Miliony zhlédnutí z AI hudby a tajemství je v textech, ne v modelu

Diskuse kolem AI hudby se zaměřuje téměř výhradně na modely. Suno AI vydal novou verzi a komunita rozebírá kvalitu zvuku, rozsah hlasu, univerzálnost žánru, způsob, jak zvládá vysoké noty nebo složité rytmy. Udio spouští aktualizaci a porovnávací videa zaplavují sociální média během hodin: který model zní více lidsky, který lépe zvládá bas, který produkuje čistší mixování. Modely jsou působivé, skutečně působivé, a zaslouží si pozornost, kterou dostávají. Ale po vytvoření stovek AI skladeb a pozorování některých z nich akumulujících miliony zhlédnutí, zatímco ostatní zmizely v algoritmickém prázdnu, vzor, který se objevuje, skoro nic nemá společného s tím, který model zvuk generoval. Skladby, které vzlétnuly, ty, které lidé sdíleli a opakovaně přehrávali a přidávali do playlistů a komentovali a používali ve svých vlastních videích, měly všechny jednu věc společnou. Texty byly dobré.

Ne dobré v literárním smyslu. Ne poezie. Ne druh textů, které vítězí v cenách za songwriting nebo se studují na vysokoškolských kurzech. Dobré v praktickém smyslu. Texty, které se hodí ke žánru. Texty, kde počet slabik odpovídal rytmu. Texty, kde refrénu bylo dost nezapomenutelné, aby se ulpěly po jednom poslechu. Texty, kde se emoční tón dokonale shodoval s nálado hudby tak, že se slova a melodie cítila neodlučitelná. Tyto vlastnosti oddělují skladbu, kterou si lidé poslechnou jednou ze zvědavosti, od skladby, kterou si lidé přidají do své knihovny a vracejí se k ní opakovaně. A tyto vlastnosti žijí zcela v textech, ne v modelu, který generuje zvuk kolem nich.

Komunita AI hudby má trvalou slepou skvrnu kolem této pravdy. Vlákna fóra a kanály Discord jsou plné diskusí o nastaveních modelu, inženýrství výzev pro styl zvuku, parametrech generování a chytých způsobech, jak z AI vytáhnout lepší instrumentální aranžmá. To jsou všechno platné obavy, ale řeší možná 30% toho, co určuje, zda skladba uspěje. Zbývajících 70% jsou slova, která AI zpívá. Vložte do Suno AI špatně napsaný verš s nešikovným frazováním a nekonzistentním metrem a výsledek bude technicky zdatná audio stopa zahalená v textech, které se cítí špatně způsobem, který posluchač nemůže zcela artikulovat, ale rozhodně si všimne. Vložte stejný model dobře zpracovaný verš, kde každá slabika dopadá na beat a každý řádek si zaslouží své místo, a výsledek se cítí jako skutečná skladba. Stejný model. Stejná kvalita zvuku. Naprosto jiný výsledek.

Co vlastně znamená „dobré texty" pro AI hudbu

Tradiční rady pro psaní písní se přímo nepřekládají do AI hudby a tato neshoda mate spoustu tvůrců, kteří pocházejí z písní pozadí. Nádherně napsaný text s živou obrazností, složitými metaforami a neočekávanými volbami slovní zásoby může při vložení do Suno AI nebo jakéhokoli podobného modelu produkovat hrozné výsledky. Důvod je, že modely AI hudby generují melodii a frázování současně se zvukem, což znamená, že potřebují texty, které jsou rytmicky kooperativní. Sedmislabičný řádek následovaný třináctisilabičným řádkem následovaný čtyřslabičným řádkem vytváří rytmický chaos, kterým se model musí kompenzovat, a kompenzace obvykle zní jako nehanebné pauzy, přispěchané doručení nebo melodické zvraty, které narušují tok skladby.

Dobré texty pro AI hudbu mají konzistentní počet slabik v každé sekci. Verš, kde každý řádek má zhruba stejnou délku, dává modelu stabilní rytmický základ pro vytvoření melodie. To neznamená, že každý řádek musí mít přesně stejný počet slabik, ale variace by měla být záměrná a předvídatelná: vzor jako 8-8-8-6 nebo 10-10-8-10 dává modelu dostatek struktury k vytvoření soudržné melodie, zatímco umožňuje dost variace, aby bylo frazování zajímavé. Náhodné počty slabik produkují náhodné melodické výsledky, a náhodně zřídka zní dobře.

Schémata rýmů slouží podobnému strukturálnímu účelu. Koncové rýmy dávají modelu jasné kotevní body pro melodické rozlišení. Když AI narazí na rýmovaný couplet, přirozeně vytváří melodickou frázi, která se rozpouští na rýmu, což produkuje uspokojivý pocit dokončení, který posluchači očekávají na konci každé dvojice řádků. Nerhýmované texty nedávají modelu tyto kotevní body, a výsledná melodie se často potuluje bez jasných hranic fráze, vytváří pocit hudební nesmyslnosti, kterou si posluchači, kteří nemohou identifikovat technický problém, uvědomí jako „něco zní špatně". Rýmy nemusí být dokonalé. Blízké rýmy a slantové rýmy fungují dobře. Ale nějaký druh fonetického vzoru musí existovat, aby se model mohl chytit.

Zarovnání nálady mezi lyrickou obsahem a žánrem je třetím sloupem. Stopa označená jako „veselý pop", která obsahuje texty o ztrátě srdce a ztrátě, posílá protichůdné signály, které model řeší nepředvídatelně. Někdy je výsledek podivně veselá píseň o hrozných věcech, která může fungovat, pokud je to záměrné, ale obvykle jen cítí zmatek. Texty a štítek žánru se musí shodnout na tom, oč je v písni emocionálně. Zdá se to zřejmé, ale jedná se o jednu z nejčastějších chyb při tvorbě AI hudby: psaní textů v izolaci a následné vybírání žánru na základě toho, co zní cool, spíše než toho, co odpovídá lyrické obsahu.

Profesionální pracovní postup textů a proč existuje

Zjištění, že kvalita textů je primárním určujícím faktorem kvality skladby, vedlo k vývoji strukturovaného přístupu k vytváření textů. Příležitostná metoda „napsat pár řádků, vložit je do Suno, generovat, doufat v nejlepší" produkuje nekonzistentní výsledky i když jsou jednotlivé řádky dobře napsány, protože konzistence v celé písni vyžaduje strukturální plánování, které ad hoc psaní zřídka dosahuje. Verš, který funguje nádherně izolovaně, se může rytmicky střetávat s refrén, který následuje, a žádný z nich není „špatný" jednotlivě. Problém je nedostatek strukturální koordinace mezi nimi.

Generátor textů na ailyrics.yeb.to byl postaven k řešení přesně tohoto problému strukturální koordinace. Pracovní postup začíná vstupy, které definují identitu písně: téma nebo téma, žánr, náladu, tón a soubor klíčových slov, která by měla být v textech. Tyto vstupy stanovují kreativní hranice, v rámci kterých AI generuje texty, které jsou strukturálně konzistentní od začátku do konce. Výstup je kompletní píseň s vershy, refrén, mostem a outro, kde každá sekce má konzistentní počty slabik, koherentní schéma rýmů a emoční obsah, který se shoduje se specifikovanou náladou a žánrem.

Rozdíl mezi texty generovanými s tímto druhem strukturální povědomí a texty generovanými otázkou chatbota pro obecné účely na „napsat píseň o letě" je dramatický. Chatbot produkuje text, který se čte dobře na stránce, ale má špatný výkon jako zpívané texty, protože chatboty optimalizují pro kvalitu čtení, ne pro zpěvavost. Upřednostňují dlouhá slova před krátkými, složité struktury vět před jednoduchými opakujícími se, a intelektuální sofistikaci před emoční přímostí. Všechny tyto preference produkují přesně ten druh textů, se kterými se modely AI hudby potýkají. Generátor textů vytvořený pro daný účel optimalizuje opak: zpěvavé frázování, rytmická konzistence, emoční jasnost a strukturální vzory, které mohou hudební modely přeložit do přesvědčivých melodií.

Skladby, které akumulovaly miliony zhlédnutí, byly všechny vytvořeny s tímto strukturovaným přístupem. Téma definováno jako první. Žánr vybrán tak, aby odpovídal zamýšlenému publiku. Nálada a tón specifikovány tak, aby zarovnaly texty a styl zvuku. Klíčová slova vybrána k ukotvení hudby slovní zásoby v jazyce, který rezonuje s cílovým žánrem. Výsledné texty pak byly vloženy do Suno AI s minimálními úpravami a model měl všechno, co potřeboval k vytvoření skladby, která zněla záměrně, soudržně a profesionálně vytvořená spíše než náhodně generovaná.

Od textů k hotové skladbě a kompletního potrubí

Krok generování textů je začátkem potrubí, které se rozprostírá přes generování zvuku, vytváření podtitků a publikování videa. Jakmile jsou texty finalizovány, jsou formáty se značkami oddílů (verš, refrénu, mostu, outro) a vloženy do Suno AI. Značky oddílů říkají modelu, kde by měly probíhat strukturální přechody, což zabraňuje běžnému problému modelu, který neví, kdy přejít z energii verše na energii refrén, protože texty neindikují strukturální přechod.

Po generování audio stopy jsou texty videa primárním formátem distribuce AI hudby na YouTube. Textové video zobrazuje slova skladby synchronizované se zvukem, což slouží jak uměleckému účelu (dává divákům něco, s čím se mohou vizuálně zabývat), tak praktickému (diváci, kteří mohou číst texty, jsou více pravděpodobně, že si píseň zazpívají, podělí se o skladbu a vrátí se pro opakované poslechy). Vytváření těchto textových videí vyžaduje přesný čas podtitků, což je místo, kde YEB Captions vstupuje do pracovního postupu. Nástroj titulků vezme audio stopu, přepíše ji s přesným časem slova a vykreslí text přes vizuální pozadí, aby vytvořil kompletní textové video.

Celé potrubí od nápadu k publikovanému videu vypadá takto: definovat koncept písně s tématem, žánrem, náladou a klíčovými slovy na ailyrics.yeb.to. Zkontrolujte a vylepšete generované texty. Vložit je do Suno AI s žánrem a stylovými štítky. Vyberte nejlepší generování z výstupu modelu. Vytvořte textové video pomocí titulkového nástroje se stylem, který se shoduje s žánrem a náladou písně. Publikovat na YouTube s příslušnými metadaty. Toto potrubí důsledně produkuje skladby, které vypadají a zní profesionálně, a výsledky mluví prostřednictvím počtů zhlédnutí. Tajemství nikdy nebylo v nalezení dokonalých nastavení modelu nebo optimálních parametrů generování. Tajemství bylo vždy v textech a všechno ostatní následovalo z toho, že se slova dostala na první místo.