Осенью 2026 года по соцсетям прошла волна роликов под одну песню. Трек «Ты моя…» диджея DJ NARODNII за неделю собрал больше 150 тысяч видео. Автор говорил, что сделал его как иронию над бездумной нейромузыкой, а слушатели прозвали такие песни «аэрогрильными»: аэрогриль стал мемом про обычную жизнь, в которой звучат трек за треком, сделанные нейросетями.
Мнения о треке разошлись: кто-то услышал в нём самоиронию, кто-то остался недоволен подачей и текстом. Но техническая сторона у этой истории одна для всех. Нейросеть не склеивает готовые куски, а генерирует звук с нуля, и при этом результат так легко узнают, что на узнаваемости можно построить пародию.
Разбираем, как нейросеть «слышит» звук, двумя способами сочиняет музыку, чем объясняется «пластиковый» вокал и как собрать запрос, чтобы трек звучал живее. В конце — типичные ошибки и готовые запросы на английском.
Генерируйте выгодно
Платите за генерации, а не за подписки
Пошаговая генерация песен: взгляд изнутри
Звук превращается в числа
Звук — это колебания давления воздуха, которые компьютер записывает как ряд чисел. В качестве компакт-диска это 44 100 замеров в секунду на каждый канал, поэтому одна минута стерео — больше 5 миллионов чисел. По одному такому числу невозможно понять, что звучит: нота, согласная буква или удар барабана. Значения важны только вместе с соседями, и именно эту зависимость нужно извлечь.
Числа превращаются в спектрограмму
Большинство аудиомоделей сначала переводят звук в спектрограмму: звук режут на короткие перекрывающиеся окна и для каждого считают, какие частоты в нём звучат и насколько громко. Получается картинка: по горизонтали время, по вертикали частота, яркость показывает громкость. Частоты обычно переводят в мел-шкалу, которая похожа на человеческий слух: разницу между 200 и 300 Гц мы слышим легко, а между 10 000 и 10 100 Гц почти не замечаем. Так, модель распознавания речи Whisper от OpenAI (сентябрь 2022) обучали на 680 000 часов записей с текстом, а звук переводили в 80-канальную логарифмическую мел-спектрограмму с окнами по 25 мс и шагом 10 мс.
Спектрограмма превращается в токены
Генеративные модели чаще используют нейросетевые аудиокодеки: они сжимают звук в набор дискретных кодов, или аудиотокенов, и восстанавливают звук обратно. В SoundStream от Google (2021) применено остаточное векторное квантование: первый уровень кодирует звук грубо, каждый следующий добавляет то, что упустил предыдущий, и чем больше уровней, тем точнее результат. Когда звук превращён в токены, к нему подходят приёмы из работы с текстом: трансформер предсказывает следующий токен, как языковая модель предсказывает следующее слово.
Звук связывают со словами
Чтобы нейросеть понимала запрос вроде «грустная песня с женским вокалом», музыку и описания переводят в общее векторное пространство, где похожие по смыслу звук и текст оказываются рядом. Google обучила для MusicLM модель MuLan на звуковых дорожках из 44 миллионов видео с их текстовыми описаниями. В Stable Audio для этой же цели используется текстовый кодировщик CLAP.
Аэрогрильные песни показали: нейромузыку уже узнают на слух, а узнаваемость рождается из того, что нейросеть выбирает типичное для жанра.
Редакция SpeShu.AI
Как собрать промт для живого трека
- Опишите стиль отдельно от текста песни.
- Стиль напишите на английском, текст — на нужном языке.
- Укажите жанр, темп, тип вокала, инструменты и эпоху.
- Добавьте теги [Verse], [Chorus], [Bridge] в текст.
- Создайте несколько вариантов и выберите лучший.
- Попросите несовершенство, например лёгкую хрипотцу.
Аэрогрильный феномен: откуда он взялся
Как аэрогриль стал мемом
В конце сентября 2026 года аэрогриль неожиданно стал героем шуток в соцсетях. Кухонный прибор превратился в шуточный символ «обычной жизни»: если в кадре аэрогриль, значит, это типичный бытовой ролик из ленты. Появились скетчи и пародии, где аэрогриль «приходит» вместе с другими узнаваемыми бытовыми чертами.
Одна из причин в том, что такие ролики стали очень похожими друг на друга. Пользовательские видео с рецептами и «находками с маркетплейсов» строятся по одной схеме: громкий крючок в первые секунды, необычный рецепт, фоновая песня. Зрители начали замечать и высмеивать эти повторы, а аэрогриль оказался самым заметным общим элементом.
Что такое «гимны» и при чём здесь нейромузыка
Вместе с мемом появился шуточный жанр «гимнов»: так называют песни, которые часто звучат фоном в таких роликах. В подборках СМИ среди них оказывались джазовые ИИ-каверы, поп-треки с гладким вокалом и аранжировками, собранными по одному шаблону. Многие из них сделаны нейросетями, и это не случайность: такая музыка создаётся быстро, звучит чисто и ровно и подходит как фон.
В какой-то момент пародийные «гимны» появились и сами по себе. Пользователи снимали танцы «в честь» аэрогриля, будто покупка прибора — повод для торжества, и копировали одни и те же движения под один и тот же трек.
Как «Ты моя…» стал «гимном аэрогриля»
Трек вышел 18 сентября. Авторы использовали нейросети при создании, а сам DJ NARODNII указывает это в описании своих мемных песен. Музыка и вокал сделаны в узнаваемой манере: сладкая поп-мелодия и гладкий голос, а рядом с ними резкий текст. Именно этот контраст зацепил одних слушателей и вызвал споры у других.
Дальше сработали привычные механизмы: ролики в TikTok, шутки про песню как про «вход на свадьбу», репост известного исполнителя, который сам стал отдельной шуткой. Часть зрителей прочитала трек как сатиру на бездушную нейромузыку, а автор в ответ на один из комментариев согласился с такой трактовкой. Критики при этом упрекали текст за грубость и подачу, и это добавило треку внимания.
Прозвище «гимн аэрогриля» появилось у зрителей: песню начали связывать с роликами про готовку в аэрогриле, которые выкладывают в соцсетях, и шутки закрепились. Через несколько недель так стали называть не только один трек, а целый пласт нейропесен.
Предшественник: «Ты не бойся ночи»
Раньше, весной, вирусным стал другой нейротрек: «Ты не бойся ночи» исполнителя Enzro вышел 15 апреля 2026 года и к концу лета считался одним из главных вирусных треков соцсетей. Какая именно нейросеть использовалась, публично не подтверждено: версию про Suno выдвигают по звуковым признакам, но это предположение, а не установленный факт.
Почему феномен прижился
Объяснений у этой истории несколько, и они работают вместе.
Узнаваемость. Нейромузыка звучит гладко и «средне», и слушатель быстро учится её опознавать. Песню, которая звучит ровно так, легко превратить в мем.
Шаблонность контента. Когда ролики строятся по одной схеме, фоновая музыка становится частью шутки. Любой трек, который часто слышен в такой ленте, легко получает ярлык.
Самоирония. Зрители не просто слушают, а смеются над самой ситуацией: над одинаковыми роликами, над «пластиковым» вокалом, над тем, что нейромузыка везде. Пародия снимает напряжение вокруг темы.
Доступность создания. Трек можно сделать за вечер: придумать текст, описать стиль и выбрать лучший вариант. Поэтому шуточных нейропесен стало много, а лучшие из них разошлись по соцсетям.
Что это говорит о нейромузыке
Аэрогрильные песни показывают, что у нейромузыки появился собственный «голос»: слушатели научились его узнавать, а авторы научились им играть. Вопрос уже не в том, можно ли отличить нейротрек от человеческого, а в том, что автор хочет им сказать. Технология лишь делает песню быстрой и дешёвой, а смысл, тон и ответственность за результат остаются на человеке.
Дальше посмотрим, как всё это устроено технически.
Нейромузыка в цифрах
Интерес к музыкальным нейросетям быстро растёт, и несколько фактов это подтверждают.
В феврале 2026 года Suno сообщил о более чем 2 миллионах платных подписчиков и годовой выручке в 300 миллионов долларов. В июле 2026 года Suno добавил генерацию песен в iMessage на iPhone: текстовое или голосовое сообщение можно превратить в трек прямо в чате. В сентябре 2026 года компания выпустила семейство моделей v6.
Эти цифры показывают, что нейромузыка перестала быть игрушкой для энтузиастов: ею пользуются миллионы людей, и поэтому важно понимать, как она устроена.
Как нейросеть сочиняет музыку
Современные модели используют два основных подхода.
Подход 1: предсказание аудиотокенов
Первую заметную попытку сделал OpenAI с моделью Jukebox в 2020 году. Она создавала музыку с вокалом в заданном жанре и стиле исполнителя и обучалась примерно на 1,2 миллиона песен. Но для генерации одной минуты нужно было больше девяти часов вычислений.
На практике музыку сделала возможной MusicLM от Google в начале 2023 года. Её обучали на примерно 280 000 часов музыки, а генерация строится как цепочка уровней:
— MuLan связывает звук с текстовым описанием;
— семантические токены, 25 в секунду, задают крупную структуру: ритм, гармонию и развитие;
— акустические токены из SoundStream, 600 в секунду, отвечают за тембр и тонкие детали.
Один трансформер создаёт семантические токены, второй по ним создаёт акустические, а декодер SoundStream превращает их в звук. Результат MusicLM — фрагменты по 30 секунд с частотой 24 кГц.
Похожую трёхступенчатую схему использует открытая модель Bark от Suno, выпущенная в апреле 2023 года под лицензией MIT: текст превращается в семантические токены, затем в крупные акустические, а потом во все восемь уровней кодека. Bark создана в основном для речи, но умеет делать музыку, фоновые шумы и звуки вроде смеха и вздохов.
Подход 2: диффузия
Второй подход пришёл из генерации картинок. Диффузионная модель начинает с шума и шаг за шагом убирает его, приближаясь к звуку, который подходит под описание. Чтобы работать быстро, она не обрабатывает звук целиком, а действует в сжатом «латентном» представлении, которое создаёт автоэнкодер.
Так устроен Stable Audio: он сочетает вариационный автоэнкодер, текстовый кодировщик CLAP и диффузионную модель на 907 миллионов параметров. Обучали его на более чем 800 000 аудиофайлов общей длительностью свыше 19 500 часов, лицензированных у AudioSparx. По данным разработчиков, на видеокарте A100 он создаёт 95 секунд стереозвука 44,1 кГц меньше чем за секунду. Благодаря условию по времени модель знает, где начинается фрагмент и какой длины должен быть трек, поэтому умеет делать вступления и концовки, а не обрывает музыку на полуслове.
Что известно про Suno
Suno не раскрывает архитектуру своей коммерческой модели. Из открытых данных есть только Bark и описания возможностей. Можно предположить, но не утверждать, что Suno сочетает языковое моделирование токенов для структуры и текста и что-то вроде диффузионного уточнения для качества звука, потому что сервис создаёт разборчивый вокал и аранжировку одновременно.
Семейство v6, объявленное 9 сентября 2026 года, состоит из трёх моделей: флагманской v6, менее предсказуемой v6-wild и быстрой v6-mini. Флагман и v6-wild доступны подписчикам Pro и Premier, а v6-mini — всем, включая бесплатных пользователей. Во всех трёх можно изменить один фрагмент песни или одну строку текста без пересоздания всего трека, собрать мэшап из нескольких песен и взять риф по метке времени. На вход принимаются текст, аудио, изображения и видео.
Почему нейромузыка звучит «так»
У узнаваемого звучания три причины.
Усреднённость. Текстовый запрос превращается в вектор, который смещает вероятности, поэтому на каждом шаге модель выбирает то, что для жанра статистически типично. Результат похож на жанр в целом и ни на одну конкретную песню. Неожиданные решения вроде смены тональности, нестандартного ритма или рискованной гармонии встречаются редко, если их не попросить явно.
Безупречный вокал. Голоса нейросетей обучены на огромных объёмах чистого и правильного пения. Они не срываются, не фальшивят и не вдыхают не в том месте. Слушатель слышит эту безупречность как «пластик», потому что характер живого исполнения складывается из мелких несовершенств.
Русский вокал. Пользователи замечают, что русский вокал в музыкальных моделях звучит менее естественно, чем английский. Ударения обычно расставлены верно, но разговорная интонация и тонкая фонетика теряются. Данные для обучения Suno не раскрывает, поэтому причина остаётся предположением: вероятнее всего, англоязычной музыки в больших аудиокорпусах намного больше. Для фона в соцсетях качество обычно достаточное, для полноценного релиза часто нет.
Формула вирусного нейротрека
У вирусных нейротреков 2026 года есть общие черты. Стиль и текст вводят отдельно. Стиль лучше описывать на английском, потому что большая часть обучающих данных размечена именно так, а текст пишут на нужном языке.
Два примера запросов на английском.
Сладкая поп-пародия:
Russian pop ballad, sugary synth melody, glossy female vocal, slow tempo at 85 bpm, soft drum machine, dreamy reverb, catchy chorus, radio-friendly 2010s sound.
«Живое» звучание:
Lo-fi indie rock, male vocal with slight rasp, imperfect timing, live drums, room ambience, warm analog tape saturation, intimate and raw.
Во втором запросе «imperfect timing» и «slight rasp» — прямая просьба о несовершенстве. Это один из немногих способов увести модель от пластикового звука.
Ещё несколько запросов для разных задач:
- Лёгкий летний поп
Bright summer pop, 100 bpm, acoustic guitar, handclaps, warm female vocal, easy singalong chorus, sunny mood. - Задумчивый фоновый трек
Mellow instrumental piano with soft strings, 70 bpm, reflective mood, light reverb, no drums, no vocals. - Энергичный рок
Energetic garage rock, 140 bpm, distorted guitars, driving drums, raw male vocal, shouted chorus, live room sound. - Ироничная поп-пародия
Tongue-in-cheek synth-pop, 110 bpm, exaggerated glossy vocal, bouncy bass, playful mood, short catchy hook.
Как создать нейротрек в России
Прямо оплатить подписку Suno из России сложно: обычно нужна иностранная карта. Флагманская v6 и v6-wild доступны только на платных тарифах Pro и Premier, а бесплатный доступ ограничен моделью v6-mini.
В SpeShu.AI можно работать с Suno и ещё более чем с 300 нейросетями в одном интерфейсе: создавать песни и продлевать треки. Оплата идёт за использование, а баланс можно пополнять в рублях через СБП. Рядом доступны текстовые модели, поэтому черновик песни можно написать в ChatGPT или Claude и сразу отправить в музыкальный генератор.
Частые вопросы
Что такое «аэрогрильные» песни?
Так называют нейропесни, которые часто звучат фоном в бытовых роликах про рецепты и покупки. Название пошло от мема про аэрогриль, который стал шуточным символом «обычной жизни» осенью 2026 года.
Почему «Ты моя…» назвали «гимном аэрогриля»?
Зрители связали трек с роликами про готовку в аэрогриле и закрепили шутку в комментариях. Песня стала ярким примером нейромузыки, которую легко узнать и превратить в мем.
Какая нейросеть создала «Ты моя…»?
В публикациях указано, что при создании использовались нейросети, но какой именно сервис применяли, источники не называют. Не стоит утверждать, что это Suno, если автор этого не подтвердил.
Как нейросеть создаёт музыку?
Звук переводят в спектрограммы или аудиотокены с помощью нейросетевого кодека. Затем модель либо предсказывает следующий токен, как языковая модель предсказывает слово, либо постепенно убирает шум, приближаясь к нужному звуку. Готовые сэмплы не склеиваются.
Как работает Suno?
Архитектура коммерческой модели не раскрывается. Известно, что открытая модель Bark использует трёхступенчатую генерацию токенов, а семейство v6, вышедшее в сентябре 2026 года, умеет перегенерировать отдельные фрагменты и строки.
Почему песни нейросетей звучат одинаково?
Модель выбирает типичные для жанра решения, поэтому результат получается «средним». Неожиданные ходы редки, если их не заказать, а безупречный вокал воспринимается как искусственный.
Почему русский вокал хуже английского?
Данные для обучения не раскрываются, но англоязычной музыки в больших корпусах намного больше. Ударения в основном верные, а разговорная интонация и тонкая фонетика страдают.
Можно ли публиковать песни, созданные нейросетью?
Да, но правила зависят от тарифа сервиса и площадки. Проверьте условия коммерческого использования, не копируйте стиль конкретных исполнителей и указывайте, что музыка создана нейросетью.
Попробуйте создать свой трек
Возьмите один из запросов выше, подставьте свою тему и сравните два-три варианта. Так быстро видно, как нейросеть понимает описание и что нужно поправить. Если хочется работать с музыкальными и текстовыми нейросетями в одном месте, откройте SpeShu.AI.
