Победа на бумаге и «советская эстрада» на деле: разрекламированный убийца Suno проваливает экзамен на креативность

Нейросеть ACE Music v1 возглавила мировой рейтинг генераторов вокальной музыки за счет чистой дикции и строгой структуры песен. Однако стоит шагнуть на миллиметр в сторону от поп-шаблонов, как карета превращается в тыкву.

Искусственный интеллект уже неплохо набил руку в сочинении песен. И вот малоизвестный широкой публике игрок сумел потеснить с трона Suno — безоговорочного короля музыкального ИИ — на его собственном поле.

Модель ACE Music v1, созданная компанией ACE Studio, заняла первую строчку в рейтинге вокальной музыки аналитического агентства Artificial Analysis, набрав 1 160 баллов Эло против 1 144 у новейшей модели Suno v6.

Методика бенчмарка AA-Music-Vocal v1.1 устроена по принципу слепого прослушивания: эксперты и пользователи оценивают треки, сгенерированные разными моделями по идентичным текстовым промптам, не зная, какая нейросеть за ними стоит, и выбирают понравившийся вариант. На основе этих симпатий рассчитывается шахматный рейтинг Эло. Впрочем, отрыв лидера минимален и укладывается в пределы статистической погрешности, а в отдельном зачете инструментальной музыки Suno по-прежнему удерживает первое место.

Сама компания ACE Studio, основанная в 2018 году, исторически специализировалась на узкой задаче: синтезе поющего голоса по загруженным нотам MIDI и тексту (по принципу продвинутого «Вокалоида»). Ее нынешний флагман ACE Music v1 замахнулся на большее — генерацию готовых песен с нуля по текстовому описанию или стихам пользователя.

Что показали тесты: чистота против фантазии

Так, в ходе практических испытаний редакция Decrypt посчитала, что ACE Music стабильно выдает мелодичные и аккуратно причесанные композиции — но строго в рамках мейнстримной поп-музыки.

Вокал у ACE действительно звучит чище с точки зрения звукорежиссуры: здесь чуть меньше металлических синтетических артефактов, эффекта «жеваной каши во рту», злоупотребления автотюном и словесных галлюцинаций, которыми порой грешит Suno (кстати, они бывают на удивление интересными). Кроме того, ACE аккуратнее сводит концовки песен: там, где Suno под занавес трека может внезапно уйти в психоделический шум, зациклить припев или оборвать мысль на полуслове, ACE дисциплинированно ставит финальный аккорд.

Однако стоило тестировщикам увести модель в сторону нестандартных и сложных жанров, как преимущество мгновенно перешло на сторону Suno.

Так, при попытке сгенерировать мелодик-дэт-метал нейросеть ACE раз за разом упрямо выдавала треки, где женщина пела чистым, приятным, прилизанным эстрадным голосом, с аранжировками в стиле «советской эстрады в жанре шансон», а не в заданном духе  — без малейшего намека на агрессивный гроулинг и тяжелую подачу, которых требовал промпт. В тяжелых и нишевых стилях (например, барокко) модель путается безнадежно. Suno же в аналогичных сложных запросах предлагала неизмеримо более изобретательные аранжировки и точно попадала в жанровую эстетику.

Этот контраст наглядно объясняет, почему первое место в синтетическом рейтинге отнюдь не делает модель лучшим инструментом для взыскательного автора. Впрочем, если ван нужен прилизанный шансон, вам, вероятно, это понравится. Только помните — русский язык не слишком идеальный.

Замах на рабочий инструмент и Open-Source

Главный козырь ACE лежит не столько в генерации «по одной кнопке», сколько в попытке встроиться в традиционный процесс написания музыки. Функция Idea помогает развернуть черновой замысел в структурную схему песни с разбивкой по секциям, а тестовая версия v1.1 Preview перед генерацией звука сначала выстраивает нотную партитуру (аккордовую сетку и мелодию). Пользователь может вручную поправить ноты и гармонию, экспортировать MIDI-файл в профессиональный секвенсор или разделить трек на отдельные дорожки (вокал и инструменты). По замыслу авторов, каждое новое нажатие кнопки при неизменной партитуре должно звучать как «новый дубль живого исполнителя в студии».

Хотя флагманская модель ACE Music v1 остается закрытой и доступна только через браузер по подписке, разработчики параллельно развивают открытое направление. Совместно с китайским ИИ-стартапом StepFun компания уже выложила в открытый доступ облегченное семейство моделей ACE-Step 1.5, которое энтузиасты могут запускать локально на собственных видеокартах. А к концу 2026 года создатели обещают открыть исходный код версии ACE Music v1 Flash, призванной найти компромисс между качеством звука и скоростью работы на домашнем железе.

Резюме

Так почему же в ходе тестов изысканный дарк-поп с виолончелью и григорианским хоралом внезапно выродился в кабацкий шансон и ВИА 1970-х годов? На то есть четыре фундаментальные технические причины:

1. Китайская обучающая выборка (Синдром KTV и Mandopop)

Корни компании ACE Studio (Timedom Technology) и их партнера StepFun — пекинские. На чем обучалась эта модель? В отличие от американской Suno (обученной на западном инди, рок-архивах, электронике, готике и постпанке), львиную долю датасета ACE составляет азиатская поп-эстрада (Mandopop / C-pop) и гигантские базы минусовок для караоке-баров (KTV).

А на чем исторически построена китайская и отчасти вся азиатская массовая эстрада конца XX века? На советской консерваторской школе, итальянской эстраде Сан-Ремо 80-х и классических гармониях кабаре (так называемая «золотая секвенция»: аккорды Am – Dm – E – Am или пентатоника под прямой ресторанный бит).

2. Архитектура «Сначала MIDI-партитура — потом звук» (Смерть грува)

«ACE сначала создает нотную партитуру (musical score), а затем озвучивает ее». Это катастрофа для современной музыки!

• Suno работает как аудио-диффузия: она мыслит сразу тембрами, пространством, перегрузом баса, «воздухом» и ритмическим качем (грувом).
• ACE мыслит как школьный синтезатор Yamaha PSR с автоаккомпанементом: сначала текстовый алгоритм пишет примитивную MIDI-рыбу (четыре аккорда и бодрый ритм 4/4), а затем сверху натягивает на нее чистые сэмплы инструментов.
  Вероятно, при работе с таким промптом (это часть): baroque + fast groove + driving bass + cello and guitar accents, её текстовый парсер не понял эстетики Dead Can Dance или Depeche Mode. Он перевел это на язык MIDI-самоиграйки буквально:
• baroque + dramatic = гармонический минор (любимая гамма русского шансона и советских ВИА);
• fast groove + driving bass = бодрый ресторанный бас «бум-ца, бум-ца» (то самое «инча-инча» на слабую долю, как у цыганского табора или ансамбля «Самоцветы»);
• guitar accents + cello = акустический перебор под водочку и плачущая эстрадная скрипка/виолончель в припеве!

3. Проклятие «Сладкого чистого голоса» (Vocaloid-наследие)

Промпт: clear, sweet female voice. Поскольку ACE Studio 6 лет делала программу для синтеза поющих голосов (вокалоидов), в нее жестко вшит «эталон правильного академического/эстрадного пения»: звонкий, улыбающийся, стерильно вычищенный голос выпускницы гнесинского училища на конкурсе «Песня года — 1978». Этот движок физически не умеет петь с готической отстраненностью, холодным придыханием или мрачной драмой (именно поэтому в тесте журналистов даже в Melodic Death Metal эта нейросеть продолжала радостно петь голосом пионервожатой — clear, sweet female voice).

4. Так почему же она победила Suno в рейтинге Elo? (Обман слепых тестов)

Это классический парадокс слепых тестов (как «Pepsi Challenge», где люди за 3 секунды выбирают более сладкую газировку, но пить целую бутылку не могут).

В бенчмарке Artificial Analysis случайные люди в наушниках слушают первые 15–20 секунд трека. Ухом обывателя ACE воспринимается как «о, как чистенько записан голос, каждое слово понятно, ничего не хрипит!», и они жмут лайк. А то, что за этим стерильным Hi-Fi звуком скрывается художественная пустыня уровня самоиграйки из дома культуры, выясняется только тогда, когда за пульт садится человек со сложным музыкальным вкусом.