Suno v6: тихая революция, которую не сразу слышно в готовом сведении

Вот уже два года, как произошло моё первое знакомство с Suno.

За это время я успел пройти с ним путь от любопытной игрушки, которая иногда неожиданно сочиняет музыку, до вполне рабочего инструмента, который, зная мой стилистический вектор, за короткое время выдаёт настоящие эмоции. Я использую его не для того, чтобы нажать кнопку и получить готовую песню. Обычно всё начинается со своей музыкальной идеи, гитары, вокала, текста, а дальше Suno становится ещё одним участником процесса.

Поэтому выход шестой версии я ждал не столько ради новых возможностей, сколько ради звука.

И первые впечатления были довольно противоречивыми.

На плотных аранжировках довольно быстро вылезла старая болезнь Suno — каша в середине и верхней середине. Особенно хорошо она слышна на гитарном стеме примерно в диапазоне от 600 Гц до 3–3,5 кГц.

По одной гитары могут звучать прекрасно. Когда их становится несколько, читаемость отдельных партий резко падает.

Барабаны тоже сначала разочаровали. В версии 5.5 они были одной из сильных сторон Suno: плотные, дорогие, довольно убедительные. В шестой версии тарелки местами стали даже естественнее, зато бочка, малый и томы временами начали звучать пластмассово.

Добавились знакомые проблемы длинных генераций: вокал может начать забегать по ритму, к концу песни меняется частотный баланс, а финал иногда просто обрезается там, где музыка ещё явно не закончилась.

В общем, первые полчаса легко было прийти к выводу:

«Ну всё. Деградировали движок».

Но дальше произошло самое интересное.

После нескольких генераций я поймал себя на странном ощущении.

Да, сведение местами хуже.Да, барабаны раздражают.Да, несколько гитар начинают толкаться локтями.

Но слушать почему-то стало приятнее.

Не «эффектнее». Не «громче». Именно приятнее.

И только спустя некоторое время стало понятно, что изменилось: практически исчезло огромное поле цифрового мусора.

Тот самый металлический налёт на вокале. Синтетические хвосты реверберации. Цифровое шипение в верхах. Незаметная сначала, но довольно утомительная зернистость.

Suno v6 внезапно приобрёл что-то похожее на аналоговое спокойствие.

И вот здесь появилась формулировка, которая пока лучше всего описывает мои ощущения:

Записывал взрослый звукорежиссёр. Сводил и просчитывал студент колледжа, пока взрослый вышел в туалет.

Звучит смешно, но технически довольно точно.

Настоящий сюрприз произошёл после скачивания стемов (кстати, недружелюбная фича от Suno по объёму скачиваний уже в деле, хоть и два дня дано на эксперименты с v6 без списания кредитов). Причём по запарке я скачал первые стемы в MP3.

И вот там уже стало совсем интересно.

Бас оказался читаемым и самостоятельным инструментом.

Бэк-вокал — вообще конфетка. Без привычного цифрового налёта и ощущения синтетической многоголосицы (но пока, конечно, это не Abbey Road с её батальоном Neumann U87).

Основной вокал — пожалуй, самое сильное улучшение. Насыщенная реверберация осталась, но большая часть цифровых хвостов вокруг неё практически исчезла. Сам голос местами уже воспринимается не как «голос нейросети», а как нормально записанный студийный источник.

Даже барабаны, которые в готовом сведении казались пластиковыми, внутри отдельной дорожки оказались вполне студийными. Немного пережатыми — да. Но никакого катастрофического «пластика», который слышался в общей сумме.

И тут картина перевернулась.

Проблема шестой версии, похоже, не столько в качестве создаваемых инструментов.

Проблема — в том, как они складываются вместе.

После работы с отдельными дорожками у меня появилась рабочая гипотеза.

Suno v6 серьёзно улучшила сам процесс создания отдельных источников: вокала, баса, гитар, бэк-вокала, тарелок.

Но система сведения пока не успевает за этим качеством.

Особенно это заметно в перегруженной середине. Когда несколько инструментов начинают одновременно претендовать на один участок спектра, шестая версия хуже разводит их между собой, чем хотелось бы.

При этом внутри отдельных дорожек всё намного интереснее.

Я попробовал немного обработать гитару своими привычными средствами: мягко придержать динамику, убрать утомляющую область примерно 2,2–3,6 кГц. И тут обнаружилась ещё одна особенность: вмешиваться приходится осторожно.

Если начать слишком активно обрабатывать отдельные дорожки, всё сведение быстро начинает разваливаться.

Это, впрочем, давно знакомая проблема нейросетевой музыки. Пока искусственный интеллект не генерирует песню действительно «подорожечно», как настоящую студийную сессию, между выделенными партиями всё равно остаются взаимозависимые фазовые и спектральные остатки.

То есть дорожки вроде бы отдельные, но живут они не совсем независимо друг от друга.

Здесь тоже всё оказалось не так однозначно.

На одной из песен эмоциональная динамика второй генерации получилась практически эталонной. Причём не просто «красивая музыка», а именно правильное развитие: сдержанное начало, постепенное раскрытие, нужный эмоциональный подъём и нормальная кульминация.

Это важно.

Значит, v6 умеет держать форму.

Проблема не в том, что модель разучилась строить песню.

Более того, при нескольких параллельных генерациях одна из трёх пар получила логичные окончания ровно на финальном аккорде — причём обе песни внутри пары.

Почему так произошло — пока вопрос. Возможно, совпадение. Возможно, разные пары действительно проходят через немного разные ветки обработки.

Проверять ещё придётся много.

Заодно выяснилась ещё одна интересная вещь.

Мой старый профиль музыкального вкуса был сформирован ещё вокруг другого проекта — альтернативного, тяжёлого, с металкором, резкими остановками, плотными гитарами и агрессивной ритмикой.

А потом этот же профиль начал невидимо участвовать в совершенно других проектах.

В итоге условный Есенин периодически получал музыкальные привычки, которые ему вообще не нужны.

Пришлось переписать профиль вкуса так, чтобы он описывал не конкретный жанр, а общую эстетику: естественность, читаемость, эмоциональную динамику, живые инструменты, отсутствие пластика и ненужной плотности.

И тут родился термин, который, подозреваю, ещё пригодится:

Санитария датасета через призму мешанины артефактов.

Звучит как название диссертации.

Но проблема реальная.

Если персональная модель строилась на песнях, созданных ещё в версиях 5.0 и 5.5, вместе с полезными музыкальными признаками в неё потенциально могли попасть и характерные недостатки старых поколений.

А старый профиль музыкального вкуса способен дополнительно тянуть новую модель в уже неактуальную стилистику.

Получается, вместе с авторским почерком мы рискуем протащить в новое поколение и старую мешанину артефактов.

Пока рано делать окончательные выводы. Я тестирую модель буквально на нескольких песнях, а не провожу лабораторное исследование.

Но рабочая картина уже начинает складываться.

Что стало заметно лучше: вокал, бэк-вокал, естественность отдельных инструментов, количество цифровых артефактов, общее ощущение «живого» источника.

Что пока вызывает вопросы: барабаны в готовом сведении, плотная среднечастотная область, окончания песен, стабильность частотного баланса на длинных композициях и само суммирование большого количества инструментов.

И вот здесь лично для меня находится самое интересное.

Потому что раньше главная мечта была простой:«Пусть нейросеть наконец перестанет звучать как нейросеть».

Кажется, в шестой версии это уже начинает происходить.

Не в готовом файле целиком.

Пока — внутри него.

Suno v6 — это не просто очередное улучшение качества.

Возможно, это тихая революция на уровне самого генерируемого звука, которую пока частично скрывает несовершенное сведение.

Отдельные дорожки уже местами звучат на 80–90% как материал из нормальной студии.

Теперь осталось научиться их так же хорошо складывать вместе.

И если условная версия 6.1, 6.5 или как они её назовут, исправит суммирование, барабаны и окончания песен, может произойти довольно интересная вещь:

нам уже не придётся объяснять слушателю, что музыка создана искусственным интеллектом.

Он просто не услышит разницы.

А пока ждём, когда настоящий звукорежиссёр вернётся из туалета 😜.