Пять способов сделать музыку нейросетью: от фона за копейки до песни с вокалом

Музыку и звук в СуперИнтеллекте делают пять моделей, и разница в цене между ними — больше чем в двенадцать раз. Минута инструментального фона на ACE Step обходится примерно в 2.4 нейрона, та же минута на Sonilo — в 30 нейронов, а готовая песня с живым вокалом по вашему тексту стоит 30 нейронов за трек целиком, независимо от длины. Звуковые эффекты считаются отдельно: 0.36 нейрона за секунду. У всех пяти моделей уровень доступа STANDARD — актуальные условия смотрите на странице тарифов.

Главное различие в таблице — не «качество вообще», а логика оплаты. Там, где вы платите за секунду, короткий отрывок стоит копейки, а пятиминутное полотно уже заметно; там, где платите за трек, длина на счёт не влияет совсем. Отсюда простое правило: объём и черновой поиск настроения — на ACE Step, финальный фон под монтаж — на Sonilo, вокал — на моделях MiniMax, шумы и эффекты — на Sonilo SFX.

ACE Step — рабочая лошадка для тех, кто делает много контента. Модель принимает описание в свободной форме: жанр, темп, инструменты и, если хочется, текст песни. При цене 0.04 нейрона за секунду минута фона выходит примерно в 2.4 нейрона, и это меняет сам подход к работе: можно не искать один-единственный правильный промпт, а сгенерировать несколько вариантов и взять лучший.

lo-fi hip hop, 85 BPM, dusty rhodes piano, soft brushed drums, warm vinyl noise, mellow and unhurried, instrumental, no vocals, seamless background for a short vertical video

Sonilo text-to-music стоит 0.5 нейрона за секунду — в 12,5 раза дороже ACE Step, и эта разница окупается ровно в одном случае: когда трек финальный. ACE Step берут, когда нужно много и быстро, Sonilo — когда трек один, он уходит клиенту и переделывать его не хочется. Вы описываете настроение и инструменты и задаёте нужную длину, чтобы музыка совпала с хронометражем без грубой обрезки в конце.

clean corporate ambient, 100 BPM, soft piano arpeggio, airy pad, light pulse of a muted synth bass, optimistic but restrained, no drums in the first 15 seconds, instrumental, duration 60 seconds

У обеих моделей другая экономика: 30 нейронов за трек, и длина на цену не влияет. Вы приносите текст песни и короткое описание стиля, модель отдаёт готовую композицию — с музыкой, аранжировкой и вокалом, который поёт именно ваши слова. Версия v2.6 — про живое звучание вокала, music-3 — про то, чтобы трек точнее держал заданный жанр и структуру куплет-припев. Описание стиля лучше держать коротким и конкретным, а текст размечать секциями: так модели понятнее, где нарастание, а где припев.

Стиль: indie pop, 112 BPM, acoustic guitar, warm female vocal, light claps

[intro]

[verse]
Город просыпается в семь ноль пять
Кофе остывает, но мне плевать

[chorus]
Мы едем дальше, мы едем дальше
Пока горит зелёный свет

[bridge]
Тишина на две секунды

[outro]

Цена одинаковая, поэтому выбирать приходится не кошельком, а задачей: v2.6 — когда важен сам вокал по вашему тексту, music-3 — когда важна предсказуемая форма и точное попадание в жанр. Раз стоимость совпадает, самый честный способ решить — прогнать один и тот же текст через обе модели и сравнить. Шестьдесят нейронов за уверенное решение по треку, который потом уйдёт в рекламу, — недорогая страховка.

Отдельная модель под звуки, а не под музыку: 0.36 нейрона за секунду. Шаги по гравию, щелчок интерфейса, удар двери, гул серверной, свист ветра в кадре. Монтажёрам и разработчикам игр это закрывает знакомую задачу: нужного звука нет в библиотеке, а тот, что есть, слышали уже все. Эффекты почти всегда короткие, поэтому посекундная цена здесь работает вам на руку.

Абстрактные прилагательные вроде «эпично» или «круто» дают усреднённый результат, а конкретные музыкальные ориентиры — попадание. Темп надёжнее задавать числом: 70 BPM для баллады — норма, а для танцевального трека — почти остановка, и модель об этом сама не догадается. Собирайте промпт по шагам.

Вывод для планирования бюджета простой: черновой поиск настроения делайте на ACE Step, а дорогие модели включайте, когда уже понятно, какой трек вы хотите получить. Пакеты нейронов — на странице тарифов, сами модели — в каталоге нейросетей и в разделе МедиаЛаб.

Музыка в коммерческом ролике — всегда вопрос лицензии, а не только качества звука. Десять минут заранее избавляют от неприятного разговора потом. Условия у каждой модели свои и со временем меняются, поэтому надёжнее один раз прочитать актуальную лицензию под свою задачу — личный ролик, монетизируемый канал, платная реклама и передача трека клиенту — это четыре разных уровня прав.

ACE Step: 0.04 нейрона за секунду, то есть минута выходит примерно в 2.4 нейрона — это самая дешёвая музыка в разделе. Sonilo за ту же минуту берёт 30 нейронов, в 12,5 раза больше, и эта разница окупается тогда, когда трек финальный, а не черновой.

Да, для этого есть fal-ai/minimax-music/v2.6 и minimax/music-3 — обе по 30 нейронов за трек. Вы даёте текст, размеченный секциями вроде [verse] и [chorus], и короткое описание стиля, а модель возвращает готовую композицию с вокалом. ACE Step тоже умеет спеть ваши слова и стоит дешевле — его удобно использовать для черновой проверки, ложится ли текст на нужный ритм.

Это два разных типа генерации. Модели с вокалом собирают композицию целиком — музыку, аранжировку и исполнение, — и цена не зависит от длины трека. Инструментальные модели считают по факту звучания, поэтому вам выгодно заказывать ровно столько секунд, сколько нужно монтажу.

Куда дальше: Что умеет чат СуперИнтеллекта · Озвучка текста нейросетью · Как сделать видео в чате · Каталог нейросетей · Личный кабинет · озвучка и звуковые эффекты · расшифровка аудио: сравнение