утечка промпта и черновиков: прямо внутри метаданных этого файла в теге lyrics-eng сохраняется весь внутренний рабочий промпт со всеми техническими ремарками и квадратными скобками. Любой человек может скачать файл с сайта, открыть свойства и прочитать всю твою внутреннюю кухню.
Поэтому перед загрузкой на сайт все веб-превью проходят через автоматический фильтр в консольном пакете FFmpeg, который перекодирует аудиопоток в универсальный .mp3, отрезает скрытую текстовую дорожку и полностью вычищает служебные метаданные генератора (-map 0:a:0 -map_metadata -1).
После этого — финальный мастер в формате 24-bit WAV (с выверенной громкостью -14 LUFS и защитой от пиков -1.0 dBTP).
Частые вопросы о создании музыки с ИИ, Suno и YuE2 Studio (FAQ)
Что такое YuE2 Studio и чем эта программа отличается от облачного генератора Suno?
YuE2 Studio — это бесплатная программа для Windows с открытым исходным кодом, созданная одним из пользователей и энтузиастов открытой музыкальной модели YuE2. В отличие от облачного генератора Suno, который работает по платной подписке в браузере, имеет лимиты на скачивание и находится под давлением судебных исков крупных музыкальных корпораций, YuE2 Studio запускает нейросеть YuE2 локально на домашнем компьютере (на видеокарте от 8 ГБ VRAM или на обычном процессоре CPU) бесплатно и без лимитов, позволяя напрямую редактировать нотную партитуру (score.abc), аккорды и длительность каждого слога.
Как ставить ударения в Suno и почему в YuE2 Studio нельзя делить слова дефисами?
В Suno (и в генераторе flowmusic от Google) для чёткого произношения сложных или древних слов работает послоговая кириллическая разбивка через дефис и знак ударения над ударной гласной (я́с-мин ври-кше́ су-па-ла́-шэ), что также помогает убрать англоязычный акцент. В локальной нейросети YuE2 внутри YuE2 Studio дефисы внутри слов категорически запрещены: модель воспринимает дефисные цепочки как бессловесный распев (la-la-la) и срывается в бессвязный вокализ. В YuE2 Studio слова пишутся слитно на кириллице со знаком ударения U+0301 (Alt+0769) на многосложных словах.
Как заставить нейросеть петь на древнем мёртвом языке (ведийском санскрите, шумерском, древнеегипетском)?
Для локальной модели YuE2 в программе YuE2 Studio в проекте Catharsis Groove разработан метод палеофонетической кириллической партитуры: древний текст записывается русскими буквами слитно без дефисов, с твёрдыми гласными «э» и «ы» после согласных, без букв «ь» и «ъ», с передачей полугласных y/j и w через согласные «й» и «в» (чтобы соблюдался закон «одна гласная буква = один слог = одна нота»), а стилевой промпт начинается с ключа Russian,.
Чем разделить песню из ИИ на вокал и инструментал без потери качества для сведения в REAPER?
Для разделения сгенерированного трека на чистые дорожки (Stems) лучше всего подходят модели архитектуры RoFormer (BS-RoFormer и Mel-Band RoFormer) в бесплатной программе UVR5 (Ultimate Vocal Remover) или во встроенном модуле программы YuE2 Studio. Они разделяют вокал и инструментал в формате 32-bit float WAV без фазовых искажений для последующего сведения в REAPER.
Почему аудиофайл .m4a из Suno не воспроизводится на iPhone в Safari?
Скачанный напрямую из Suno файл .m4a содержит внутри контейнера аудиопоток с кодеком Opus и дополнительную дорожку субтитров mov_text, что вызывает ошибку воспроизведения в движке WebKit на iOS. Кроме того, в теге lyrics-eng внутри такого файла остаётся сохранённым весь рабочий промпт автора. Перед публикацией на сайте файл нужно конвертировать в чистый .mp3 и очистить от служебных метаданных через FFmpeg (-map 0:a:0 -map_metadata -1).