Как искусственный интеллект сочиняет музыку?

Как искусственный интеллект создает музыку без слуха и эмоций: от нот до голоса и целой песни с настроением и формой.

Может ли искусственный интеллект сочинить песню, если у него нет слуха, голоса и даже тишины, в которой можно напевать про себя? Звучит почти парадоксально, потому что музыка кажется чем-то очень человеческим. Но для компьютера и звук, и ноты, и тембр голоса можно представить как данные, а значит, в них можно искать закономерности и создавать новые сочетания.

В прошлый раз мы говорили о том, как языковые модели продолжают текст, учитывая контекст и связи между словами. С музыкой происходит нечто похожее, только вместо слов модель работает с высотой звука, ритмом, паузами, гармонией, тембром и формой. Если текст — это поток языковых знаков, то музыка — поток звуковых событий во времени.

Самый понятный вариант — музыка в виде нот. Ноту можно описать числами: какая высота, когда она начинается, сколько длится, насколько громко звучит. Если обучить модель на множестве произведений, записанных так, она начинает предсказывать следующее музыкальное событие: после аккорда, мотива или паузы выбирает вероятное продолжение.

Но хорошая мелодия — не просто цепочка «правильных» нот. В ней есть повтор, ожидание, напряжение и разрешение. Мы узнаём мотив, слышим, как он возвращается, замечаем, когда музыка будто уходит в сторону, а потом приходит домой. Поэтому модели важно удерживать не только ближайшие звуки, но и более длинную форму: куплет, припев, развитие, кульминацию.

Есть и другой путь: работать не с нотами, а прямо со звуковой волной. Любая запись — это колебания воздуха, которые микрофон превращает в числовой сигнал. Если сильно приблизить звук на экране, мы увидим не «песню», а длинную линию, быстро поднимающуюся и опускающуюся. Создать такую линию целиком трудно: в нескольких секундах звука скрыто огромное количество деталей.

Поэтому часто используют промежуточное представление. Звук раскладывают на частоты, примерно как призма раскладывает свет на цвета. Тогда модель видит, что звучит в каждый момент: где бас, где атака ударных, где яркость тарелок, где шипящие оттенки голоса. Затем другой алгоритм или нейросеть превращает эту карту обратно в слышимый звук.

Так искусственный интеллект создаёт не только мелодию, но и тембр. Тембр — причина, по которой одна и та же нота на скрипке, трубе и в человеческом голосе звучит по-разному. Модель не знает скрипку как предмет. Она улавливает атаку, вибрацию, обертоны, затухание — и может собрать звук, похожий на инструмент, без настоящей струны или трубы.

С голосом всё ещё интереснее. Речь и пение можно разложить на произношение, высоту, темп, тембр и выразительность. Одни модели превращают текст в голос, другие меняют один голос на другой, третьи поют заданную мелодию. Но убедительный искусственный вокал не означает, что система чувствует слова. Она воспроизводит акустические признаки эмоций, выученные на примерах.

Как появляется целая песня? Обычно система получает подсказку: жанр, настроение, описание, иногда текст или пример ритма. Затем она согласует несколько уровней сразу. Низкий уровень отвечает за звук и тембр, средний — за ритм и гармонию, высокий — за форму: где начать новую часть, когда вернуть припев, как не развалить композицию.

Здесь помогает сравнение с кулинарией. Модель не пробует суп и не радуется вкусу, но по тысячам рецептов замечает, какие продукты сочетаются, в каком порядке их добавляют и что люди называют нежным, острым или праздничным. Так же и в музыке: она не переживает грусть, но знает, какие ходы слушатели часто связывают с грустным настроением.

Отсюда возникают ограничения. Модель может создать красивый фрагмент, но потерять длинную драматургию. Может смешать стили свежо, а может выдать усреднённый фон. Ей трудно понимать культурный контекст по-человечески: почему именно эта интонация важна, почему пауза трогает, почему простая песня становится личной.

Есть и практические вопросы: на каких данных обучали систему, не повторяет ли она чужую музыку слишком близко, можно ли имитировать голос исполнителя без согласия. Технология развивается быстро, а правила вокруг неё ещё уточняются. Поэтому генерация музыки — это не только математика, но и авторство, доверие, ответственность.

Итог такой: искусственный интеллект сочиняет музыку, превращая звук и ноты в числа, изучая ритмы, гармонии, тембры и формы, а затем создавая новые комбинации по заданному контексту. Он может звучать удивительно музыкально, потому что у музыки есть структура. Но за этой структурой пока нет личного слухового опыта, воспоминаний и желания спеть — есть мощная система распознавания и продолжения закономерностей.