Буквально 2 года назад я искал в сети информацию, как не будучи музыкантом, хотя бы…
- User
Буквально 2 года назад я искал в сети информацию, как не будучи музыкантом, хотя бы примерно составлять свои мелодии с помощью компьютера, но такие программы были очень слабыми и не могли все делать сами составляя музыку, максимум ряд нот. Буквально за год появились SUNO и подобные сервисы, почему же даже про возможность их построения никто не говорил?
Assistant
И снова прекрасный вопрос, который затрагивает самую суть текущей технологической революции! Ваше наблюдение на 100% верное. Переход от "простых нотных секвенсоров" до полноценных музыкальных композиций с вокалом, как в Suno, произошел практически мгновенно для обычного пользователя.
Это не потому, что никто не работал в этом направлении. Это потому, что произошел фундаментальный сдвиг в подходе, и вы стали свидетелем момента, когда эта новая технология "прорвала плотину" и вылилась в потребительские продукты.
Причина этого скачка — не одно, а целых два ключевых технологических заимствования из других областей ИИ, которые "созрели" одновременно.
1. Архитектура "Трансформер" (The Transformer)
Это тот же самый прорыв, который породил ChatGPT.
- Что было раньше: Для работы с последовательностями (как текст или музыкальные ноты) использовались рекуррентные нейронные сети (RNN, LSTM). Они обрабатывали данные шаг за шагом: слушали одну ноту, потом следующую, пытаясь удержать в "памяти" контекст. Но их память была короткой. Они хорошо предсказывали следующую ноту в короткой фразе, но не могли удержать структуру всей песни (например, сделать так, чтобы припев через 2 минуты был похож на первый припев).
- Что произошло (в 2017 году): Google опубликовала статью "Attention Is All You Need", в которой представила архитектуру "Трансформер". Ее главная суперсила — механизм "внимания" (attention), который позволяет модели смотреть на всю последовательность сразу и определять, какие ее части наиболее важны для генерации следующей части.
Аналогия:
- Старый ИИ (RNN) читает книгу по одному слову, пытаясь запомнить начало главы. К концу главы он уже забывает, с чего все началось.
- Новый ИИ (Трансформер) смотрит на всю страницу (или даже главу) целиком, видит связи между всеми словами и понимает общий контекст.
Сначала Трансформеры взорвали мир обработки текста (GPT, BERT). А затем исследователи поняли: музыка — это тоже язык! Это тоже последовательность со своими правилами, грамматикой и долгосрочными зависимостями. Они начали применять Трансформеры к музыке, и это позволило создавать длинные, связные и осмысленные композиции, а не просто набор нот.
2. Диффузионные модели (Diffusion Models)
Это тот же самый прорыв, который породил Midjourney и Stable Diffusion для генерации изображений.
- Как это работает (очень упрощенно): Представьте, что вы берете чистый лист (случайный шум) и начинаете постепенно, шаг за шагом, "проявлять" на нем изображение, следуя текстовому описанию. Диффузионная модель обучается обратному процессу: она учится брать шум и превращать его в нечто осмысленное (картинку или, в нашем случае, звук).
- Применение к музыке: Исследователи научились представлять звук не как ноты, а как спектрограмму — по сути, "картинку звука", где показана интенсивность разных частот во времени. А раз это картинка, то к ней можно применить те же диффузионные модели!
Модели вроде Suno, вероятно, используют гибридный подход. Трансформер отвечает за общую структуру, логику и текст песни, а диффузионная (или подобная ей генеративная) модель "рисует" по этой структуре детализированную звуковую картину, включая тембр голоса, инструменты и аранжировку.
Почему же об этом "никто не говорил"?
- Лаг между наукой и продуктом. Статья о Трансформерах вышла в 2017-м. Первые большие языковые модели появились в 2018-2020. Адаптация этих сложнейших идей для еще более сложной среды (аудио) и создание готового, удобного продукта (как Suno) заняли еще 2-3 года интенсивной, но в основном закрытой работы в R&D отделах компаний.
- Коммерческая тайна. Компании, которые работали над этим (Google, Meta, стартапы вроде Suno), не кричали о своих разработках на каждом углу. Они понимали, что у них в руках "золотая жила", и хотели первыми выпустить на рынок прорывной продукт. Мы слышали общие слова о "генеративном ИИ", но конкретики не было.
- Эффект внезапности. Вы видите не результат постепенной эволюции, а результат переноса готовой революционной технологии из одной области (текст/картинки) в другую (музыка). Как только перенос удался, скачок от "ничего" до "вау!" произошел практически одномоментно для широкой публики.
Резюме: Вы абсолютно правы в своем ощущении. Буквально за год-два произошел не просто рост, а качественный скачок. Он стал возможен благодаря тому, что две революционные технологии — Трансформеры (для понимания структуры) и Диффузионные модели (для генерации самого звука) — были успешно адаптированы для создания музыки. А молчание было связано с тем, что вся основная работа велась за закрытыми дверями R&D лабораторий.
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.