Как ИИ пишет музыку: анатомия нейротрека и $300 млн выручки Suno в 2026
PrimeCoder · 2026 · формат: tech
Разбор новинки простыми словами: что это, кому нужно и брать ли.
Генерация музыки перестала быть демо: Suno уже делает $300 млн ARR и встраивается в мессенджеры — значит аудиоконтент для рекламы и соцсетей можно производить пайплайном, а не студией.
Связанные услуги: каталог, AI Boost Team, стать клиентом.
Трек DJ NARODNII «Ты моя…» собрал больше 150 тыс. видео за неделю. Автор задумывал его как издёвку над плохой нейромузыкой: приторная поп-мелодия, гладкий синтетический вокал, текст из грубых обращений к возлюбленной. Публика растащила песню на мемы и дала ей прозвище «гимн аэрогриля». Пародия на шаблон стала самым обсуждаемым нейротреком сезона. Формула сработала ровно потому, что её высмеивали.
Мем — верхушка. Под ним собралась экономика. Suno к февралю 2026 года перевалила за 2 млн платных подписчиков и $300 млн годовой регулярной выручки. В июле 2026-го генерация песен приехала в iMessage на iPhone: текст из переписки или голосовое сообщение превращается в трек прямо в чате. Трафик на музыкальные нейросети за 2026 год вырос больше чем на 20%, время внутри них — на 45% год к году (данные оператора Yota).
Вот это уже событие для рынка. Аудиоконтент перестал быть проектом подрядчика с бюджетом и сроком. Он стал операцией в интерфейсе, которую можно поставить на поток.
Всего за неделю трек DJ NARODNII «Ты моя…» взорвал интернет: под него сняли более 150 тыс. видео.
Что такое нейротрек: анатомия сигнала
Для компьютера звук — колебания давления, записанные числами. CD-качество означает 44 100 измерений в секунду на каждый канал. Минута стерео — больше 5 млн чисел.
Проблема в том, что этот поток почти нечитаем. Соседние значения ничего не говорят о смысле: звучит нота, согласная или удар барабана. Подавать сырые числа в модель — всё равно что просить бухгалтера считать по фотографии кассовой ленты.
Шаг первый: звук как картинка
Запись режут на короткие перекрывающиеся окна и по каждому считают, какие частоты в нём звучат и с какой силой. Получается снимок: по горизонтали время, по вертикали частота, яркость показывает громкость. Частоты переводят в мел-шкалу — она повторяет устройство слуха. Разницу между 200 и 300 Гц вы слышите отчётливо, между 10 000 и 10 100 Гц почти нет. Шкала растягивает низ и сжимает верх, чтобы модель тратила внимание там же, где тратит его ухо.
Ровно так устроен Whisper от OpenAI (сентябрь 2022). Обучен на 680 000 часах аудио с расшифровками, звук передискретизируется до 16 кГц и превращается в лог-мел-спектрограмму из 80 каналов с окнами по 25 мс и шагом 10 мс. Дальше трансформер работает с картинкой почти как модель компьютерного зрения.
Шаг второй: звук как текст
Для генерации спектрограммы мало, из неё не восстановить чистый звук. Поэтому в дело идут нейрокодеки. Кодек сжимает запись в последовательность дискретных кодов — аудиотокенов, — и умеет собирать звук обратно. Google показала такой подход в SoundStream в 2021 году. Ключевая идея — остаточное векторное квантование: первый уровень кодов описывает звук грубо, второй кодирует то, что первый упустил, третий — остаток второго. Чем больше уровней, тем точнее картинка.
Дальше происходит знакомое. К токенам применяют ту же технику, что к словам: учат трансформер предсказывать следующий токен. Языковая модель угадывает слово, музыкальная — следующий фрагмент сигнала.
Шаг третий: привязка к словам
Чтобы модель понимала запрос «грустная поп-песня с женским вокалом», звук и текст кладут в общее векторное пространство. Google для MusicLM обучала такую модель — MuLan — на саундтреках 44 млн онлайн-видео и их описаниях. Stable Audio от Stability AI использует текстовый энкодер CLAP.
Два способа сочинять
Авторегрессия по токенам. Jukebox от OpenAI в 2020-м доказала, что сеть может писать музыку с вокалом в заданном жанре и манере исполнителя. Обучение — примерно на 1,2 млн песен. Расплата: генерация минуты аудио занимала больше девяти часов вычислений. Для бизнеса это лабораторный опыт.
MusicLM от Google в начале 2023-го сделала подход рабочим. 280 000 часов музыки и иерархия токенов: семантические, 25 в секунду, задают крупную структуру — ритм, гармонию, развитие; акустические, 600 в секунду, отвечают за тембр и мелкие детали. Одна серия трансформеров генерирует первую группу, вторая по ней строит вторую, декодер превращает всё в звук. На выходе клипы по 30 секунд с частотой 24 кГц.
Трёхступенчатая схема есть в открытой Bark, которую Suno выпустила в апреле 2023 года под лицензией MIT. Три трансформера и восемь уровней кодека: текст → семантические токены → грубые акустические (первые два уровня) → полное восстановление всех восьми. Bark заточена под речь, но тянет музыку, фоновые шумы и невербальные звуки вроде смеха и вздохов.
Диффузия в латентном пространстве. Stable Audio от Stability AI — диффузор на 907 млн параметров, обученный на 800 000+ файлов и 19 500+ часах аудио. 95 секунд стерео 44,1 кГц генерируются меньше чем за секунду на A100. Диффузия идёт от шума к звуку, очищая его шаг за шагом.
Важный практический вывод из обоих подходов: Suno и аналоги не склеивают готовые сэмплы. Они генерируют новый звуковой сигнал, токен за токеном или шаг за шагом очищая шум.
Это ключевой пункт для того, кто платит. Вы не покупаете библиотеку лупов с лицензией. Вы получаете сигнал, которого до запроса не существовало.
Чем это отличается от предшественников
Пять лет назад нейромузыка была научной демонстрацией с часовым ожиданием. Сегодня это сервис с подпиской и кнопкой в мессенджере.
- Jukebox, 2020. 1,2 млн песен, больше девяти часов вычислений на минуту аудио. Доказала принципиальную возможность. В продакшене бесполезна.
- MusicLM, 2023. 280 000 часов музыки, 25 семантических и 600 акустических токенов в секунду, клипы по 30 секунд на 24 кГц. Первый практичный результат.
- Bark, апрель 2023, MIT. Три трансформера, восемь уровней кодека, открытые веса. Стала фундаментом для множества надстроек.
- Stable Audio. Диффузор на 907 млн параметров, 19 500+ часов данных, 95 секунд стерео 44,1 кГц меньше чем за секунду на A100. Скорость вышла на первое место.
- Suno v6 (v6, v6-wild, v6-mini). Переписывает отдельную секцию или строку без перегенерации всего трека, собирает мэшап, попадает рифом по таймкоду. Вот это уже монтажный стол, а не рулетка.
- Suno целиком. Архитектура коммерческих моделей не раскрыта. Публично известны Bark и список возможностей.
Сдвиг не в качестве звука как таковом. Сдвиг в управляемости. Раньше вы жали «сгенерировать» и надеялись. Теперь можно ткнуть в конкретную строку и сказать: вот здесь перепой.
Кому нужно и как применить
Собственнику и маркетологу важны четыре сценария. Все они про объём и скорость, не про искусство.
- Фоновое аудио под контент-поток. Ролики, сторис, карточки товара с озвучкой, заставки. Раньше на каждый формат искали трек с лицензией. Теперь генерируют под длину и настроение.
- Версии одного трека под разные каналы. Способность v6 переписать строку или секцию без перегенерации снимает главную боль: не надо заново ловить удачный дубль, чтобы поменять одно слово в припеве.
- UGC-механики. Трек, который можно пересобрать в мэшап или подогнать рифом по таймкоду, легче отдаётся аудитории в руки. Вирусный «Ты моя…» — ровно про это: люди не слушали, люди снимали видео.
- Джинглы для performance-кампаний. Здесь ценность в дешёвом A/B: пять разных аудио-обёрток на один и тот же креатив, замер на выборке, отбор победителя.
Оговорка без иллюзий. Вы покупаете не хит, а черновик, который надо отбирать. Кто-то в команде должен слушать десятки вариантов и безжалостно браковать. Без этого фильтра пайплайн выдаст ровно тот самый «аэрогриль», над которым все смеются.
Ограничения и подвох
Формула узнаётся. Приторная мелодия, гладкий вокал, простой текст — это не баг конкретной песни, а усреднение по обучающим данным. Чем больше треков вы генерируете, тем сильнее слух аудитории натренирован на этот привкус. Пародия на шаблон стала шаблоном быстрее, чем кто-то успел моргнуть.
Архитектура закрыта. Suno не раскрывает, как устроены её коммерческие модели. Значит, вы не можете ни оценить происхождение данных, ни предсказать поведение на редких жанрах и языках. Проверять приходится эмпирически, своим ухом.
Архитектуру своих коммерческих моделей Suno не раскрывает. Публичная информация ограничивается Bark и описаниями возможностей.
Реакция аудитории реальна. На «Ты моя…» жаловались стриминговым сервисам: часть слушателей увидела в тексте романтизацию насилия. Автор отвечал, что художественный образ не переносят на реальную жизнь. Для бренда вывод простой: генерация снимает издержки производства, но не снимает репутационный риск. Модерация и юридическая проверка остаются на вас.
Права — отдельная работа. Условия тарифов и правила площадок различаются, и прежде чем ставить сгенерированный трек в платную рекламу или эфир, эти условия читают глазами, а не по диагонали.
Длинные формы. Клипы, джинглы, фоны — да. Полноценный альбом с dramaturgy на сорок минут — пока нет.
Брать или подождать: вердикт за 30 секунд
Берите сейчас, если нужен поток фонового аудио, джинглов, версий под каналы и UGC-механик. $300 млн ARR и 2 млн платящих — это не эксперимент, это работающий рынок с конкуренцией и падающими ценами.
Подождите, если вы строите звук бренда на годы, идёте в эфир или в крупный бюджет с юридическими требованиями. Здесь нужна ясность по происхождению данных и правам, а её публично нет.
Тест на неделю: один канал, десять сгенерированных треков, замер удержания и стоимости заявки против текущего аудио. Если разница в пределах шума — вы ничего не потеряли. Если аудио тянет метрику вниз, вы нашли это за семь дней, а не за квартал студийной работы.
Вердикт
Нейромузыка прошла путь от девяти часов вычислений на минуту звука до кнопки в iMessage. Это и есть новость 2026 года, а не очередной вирусный трек.
Экономика поменялась в одном месте: аудио перестало быть узким горлышком. Раньше производство звука упиралось в студию, лицензию и срок. Теперь упирается в качество вашего отбора. Навык, который стал дефицитным, — не «уметь генерировать», а «уметь браковать».
Второй вывод неприятнее. Вирусный трек DJ NARODNII доказал, что формула нейропесни работает, ровно в тот момент, когда её попытались высмеять. Ваш бренд попадёт в эту формулу, если отдаст ей производство целиком и не вставит свой фильтр на входе.
FAQ
Нейросеть склеивает куски чужих записей?
Нет. Модели синтезируют новый сигнал — токен за токеном при авторегрессии или шаг за шагом при диффузии. Библиотеки сэмплов там нет.
Почему все нейротреки звучат похоже?
Обучение на усреднённых данных даёт усреднённый результат: ровная мелодия, гладкий вокал, простой текст. Мел-шкала и кодек тут ни при чём — дело в статистике корпуса.
Можно ли поправить одну строку, не переделывая трек?
В семействе Suno v6 — да. Переписывается отдельная секция или строка, есть мэшап и попадание рифом по таймкоду.
Что с правами на сгенерированный трек?
Смотрите условия своего тарифа и правила площадки, где планируете публикацию. Единого ответа, который подойдёт всем, нет.
Это заменит композитора?
Нет. Это заменит поиск стокового трека и три согласования на каждый ролик. Композитор нужен там, где нужен авторский замысел, а не фон.