Технологии и будущее. Сравнить песни искусственного интеллекта: почему Suno v3 в топе

Технологический скачок: как диффузионные модели перешли в аудио

Suno v3 построен на семействе диффузионных моделей. Логика метода: алгоритм итеративно удаляет шум из случайного сигнала, согласовывая результат с заданным условием. В случае изображений условие — текстовое описание сцены, а рабочий объект — пиксели. В случае Suno v3 условие — промпт пользователя, а рабочий объект — спектрограмма: двумерное частотно-временное представление звука, где по оси абсцисс отложено время, по оси ординат — частота, а интенсивность пикселя задаёт амплитуду на данной частоте в данный момент.

Перенос диффузионного подхода в аудио потребовал решения двух инженерных задач. Первая — длина последовательности. Двухминутный трек при частоте дискретизации 44,1 кГц и 16-битной глубине содержит свыше 5,2 миллиона отсчётов на каждый канал. Обработка такого массива напрямую потребовала бы памяти, нереализуемой в потребительском сервисе. Решение: работа на уровне латентного представления спектрограммы, сжатого в десятки раз. Генератор оперирует компактным вектором, а вокодер восстанавливает из него волновую форму.

Вторая задача — когерентность на больших временных интервалах. Ранние диффузионные аудиомодели, включая MusicGen от Meta и Riffusion, синтезировали клипы по 10–20 секунд, и стыки между ними были отчётливо слышны: менялся тембр, сбивался ритм, пропадала мелодическая линия. Suno v3 удерживает согласованность темы, ритма и тембра на двух минутах. Точный состав архитектуры компания не раскрывает; в открытых источниках указано, что используется каскад модулей, каждый из которых отвечает за свой участок частотного диапазона и временного окна.

Suno v3 — первый публичный генератор, в котором диффузионная модель удерживает вокальную партию в ритме на всей длительности трека без артефактов склейки.

Конкурентный ландшафт 2024 года — Udio, Google MusicLM, Meta MusicGen, Riffusion — показал разные компромиссы. MusicLM от Google оставался в форме исследовательского демо без публичного доступа. MusicGen от Meta выдавал качественные инструментальные треки, но не генерировал вокал. Riffusion синтезировал аудио через спектрограмму как изображение, ограничивая себя характерной зернистостью верхних частот. Udio, ближайший конкурент Suno, вышел в публичный доступ в апреле 2024 года — на месяц позже v3. К моменту релиза Udio Suno v3 уже удерживал лидерство по трём измеримым параметрам: длительности трека, частоте дискретизации и числу поддерживаемых языков вокала.

Качество звука и работа с лирикой

44,1 кГц — не округлённое число. Это частота, выбранная в стандарте Red Book и обоснованная теоремой Найквиста — Шеннона: для точного восстановления сигнала частота дискретизации должна как минимум вдвое превышать максимальную частоту в спектре. Верхний предел человеческого слуха лежит в районе 20 кГц, поэтому 44,1 кГц покрывает весь слышимый диапазон с запасом. v3 выдаёт на выходе PCM-поток в этом стандарте, что отличает его от большинства предшественников, ограниченных 16–24 кГц. На практике разница слышна на высокочастотных тарелках, хай-хэтах и шумах дыхания вокалиста.

Работа с лирикой — отдельный инженерный узел. В отличие от синтеза речи, где задача сводится к передаче интонации отдельной фразы, вокал в песне обязан попадать в ритмическую сетку, удерживать гласные на нужных нотах и сохранять узнаваемость голоса на всём треке. v3 использует единое латентное пространство для вокальной и инструментальной партий, что позволяет избежать фазовых расхождений и обеспечивает согласованное звучание. Текст песни не нарезается на фрагменты и не склеивается постфактум, а генерируется как единый поток. Это устраняет характерные артефакты: дёрганые переходы между словами, срыв ударений, попадание согласных в сильную долю.

Число поддерживаемых языков вокала в v3 превышает 100. Это означает, что модель обучалась на многоязычном корпусе и удерживает фонетику вне зависимости от исходного языка промпта. Русскоязычный промпт порождает русскоязычный вокал, англоязычный — англоязычный; смешение языков внутри одной песни также допустимо. Точный состав обучающей выборки компания не раскрывает — это закрытая информация, и любые утверждения о пропорциях языков в датасете остаются спекулятивными.

Архитектура трека: Custom Mode

В режиме Custom Mode пользователь задаёт структуру трека вручную: расставляет теги [Intro], [Verse], [Chorus], [Bridge], [Outro], [End]. Модель получает карту секций и распределяет музыкальный материал по временной оси. Это принципиальное отличие от обычного промпта, где структура формируется неявно и редко совпадает с замыслом автора.

Custom Mode принимает три управляемых параметра: текст песни, стиль (жанр, темп, инструменты) и название трека. Дополнительно вставляются теги [Instrumental], [Guitar Solo], [Piano Break], [Drop], [Break] — модель интерпретирует их как условия для соответствующих сегментов латентного пространства. Внутри каждой секции сохраняется согласованность ритма и тональности, а на стыках секций модель вставляет переходные элементы: ритмический брейк, нарастание громкости, смену фактуры.

Возможность управлять структурой — это переход от генерации к композиции. Алгоритм перестаёт быть «чёрным ящиком» и становится инструментом, в котором пользователь задаёт каркас, а нейросеть заполняет содержанием. Сходная логика — структурное управление процессом через интерактивные среды — рассматривается в когнитивных исследованиях. В материале о том, как видеоигры продвигают обучение и тренировки, разобран тот же принцип: контролируемая структура сценария повышает когнитивное усвоение по сравнению с пассивным потреблением контента. В обоих случаях алгоритм не заменяет человека, а снимает с него рутинные операции — аранжировку в одном случае, организацию учебной среды в другом.

Эволюция версий: v3 и v3.5

В мае 2024 года Suno выпустила обновление v3.5. Главное изменение — увеличение максимальной длительности трека с 2 до 4 минут. Архитектурно это потребовало решения задачи когерентности на удвоенной временной дистанции: количество возможных состояний мелодии, ритма и голоса растёт экспоненциально с длиной последовательности, и удержать согласованность на четырёх минутах — задача иного порядка.

Второе изменение — стабильность вокала на длинных дистанциях. В v3 на третьей-четвёртой минуте трека вокальная партия начинала дрейфовать по высоте: фразы сползали на полтона вниз, гласные теряли длительность. В v3.5 дрейф снижен за счёт дополнительной фазы дообучения на длинных последовательностях и усиления штрафа за отклонение тона в функции потерь.

|