Suno и «гимн аэрогриля»: как нейросети делают музыку из спектрограмм

⚡ Главное за 5 секунд

• Трек DJ NARODNII «Ты моя…» за неделю собрал больше 150 тыс. видео и получил кличку «гимн аэрогриля».
• Автор задумывал его как пародию на шаблонную ИИ-музыку — часть слушателей приняла всё всерьёз.
• Контекст: в феврале 2026 Suno отчиталась о 2 млн платных подписчиков и $300 млн годовой выручки, в июле встроила генерацию треков в iMessage.

🔍 Что случилось

DJ NARODNII выпустил «Ты моя…» — и за неделю под неё сняли более 150 тыс. видео. Сам автор называл песню иронией над некачественной ИИ-музыкой и её слушателями. Аудитория раскололась: одни поверили, другие разглядели метаиронию и дисс на безвкусные нейротреки. С такой трактовкой автор в комментариях согласился. Дальше пошли жалобы в стриминги — мол, текст романтизирует насилие и унижает женщин. Ответ автора: вымышленные образы не переносят на реальную жизнь. Подробный разбор опубликовал блог SpeShu.AI на Хабре.

Механика простая, если разложить её по шагам. Для компьютера звук — поток чисел: CD-качество это 44 100 измерений в секунду на канал, минута стерео — больше 5 млн чисел. Работать с таким потоком напрямую неудобно. Поэтому запись режут на короткие перекрывающиеся окна и считают спектрограмму: по горизонтали время, по вертикали частота, яркость — громкость. Частоты переводят в мел-шкалу. Она повторяет слух: разницу между 200 и 300 Гц мы слышим, между 10 000 и 10 100 Гц — почти нет. Низы растягиваются, верхи сжимаются, внимание модели уходит туда же, куда ухо человека.

Так устроен Whisper от OpenAI (сентябрь 2022): 680 000 часов аудио с расшифровками, передискретизация до 16 кГц, лог-мел-спектрограмма на 80 каналов, окна по 25 мс с шагом 10 мс. Дальше трансформер читает эту картинку почти как текст — и учится предсказывать следующую частоту так же, как языковая модель предсказывает слово.

🧠 Наш разбор

Смешно другое: автор целился в формулу нейропесни, а попал в неё точно и без промаха. Приторная мелодия, гладкий вокал, простой текст — рецепт сработал на 150 тыс. видео. По данным Yota, в 2026 трафик на музыкальные нейросети вырос больше чем на 20%, а время в них — на 45% год к году. Наша оценка: пародия не ломает шаблон, она его подтверждает. Мем «аэрогриль» тут работает как ярлык: аудитория смеётся над бытом и заодно над собой.

Что это меняет на практике. Suno подошла к февралю 2026 с 2 млн платных подписчиков и $300 млн годовой регулярной выручки. В июле того же года генерация песен переехала в iMessage: текст или голосовое в чате превращаются в трек. Порог входа падает до нуля — отдельное приложение больше не нужно. Мы считаем, что дальше конкуренция пойдёт не за качество трека, а за скорость: кто первым отдаст песню прямо в переписку.

Кто выигрывает? Платформы и авторы мемов — им достаются охваты и подписки. Кто проигрывает? Скорее всего, стриминги: жалобы на тексты уже пошли, а значит, им придётся строить модерацию для контента, который генерируется тысячами в день. И третий лагерь — музыканты, которым теперь мало быть лучше: надо быть заметнее в потоке.

⚠️ Чего мы не знаем

Цифры Yota и Suno взяты из статьи, первоисточников там нет — считайте их ориентиром, не отчётностью. По 150 тыс. видео нет разбивки по платформам и периода. Сколько трек принёс денег, сколько жалоб реально дошло до сервисов и чем закончились разборы — неизвестно. Слабое место материала в том, что он смешивает хайп и технику: первое проверить легко, второе — только по документации моделей.

Прогноз: в течение квартала хотя бы один крупный стриминг добавит метку или фильтр для ИИ-музыки. Условие — волна жалоб и мемов не сдуется раньше.

Источник: Хабр / SpeShu.AI