Dar prieš kelerius metus mintis, kad kompiuteris per kelias sekundes sugeneruos visą dainą su vokalu, gitaromis ir mušamaisiais, skambėjo kaip mokslinė fantastika. Šiandien tai jau kasdienybė – užtenka atsidaryti naršyklę, įvesti kelis žodžius apie norimą nuotaiką ir stilių, ir algoritmas išspjauna gatavą kompoziciją. AI muzikos ir garso kūrimo sritis per paskutinius dvejus metus išaugo tiek, kad net patys IT specialistai kartais nespėja sekti visų naujienų. Pabandykime išsiaiškinti, kas iš tikrųjų vyksta po šio technologinio gaubto ir kodėl tai keičia ne tik muzikos industriją, bet ir visą garso kūrimo procesą apskritai.
Kas slypi po algoritmo gaubtu
Dauguma šiuolaikinių muzikos generavimo sistemų remiasi transformerių architektūra – ta pačia, kuri stovi už teksto generavimo modelių. Skirtumas tik tas, kad vietoje žodžių tokenų čia dirbama su garso banga arba jos suspausta reprezentacija. Modelis apmokomas ant milijonų valandų muzikinės medžiagos, mokosi atpažinti ritmo, harmonijos, tembro dėsningumus ir vėliau, gavęs tekstinį apibūdinimą, bando „prognozuoti”, koks garsas turėtų sekti po ankstesnio.
Techniškai čia naudojami keli skirtingi metodai. Vieni įrankiai dirba diffusion principu – panašiai kaip vaizdų generatoriai, tik vietoj pikselių triukšmą pamažu paverčia spektrograma. Kiti naudoja autoregresinius modelius, generuojančius garsą tokenas po tokeno, panašiai kaip GPT generuoja tekstą raidė po raidės. Trečias variantas – hibridinis, kai atskirai generuojama muzikos struktūra, o atskirai – vokalas, po to abu sluoksniai suklijuojami.
Įdomiausia dalis – kaip modelis „supranta” muzikinę teoriją. Jis niekada nesimoko akordų progresijų taip, kaip mokosi konservatorijos studentas. Vietoj to jis tiesiog fiksuoja statistinius dėsningumus: jeigu tūkstančiuose dainų po C-dur akordo dažniausiai eina G-dur, modelis tą koreliaciją įsimena ir atkartoja. Rezultatas skamba muzikaliai, nors modelis pats „nesupranta” muzikos teorijos taip, kaip ją suprastų žmogus.
Populiariausi įrankiai rinkoje
Šiuo metu rinkoje dominuoja keletas platformų, kurios tarpusavyje konkuruoja panašiai kaip kadaise konkuravo skirtingi vaizdo generavimo modeliai.
- Suno – vienas populiariausių įrankių, leidžiantis per kelias minutes sukurti pilnavertę dainą su vokalu pagal tekstinį aprašymą. Naujausios versijos jau geba generuoti ir daugiau nei keturių minučių trukmės kompozicijas su ryškiu struktūros pajautimu – įžanga, priedainis, posmas.
- Udio – konkurentas, kurio stiprioji pusė yra vokalo natūralumas ir gebėjimas dirbti su sudėtingesniais žanrais, pavyzdžiui, džiazu ar progresyviuoju roku.
- AIVA – orientuotas labiau į instrumentinę, kino ar žaidimų muziką, kur svarbiausia ne dainos tekstas, o emocinė atmosfera.
- Soundraw ir Mubert – šie įrankiai taikosi į turinio kūrėjus, kuriems reikia greito, autorių teisių neribojamo garso takelio vaizdo įrašui ar podkastui.
- ElevenLabs – nors iš esmės orientuotas į balso sintezę, šiandien vis dažniau naudojamas ir muzikiniuose projektuose, kur reikia realistiško vokalo klonavimo.
Kiekvienas iš šių įrankių turi savo „braižą” – jei paklausi tos pačios komandos skirtinguose modeliuose, gausi labai skirtingus rezultatus. Tai primena situaciją su vaizdo generatoriais, kur Midjourney ir Stable Diffusion generuoja vizualiai skirtingas nuotraukas iš to paties promptų rinkinio.
Nuo prompto iki gatavos dainos
Vienas dažniausių klausimų, kurį girdžiu iš žmonių, tik pradedančių eksperimentuoti su šiais įrankiais – kaip iš viso rašyti tokį promptą, kad rezultatas skambėtų verta klausyti muzika, o ne chaotišku garsų rinkiniu.
Praktika rodo, kad efektyviausi promptai turi kelis komponentus: žanrą, nuotaiką, instrumentaciją ir, jei reikia, konkretaus atlikėjo stilių (nors kai kurios platformos tai riboja dėl autorių teisių). Pavyzdžiui, vietoj paprasto „linksma daina” geriau veikia kažkas panašaus į „energingas indie pop su sintezatorine linija, greitu tempu, vasaros atmosfera, moteriškas vokalas”. Kuo detalesnis aprašymas, tuo mažiau atsitiktinumo lieka modeliui.
Svarbu paminėti ir seed valdymą – daugelis platformų leidžia užfiksuoti tam tikrą „sėklą”, kad galėtum generuoti variacijas tos pačios idėos ribose, nesugriaudamas viso rezultato. Tai panašu į tai, kaip vaizdo generatoriuose galima fiksuoti kompoziciją, keičiant tik detales.
Antra svarbi dalis – po generavimo eina redagavimas. Retai kada pirmasis bandymas būna galutinis variantas. Profesionalūs kūrėjai dažnai generuoja dešimtis versijų, po to jas montuoja garso redagavimo programose, sujungdami geriausius fragmentus iš skirtingų generacijų. Tai reiškia, kad AI čia veikia labiau kaip žaliavos šaltinis, o ne galutinis produktas.
Balso klonavimas ir sintetinis vokalas
Atskira, kiek jautresnė tema – balso klonavimo technologijos. Šiuolaikiniai text-to-speech ir voice cloning modeliai geba iš vos kelių minučių garso pavyzdžio sukurti balso modelį, kuris po to gali „dainuoti” bet kokį tekstą bet kokia melodija. Techniškai tai realizuojama per embeddingus – balso charakteristikos (tembras, akcentas, intonacijos ypatumai) paverčiamos skaitiniu vektoriumi, kuris po to naudojamas kaip sąlyga generavimo procese.
Ši technologija atveria labai praktiškus panaudojimo scenarijus. Muzikantai gali kurti demo įrašus be studijos, podkasterių komandos gali automatizuoti įgarsinimą keliomis kalbomis, o žaidimų kūrėjai – generuoti personažų replikas nesamdydami dešimčių aktorių kiekvienai kalbai atskirai.
Tačiau čia pat kyla ir etinis klausimas – kas atsitinka, kai kažkieno balsas panaudojamas be leidimo? 2023–2024 metais kilo nemažai triukšmo dėl dainų, kuriose panaudoti žinomų atlikėjų balso kloniniai variantai be jų sutikimo. Kai kurios platformos, reaguodamos į tai, įdiegė vandenženklius (audio watermarking) – nematomus, bet algoritmiškai aptinkamus signalus, leidžiančius identifikuoti, ar konkretus takelis buvo sugeneruotas AI.
Kur šitai realiai naudinga
Nesinori piešti vaizdo, kad AI muzika pakeis visus muzikantus – realybė kur kas prozaiškesnė ir kur kas įdomesnė. Realūs panaudojimo atvejai šiandien atrodo maždaug taip:
- Turinio kūrėjai – YouTube ar TikTok video reikia foninio garso takelio, kuris nesukeltų autorių teisių pretenzijų. Generuoti savo unikalų takelį per kelias minutes yra kur kas greičiau nei ieškoti tinkamo iš bibliotekos.
- Žaidimų industrija – dinamiška, procedūriškai generuojama muzika, kuri prisitaiko prie žaidimo eigos realiu laiku, be poreikio iš anksto įrašyti šimtus variantų.
- Reklamos ir korporatyvinis turinys – greitas prototipavimas, kai reikia parodyti klientui kelis skirtingus garso variantus dar iki galutinio biudžeto patvirtinimo.
- Muzikantai ir prodiuseriai – kūrybinio bloko įveikimui. Kai reikia idėjos, iš kurios pradėti, o ne galutinio produkto.
- Terapija ir wellness – personalizuoti ambient takeliai meditacijai ar miegui, pritaikyti individualiai pagal vartotojo poreikius.
Tai, ko šie įrankiai kol kas negeba – sukurti tikrai originalios, kultūriškai reikšmingos muzikos, kuri atspindėtų konkretų istorinį momentą ar asmeninę patirtį taip, kaip tai daro žmogus. Modelis gali imituoti stilių, bet neturi asmeninės istorijos, kurią išreikštų per kūrinį.
Techniniai apribojimai, kuriuos verta žinoti
Nors rinkodara dažnai piešia idealizuotą paveikslą, praktiniame darbe su šiais įrankiais susiduriama su gana konkrečiais apribojimais. Pirmiausia – ilgio problema. Dauguma modelių geriausiai veikia generuodami 30 sekundžių iki 3-4 minučių trukmės takelius; ilgesniems kūriniams struktūra ima „byrėti”, pasikartojimai tampa akivaizdūs, o perėjimai tarp dalių – nenatūralūs.
Antra – teksto ir vokalo sinchronizacijos klaidos. Kartais modelis sugeneruoja žodžius, kurie skamba fonetiškai panašiai į tikrą kalbą, bet iš tikrųjų yra beprasmiai garsų junginiai – tai vadinama „glossolalia” efektu, dažnai pasitaikančiu, kai bandoma generuoti dainas ne anglų kalba.
Trečia – skaičiavimo resursai. Aukštos kokybės garso generavimas realiu laiku reikalauja rimtos GPU infrastruktūros, todėl dauguma platformų veikia debesyje, o vietinis (local) generavimas, nors ir įmanomas su atviro kodo modeliais kaip MusicGen ar Stable Audio, reikalauja bent jau vidutinio lygio vaizdo plokštės su pakankamai VRAM.
Vietoj taško – ką su tuo daryti dabar
Jeigu norite realiai pabandyti, o ne tik skaityti apie tai, štai keletas konkrečių žingsnių. Pradėkite nuo nemokamų versijų – Suno ir Udio abu turi laisvus planus, leidžiančius sugeneruoti kelias dainas per dieną be jokių įsipareigojimų. Eksperimentuokite su promptų struktūra – žanras, nuotaika, instrumentacija, tempas – ir stebėkite, kaip kiekvienas elementas keičia rezultatą.
Jeigu dirbate su vaizdo turiniu ir jums reikia foninės muzikos be autorių teisių galvos skausmo, Soundraw ar Mubert bus praktiškesnis pasirinkimas nei bandymas sugeneruoti „dainą su vokalu” – ten stipresnė instrumentinių takelių biblioteka ir paprastesnis licencijavimas.
Techniniams entuziastams verta pažvelgti į atviro kodo alternatyvas – Meta AudioCraft (kuriame yra MusicGen) leidžia paleisti modelį lokaliai ir eksperimentuoti su fine-tuningu, jeigu turite pakankamai skaičiavimo galios. Tai geras būdas suprasti, kas vyksta „po gaubtu”, o ne tik naudotis juoda dėže.
Ir galiausiai – jeigu planuojate naudoti sugeneruotą muziką komerciškai, būtinai perskaitykite platformos licencijos sąlygas. Kai kurios (pavyzdžiui, Suno mokamas planas) suteikia pilnas komercines teises, kitos – tik nekomerciniam naudojimui. Šis niuansas dažnai pamirštamas entuziazmo įkarštyje, o vėliau gali virsti nemaloniu teisiniu galvos skausmu.
AI muzikos kūrimas šiandien yra ne tiek pabaiga tradicinei muzikos industrijai, kiek naujas įrankis dirbtuvėse – šalia gitaros, sintezatoriaus ir DAW programos. Kaip ir su kiekvienu nauju įrankiu, vertė priklauso ne nuo paties algoritmo, o nuo to, kas ir kaip juo naudojasi.
