Как сделать музыку нейросетью: песня с вокалом или инструментал

Анна Северова, нейро-художник · 10 мин чтения · 24 июля 2026

Нужен трек под ролик, а в голове только смутное ощущение, какая музыка подойдёт. Перебирать сотни файлов на стоках долго, заказывать у музыканта дорого и приходится ждать. При этом ставить в видео чужую музыку рискованно: площадка может приглушить звук, снять ролик с монетизации или просто удалить дорожку из за авторских прав правообладателя. А для подкаста, соцсетей или личного подарка нужен трек, который звучит именно так, как вы себе представили, а не первое, что нашлось в поиске.

Нейросеть решает эту задачу иначе. Вы описываете желаемый трек словами и через минуту получаете готовую музыку: песню с вокалом и текстом или чистый инструментал без слов. Ни нот, ни студии звукозаписи, ни музыкального образования. Я собираю такие треки в российской студии https://mnogogpt.ru/studio/, прямо в браузере, без VPN и без иностранной карты. Дальше разберу оба сценария по шагам: как описать жанр, настроение, темп, инструменты и вокал, куда какой трек ставить и на чём чаще всего спотыкаются новички.

Кратко

Нейросеть делает музыку по текстовому описанию: жанр, настроение, темп, инструменты и вокал задаёте словами, а не нотами и не программой для сведения. Есть два разных сценария: песня с вокалом и текстом (для подарка, поздравления, личного трека, где важны слова) и инструментал без слов (для фона под видео, подкаста, зацикленной дорожки в соцсетях). Сгенерированный трек создаётся заново и не тянет за собой чужие авторские права, как готовая композиция с площадки, но правила конкретной соцсети и условия коммерческого использования стоит проверить отдельно, если планируете зарабатывать на ролике. Стоит недорого и без обязательной подписки: платите за конкретный трек, а не за доступ на месяц вперёд. Оплата картой или через СБП, работает из России в 2026 году без VPN.

Два сценария: песня с вокалом или инструментал без слов

Прежде чем описывать жанр и настроение, определитесь с типом результата: это две разные задачи, и запрос для них собирается по разному.

Песня с вокалом и текстом нужна, когда важны именно слова: подарок на день рождения с именем человека, поздравление с общими воспоминаниями, личный трек, который хочется просто послушать. Здесь в запрос добавляют не только жанр и настроение, но и содержание текста: о чём поётся, какие детали и имена вплести, какой должен быть финал по смыслу.

Инструментал без слов нужен там, где вокал будет мешать: фон под видео с закадровым голосом, музыка для подкаста, зацикленная дорожка для рилса, где отдельного смыслового текста не требуется, важна только атмосфера. В этом случае прямо просите «без вокала» или «инструментальная версия», иначе нейросеть может добавить вокализ или лёгкое пение поверх мелодии, а это лишний слой, который в фоне будет только отвлекать.

Как описать жанр словами

Жанр это первый и самый весомый параметр. Нейросеть хорошо ловит узнаваемые жанровые слова: поп, рок, акустика, лоу фай, эмбиент, синтвейв, оркестровая музыка, джаз, регги, электроника, фолк, хип хоп, классика. Можно комбинировать два три жанра, но не больше: «лёгкий поп с акустической гитарой» или «эмбиент с элементами синтвейва» дают чёткий, узнаваемый результат, а смесь из пяти направлений сразу превращается в невнятную кашу без определённого лица.

Думайте от задачи. Для рекламного ролика нужен цепляющий динамичный жанр вроде попа или электроники. Для медитации и расслабления подойдёт эмбиент или спокойная акустика. Для семейного видео тёплая акустика или лёгкий фолк работают лучше, чем тяжёлая электроника. Начните с одного основного жанра, а второй добавляйте только как оттенок, если чувствуете, что чего то не хватает.

Настроение и референс без имён исполнителей

Настроение задаёт эмоцию трека сильнее, чем жанр. Опишите его словами: бодрое, спокойное, драматичное, меланхоличное, вдохновляющее, тревожное, романтичное, торжественное, ностальгическое. Одного двух настроений обычно достаточно, дальше начинается противоречие: «весёлое и грустное одновременно» модель воспринимает буквально и выдаёт нечто среднее, невыразительное.

Отдельно скажу про референс, потому что здесь чаще всего ошибаются. Просить «сделай как у такого то артиста» не стоит по двум причинам. Во первых, это прямой путь к чужому стилю и потенциальным правам, а нам как раз важно получить чистый, свой трек. Во вторых, с практической стороны это работает хуже, чем кажется: нейросеть не «узнаёт» исполнителя по имени так, как это делает человек, и на выходе часто получается расплывчатый, случайный результат. Вместо имени опишите саму атмосферу и характер звука своими словами: «тёплый ламповый вечерний эмбиент, приглушённые синтезаторы, медленный ровный пульс» или «энергичный летний поп с чистым женским вокалом и лёгкой гитарой». Такой запрос даёт нейросети конкретные ориентиры по звуку и настроению, при этом остаётся полностью вашим, без привязки к чужому имени и чужому стилю.

Темп, ритм и инструменты в описании

Темп можно задать словом, не обязательно числом в ударах в минуту: медленный, размеренный, бодрый, быстрый, рваный ритм, плавный ход без резких смен. Если хочется точности, добавьте примерный темп цифрой, но для большинства задач достаточно словесного описания, потому что оно точнее передаёт ощущение, чем сухая цифра.

Инструменты называйте прямо: гитара, пианино, скрипки, синтезатор, барабаны, бас, флейта, духовые, национальные инструменты, если нужен этнический оттенок. Чем конкретнее список, тем предсказуемее звук. Пример собранного описания: «акустическая гитара и лёгкие струнные, размеренный темп, тёплое, немного ностальгическое настроение, без ударных». Такой запрос почти всегда даёт результат ближе к задумке с первого раза, чем короткое «сделай красивую музыку».

Вокал: мужской, женский или без него

Если сценарий с вокалом, укажите пол голоса прямо: мужской или женский, и по возможности характер тембра, мягкий, сильный, высокий, низкий, хриплый. Это не гарантия, что нейросеть даст ровно тот тембр, что в голове, но направление задаёт точнее, чем безликое «спой песню».

Язык вокала тоже стоит проговорить, особенно если нужен русский текст: скажите прямо «вокал на русском языке». По умолчанию некоторые модели тяготеют к английскому звучанию, даже если текст был на русском, и итог получается странной смесью. Если сценарий инструментальный, обязательно пропишите «без вокала», иначе рискуете получить фоновое пение или вокализ там, где нужна была чистая мелодия без слов.

Длительность трека: под какую задачу сколько просить

Длительность лучше задавать явно, а не оставлять на усмотрение нейросети. Для рилса или короткого видео в соцсетях достаточно пятнадцати тридцати секунд яркого, узнаваемого куска. Для фона под ролик длительность привязывайте к длине самого видео, чтобы не подгонять потом вручную. Для интро или аутро подкаста хватает десяти двадцати секунд характерного, легко узнаваемого мотива, который может повторяться из выпуска в выпуск. Для полноценной песни в подарок или для личного трека обычная длина, две три минуты, с развитием от начала до конца.

Если сомневаетесь, лучше попросить трек чуть длиннее нужного и обрезать в редакторе видео, чем короче: обрезать легко, а дотягивать нейросетью ровно тот же кусок с тем же звучанием сложнее.

Фон для видео: почему музыка не должна спорить с речью

Это отдельная и важная тема, если в ролике есть закадровый голос или диктор. Музыка на фоне речи должна поддерживать, а не соревноваться с голосом за внимание. На практике это значит несколько вещей.

Просите ровную, не слишком плотную фактуру: без резких акцентов, без внезапных всплесков громкости посреди фразы диктора, без выраженной ведущей мелодии в том же регистре, что и человеческий голос. Если в тексте запроса написать «спокойная фоновая музыка, ровная динамика, без резких смен, не отвлекает от закадрового текста», результат будет заметно послушнее для монтажа.

Отдельно оговорюсь про вокал в фоновом треке. Если в ролике уже звучит человеческая речь, второй голос, пусть даже поющий, почти всегда мешает, слушатель непроизвольно переключает внимание между двумя источниками слов. Для видео с диктором почти всегда лучше выбрать инструментал без слов, а не песню, даже тихую.

И последнее: даже самый спокойный трек в готовом виде обычно стоит приглушить в самом видеоредакторе под уровень речи, процентов на двадцать тридцать от исходной громкости. Нейросеть отдаёт трек в полную силу, а сведение с голосом это отдельный шаг, который лучше не пропускать.

Музыка для подкаста, соцсетей и зацикленного фона

У каждой из этих задач своя особенность в запросе.

Для подкаста нужна короткая, узнаваемая заставка на начало и конец выпуска: не длинная композиция с развитием, а компактный, легко запоминающийся мотив, который слушатель со временем начнёт ассоциировать именно с вашим шоу. Просите короткий трек с чётким характером и, если формат позволяет, делайте одну и ту же заставку для всех выпусков, чтобы работала узнаваемость.

Для соцсетей и коротких форматов важен темп сразу с первых секунд: зритель решает, листать дальше или остаться, за пару секунд, поэтому энергичное начало без долгого разгона критично. Просите «трек с ярким началом, без долгого вступления, сразу основная тема».

Для зацикленного фона, который должен играть без остановки, добавьте отдельную фразу: «ровный темп от начала до конца, без выраженного начала и завершения, чтобы можно было зациклить без шва». Оговорюсь честно: даже с такой формулировкой шов иногда слышен на стыке конца и начала при склейке в петлю. Если планируете действительно долгий зацикленный фон, надёжнее взять чуть более длинный трек и в редакторе сделать плавный кроссфейд между концом и началом, чем полагаться на то, что нейросеть сама даст идеально бесшовный цикл.

Песня в подарок: сценарий с личными деталями

Это отдельный вариант сценария с вокалом, где главное не жанр и не темп, а содержание текста. Если хотите сделать именную песню на день рождения, юбилей или свадьбу, ключевую роль играют детали, которые вы вкладываете в описание: имя человека, важные даты, общие истории, шутки, понятные только вам двоим. Жанр и настроение здесь выбираются под повод, обычно тёплая акустика или лёгкий поп с трогательным или, наоборот, весёлым настроением, а сама сила подарка в личных подробностях. Подробный разбор этого сценария есть в отдельном материале про песню в подарок нейросетью.

Структура трека: вступление, куплет, припев и чёткий финал

У полноценного трека есть внутренняя логика: короткое вступление задаёт настроение, куплет держит повествование, припев несёт главную яркую мысль и обычно самый запоминающийся момент, а в конце должен быть понятный, слышимый финал, а не обрыв на середине фразы.

Здесь стоит отдельно прописать в запросе структуру, если она важна: «короткое вступление секунд десять, куплет, припев, второй куплет покороче, припев с усилением к финалу, чёткая концовка». Особенно важна последняя часть про финал. Если не попросить чёткое завершение явно, а просто ограничить длительность трека, есть риск получить резкий обрыв ровно на назначенной секунде, будто музыку выключили посреди фразы. Формулировки вроде «с явным завершением», «уходит в тишину плавно» или «финальный аккорд в конце» снижают этот риск заметно, хотя стопроцентной гарантии, честно говоря, не даёт ни одна из них.

Типичные проблемы: каша в припеве, неразборчивый вокал, монотонность

Три вещи, с которыми сталкиваются чаще всего, и что с ними делать.

Каша в припеве. Когда нейросеть нагромождает в кульминации сразу много слоёв: основной вокал, подголоски, плотные струнные, тяжёлые барабаны, звук превращается в невнятное месиво, где не слышно ни одной линии отдельно. Помогает прямой запрос на упрощение: «чистый припев, один основной голос, минимум подголосков и лишних слоёв».

Неразборчивый вокал на русском. Русский текст нейросеть иногда произносит смазанно, особенно на длинных словах со стечением согласных и на быстром темпе. Если разборчивость критична, например для подарка с именем, упрощайте текст короткими фразами, избегайте сложных оборотов, замедляйте темп в описании и закладывайте пару перегенераций, чтобы выбрать самый чистый вариант по произношению.

Монотонность длинных треков. На отметке в полторы две минуты многие сгенерированные треки начинают крутить одну и ту же музыкальную мысль без развития, и слушать это дольше минуты утомительно. Помогает прямой запрос на динамику: «с постепенным нарастанием к финалу», «второй куплет тише первого, а финальный припев мощнее». Если тема принципиально важна, иногда проще сгенерировать трек покороче с ярким характером и смонтировать нужную длину повтором аккуратного куска, чем ждать естественного развития на трёх минутах.

Права на музыку: что можно, а что стоит проверить

Здесь скажу честно и без прикрас. Главное практическое преимущество сгенерированного трека в том, что это новая композиция, а не чужая запись с площадки, поэтому вы не рискуете получить приглушённый звук или снятый с монетизации ролик из за того, что кто то узнал в дорожке чужую песню. Это заметно снижает головную боль по сравнению с готовой музыкой из чужого каталога.

При этом «нет чужих прав на саму композицию» не равно «можно делать вообще что угодно без оглядки». Правила у каждой площадки свои и время от времени меняются: у соцсетей есть собственные требования к контенту, сгенерированному нейросетью, а условия коммерческого использования трека, если планируете зарабатывать на ролике напрямую, лучше свериться с условиями конкретного сервиса генерации. Это одна проверка перед стартом кампании, а не сложность на каждый день.

И ещё раз про референсы: не пытайтесь воспроизвести звучание конкретного исполнителя ни по имени, ни подробным описанием «точно как у» с деталями его узнаваемого стиля. Помимо вопроса прав, это банально работает хуже: нейросеть выдаёт более предсказуемый, качественный и честно ваш результат, когда вы описываете желаемый звук характеристиками, а не пытаетесь скопировать чужую узнаваемую манеру.

Как сделать: по шагам

1. Откройте студию. Зайдите на https://mnogogpt.ru/studio/ и выберите сценарий: песня с вокалом и текстом или инструментал без слов.
2. Опишите тему. Кратко напишите, для чего нужна музыка: фон под конкретное видео, заставка подкаста, песня в подарок, трек для соцсетей.
3. Задайте жанр. Один основной жанр, максимум два три в комбинации, без смешивания пяти направлений сразу.
4. Укажите настроение и референс. Одно два настроения словами и, если нужно, описание атмосферы своими словами вместо имени исполнителя.
5. Добавьте детали. Темп, инструменты, вокал мужской или женский на русском языке или явное «без вокала», нужную длительность и структуру с чётким финалом.
6. Сгенерируйте и прослушайте. Обычно результат готов около минуты.
7. Донастройте при необходимости. Если что то не устроило, меняйте по одному параметру за раз: жанр, настроение, вокал или длительность, и перегенерируйте, пока звучание не совпадёт с задумкой.

Часто задаваемые вопросы

Чем инструментал отличается от песни с вокалом в запросе?

Песня с вокалом требует не только жанра и настроения, но и содержания текста: о чём поётся, какие имена и детали вплести. Инструментал делается без текста, важны только жанр, настроение, темп и инструменты, а вокал нужно прямо исключить фразой «без вокала», иначе может появиться случайное пение поверх мелодии.

Можно ли попросить нейросеть сделать «как у такого то артиста»?

Так делать не стоит. Это ведёт к чужому узнаваемому стилю и потенциальным правам на манеру исполнения, а на практике ещё и работает хуже, потому что модель не считывает имя так, как человек. Опишите желаемый звук своими словами: жанр, настроение, инструменты, темп, атмосфера, это даёт более точный и полностью ваш результат.

Как задать голос: мужской или женский?

Прямо укажите в описании пол голоса и, если хочется, характер тембра: мягкий, сильный, высокий, низкий, хриплый. Это не абсолютная гарантия точного тембра, но направление задаёт куда точнее, чем общая просьба «спой песню».

Почему в припеве получается каша из звуков?

Обычно из за перегруза слоями: основной вокал, подголоски, плотные струнные и тяжёлые барабаны одновременно. Помогает прямой запрос на упрощение: чистый припев, один основной голос, минимум подголосков и лишних инструментальных слоёв.

Как сделать зацикленный фон без слышимого шва?

Пропишите в запросе «ровный темп от начала до конца, без выраженного начала и завершения». Даже с такой формулировкой шов иногда слышен на стыке. Надёжнее взять трек чуть длиннее нужного и сделать плавный кроссфейд между концом и началом в видеоредакторе.

Можно ли использовать сгенерированный трек в монетизируемом видео?

Сама композиция новая и не тянет за собой чужие авторские права, в отличие от готовой музыки с площадки. При этом правила конкретной соцсети и условия коммерческого использования у сервиса генерации могут различаться и время от времени меняются, поэтому перед активной рекламной кампанией стоит свериться с актуальными условиями.

Сколько времени занимает генерация трека?

Обычно около минуты на один вариант. Если результат не подошёл, меняете один параметр, жанр, настроение, вокал или длительность, и генерируете заново, пока не получите нужное звучание.

Нужен ли VPN и можно ли платить российской картой?

Нет, VPN не нужен. Студия mnogoGPT работает прямо из России, открывается в обычном браузере, оплата проходит российской картой или через СБП, в рублях, без иностранных сервисов.

Всё по теме: музыка

• Как написать песню нейросетью
• Музыка для видео без авторских прав
• Песня в подарок нейросетью
• Лучшие нейросети для создания музыки

Музыка нейросетью решает две разные задачи под разными сценариями: песня с вокалом и текстом там, где важны слова, и инструментал там, где музыка работает фоном и не должна спорить с речью или вниманием зрителя. Опишите жанр, настроение через атмосферу, а не через имя исполнителя, темп, инструменты, вокал и структуру с чётким финалом, и результат с первой двух попыток окажется куда ближе к задумке, чем случайный трек со стока. Попробовать можно в студии https://mnogogpt.ru/studio/: недорого, без подписки, оплата картой или через СБП, из России без VPN.