Формула промта для музыки: жанр, темп, инструменты, вокал

Музыку сложно описывать словами. Картинку хотя бы видно: можно сказать «кот на подоконнике, вечернее солнце» — и стало понятно. А в голове играет что-то, что вы сами не можете назвать. «Ну такое, бодрое, как в рекламе». Модель на это отвечает случайным треком, вы пробуете ещё раз, получаете другой случайный трек — и складывается ощущение, что нейросеть просто не слушается.

На самом деле проблема не в модели, а в том, что мы описываем не музыку, а своё впечатление от неё. Впечатление у каждого своё, а вот жанр, темп и набор инструментов — вещи общие. Именно на них модель и опирается. Ниже — формула, по которой описание собирается из понятных блоков, и четыре готовые схемы под разные задачи.

Музыкальная модель в каталоге Most AI одна — Suno. Всё, о чём речь дальше, к ней и относится.

Пять блоков, из которых собирается описание

Формула простая, и запомнить её легче, чем кажется:

жанр → темп → инструменты → вокал → назначение и настроение

Порядок блоков не священный, но он удобный: вы движетесь от общего к частному и по дороге ничего не забываете. Смысл формулы не в том, чтобы промт стал длиннее. Наоборот: пять коротких, но конкретных строк работают лучше, чем один эмоциональный абзац на десять предложений. Длинный текст без опорных слов модель просто усредняет.

Разберём каждый блок отдельно, потому что ошибки прячутся именно внутри них.

Жанр

Это самый сильный блок. Он один задаёт половину результата: инструментальную палитру, типичный ритм, манеру исполнения. «Поп-рок», «лоу-фай», «босанова», «фолк», «эмбиент», «синти-поп», «оркестровая музыка» — всё это модель понимает без пояснений.

Ошибка новичка — заменять жанр эмоцией. «Что-нибудь трогательное» — не жанр. Трогательным бывает и хор, и одинокое фортепиано, и гитара с хрипловатым голосом. Если жанр вы не знаете, вспомните любую песню, которая примерно похожа на нужное, и опишите словами, что там звучит. Названия чужих исполнителей в промт лучше не тащить — модель либо их проигнорирует, либо выдаст что-то отдалённо похожее, и вы всё равно вернётесь к описанию звучания.

Совсем не разбираетесь в жанрах — не страшно. Хватает пяти-шести опорных слов, которые покрывают большинство бытовых задач: «акустика» для тёплого и живого, «эмбиент» для тихого фона, «лоу-фай» для спокойной работы и учёбы, «поп» для яркого и праздничного, «оркестр» для торжественного, «рок» для энергичного. Начните с любого из них и уточняйте дальше остальными блоками.

Темп

Темп — то, что слушатель считывает первым, ещё до мелодии. Достаточно словесных ориентиров: «медленный», «умеренный», «энергичный», «быстрый». Если вы знаете нужное значение в ударах в минуту, его тоже можно указать — но точного попадания не ждите, модель воспринимает цифру скорее как направление, чем как настройку метронома.

Полезно привязывать темп к делу: «темп для спокойного закадрового рассказа», «темп под быструю нарезку кадров». Так вы одновременно сообщаете и скорость, и то, зачем она нужна.

Инструменты

Тут работает правило «три-четыре, не больше». Когда вы перечисляете восемь инструментов, модель пытается уместить их все — и получается плотная каша, в которой ничего не разобрать. Три инструмента дают чистое, узнаваемое звучание.

Полезно назвать ведущий инструмент отдельно: «ведёт акустическая гитара, под ней мягкие струнные и лёгкая перкуссия». Такая формулировка задаёт не только состав, но и баланс — кто главный, а кто на фоне.

Вокал

Вокал описывается тремя параметрами: есть он или нет, чей голос, в какой манере. «Женский вокал, спокойный, негромкий». «Мужской вокал с хрипотцой». «Детский хор». «Без вокала, только инструменты».

Отдельно стоит сказать про фон под голос: если поверх музыки будет звучать ваша речь, вокал в треке почти всегда мешает — два голоса конкурируют за внимание. Здесь надёжнее просить чистый инструментал. Подробнее эта логика разобрана в статье про фоновую музыку для видео.

Назначение и настроение

Последний блок — самый недооценённый. Скажите, для чего трек: фон под ролик о ремонте квартиры, заставка подкаста, песня в подарок маме, музыка для сосредоточенной работы. Назначение подсказывает модели десяток мелких решений сразу: насколько плотной должна быть аранжировка, нужна ли яркая мелодия, можно ли делать громкие пики.

Настроение ставьте в конце и одним-двумя словами: «тёплое», «тревожное», «праздничное». Оно уточняет остальные блоки, а не заменяет их.

Чего в описание лучше не класть

Три вещи стабильно портят результат. Первая — оценочные слова вместо описания звука: «красивая мелодия», «профессиональное звучание», «цепляющий припев». Модель не знает, что вы считаете красивым, и в ответ усредняет.

Вторая — противоречия внутри одного промта. Если в соседних строках стоят «спокойный ненавязчивый фон» и «мощный припев с барабанами», модель выбирает сама, и выбор редко совпадает с вашим.

Третья — описание музыки через картинку или сюжет. «Трек про осенний вечер в старом городе» звучит красиво, но не задаёт ни жанра, ни темпа, ни состава инструментов, поэтому результат каждый раз будет из другой оперы. Образ можно оставить, но одним словом в блоке настроения — а всё остальное описать звуком.

Схема 1. Фон для ролика

Задача фона — не мешать. Значит, без вокала, без резких перепадов громкости, без выразительной мелодии, которая перетянет внимание на себя. Хороший фон тот, который зритель не заметил: он почувствовал темп и настроение, но не начал вслушиваться в музыку вместо ваших слов.

Жанр: спокойный эмбиент с элементами лоу-фай.
Темп: медленный, ровный, без ускорений.
Инструменты: мягкое электропиано, приглушённый бас, тихая перкуссия.
Вокал: без вокала.
Назначение: фон под закадровый голос в обучающем видео.
Настроение: нейтральное, ненавязчивое.
Отдельно: без резких пиков громкости и без ярко выраженной мелодии.

Последняя строка — «отдельно» — важная привычка. Туда выносят запреты и ограничения, которые не влезли в основные блоки. Модель их учитывает не всегда, но с ними попаданий заметно больше, чем без них.

Схема 2. Песня с вокалом

Здесь у промта две части: описание стиля и сам текст. Стиль собирается по той же формуле, а текст размечается на куплеты и припев. Разметка нужна, иначе модель сама решит, где у песни повтор, и решение вам может не понравиться.

Стиль: акустическая поп-баллада, умеренный темп,
ведёт акустическая гитара, мягкие струнные, лёгкие барабаны,
женский вокал, спокойная манера, тёплое настроение.
Назначение: песня в подарок на юбилей.

[Куплет 1]
четыре строки вашего текста

[Припев]
четыре строки, которые повторятся

[Куплет 2]
четыре строки вашего текста

[Припев]
тот же текст припева

Про текст стоит помнить одно: строки должны быть примерно одинаковой длины. Если в первой строке шесть слогов, а во второй восемнадцать, модель будет впихивать лишнее скороговоркой. Подробный разбор работы с текстом песни есть в статье как сделать песню.

Схема 3. Инструментал для прослушивания

Инструментал, который слушают отдельно, — не то же самое, что фон, хотя вокала нет ни там, ни там. Ему как раз нужна мелодия и хоть какое-то развитие: начало потише, середина поплотнее, финал спокойный. Развитие можно описать прямо словами.

Жанр: неоклассика с электронной подложкой.
Темп: умеренный.
Инструменты: ведёт фортепиано, под ним струнные и тихий синтезаторный гул.
Вокал: без вокала.
Развитие: тихое вступление на одном фортепиано,
в середине добавляются струнные, к финалу всё стихает.
Настроение: сосредоточенное, немного меланхоличное.

Схема 4. Джингл

Джингл — самый короткий и самый капризный формат. Пять-десять секунд, узнаваемый мотив, чёткий финал. Здесь особенно важно сказать, чем трек заканчивается, иначе он оборвётся на полуслове.

Жанр: короткий рекламный джингл, поп-звучание.
Длительность: около 8 секунд.
Темп: энергичный.
Инструменты: синтезатор, электронные барабаны, короткий колокольчик в финале.
Вокал: без вокала.
Назначение: заставка для роликов службы доставки.
Финал: чёткое завершение на последней ноте, без затухания.

Ещё один нюанс короткого формата: он не прощает лишних инструментов. Два-три звука с ясной атакой в восьми секундах читаются, пять сливаются в кашу — каждому достаётся меньше секунды, и различить их на слух уже нельзя.

Если нужен джингл с названием бренда голосом, отдельно посмотрите разбор в статье про джингл для бренда — там про то, как сочетать короткий вокальный слоган и музыку.

Честно: с первого раза почти не попадает

Это главное, что стоит принять заранее. Даже идеально собранный промт даёт нужный результат далеко не всегда. Музыка вариативна по своей природе: одно и то же описание можно исполнить десятком способов, и модель каждый раз выбирает один из них.

Ожидание «сейчас опишу правильно и с первой попытки получу то, что играет в голове» — главная причина разочарования. Опытные люди работают иначе: они не ждут точного попадания, а сужают круг. Первая партия генераций нужна не для готового трека, а для ответа на вопрос «в какую сторону вообще двигаться».

Поэтому рабочий подход такой: делаете три-четыре генерации по одному промту, слушаете, выбираете самую близкую. Дальше правите один блок и генерируете снова. Именно один — если поменять сразу жанр, темп и инструменты, вы не поймёте, что улучшило результат, а что испортило.

Помогает слушать не весь трек целиком, а первые пятнадцать секунд. Если за это время звучание не в ту сторону, дальше оно само не выправится — быстрее сгенерировать заново, чем дослушивать до конца в надежде на перемены.

Типичные правки по блокам выглядят так.

Ещё одна привычка, которая экономит время: сохраняйте удачные промты. Через месяц вы не вспомните, какая формулировка дала тот самый фон, который отлично лёг на ролик. Простой заметки с пятью-шестью проверенными описаниями хватает надолго.

Сколько попыток вы готовы себе позволить — вопрос бюджета. Стоимость генераций смотрите в актуальном прайсинге, там же видно, во что обходится один трек. Оплата в рублях, отдельная зарубежная карта не нужна.

Частые вопросы