Co powstanie, gdy połączymy brzmienie Edyty Bartosiewicz, Young Leosi oraz nastrój jazzowych utworów Karen Souzy? Melomani mogliby zaprotestować – ci artyści nie powinni stać obok siebie na półce, a tym bardziej tworzyć wspólnie! Od czego jest jednak sztuczna inteligencja?
W przeszłości nagranie autorskiej piosenki wiązało się z wynajęciem studia, zatrudnieniem muzyków i opłaceniem profesjonalnego masteringu. Złożoność procesu i wysokie nakłady finansowe naturalnie motywowały artystów do starannego dopracowywania utworów. Poza tym, praca w sali nagraniowej wiązała się przeważnie z pokazaniem dzieła innym – chociażby zapoznaniem z nim producentów czy inżynierów dźwięku. Pojawiała się bariera wstydu. Wstyd (nawet niepotrzebny czy „niezasłużony”) motywuje do dopracowywania projektu, dogłębnego przemyślenia go.
Obecnie nie musimy się wstydzić przed botem. Dziś niemal każdy może nagrać piosenkę w domowym zaciszu przy pomocy AI. Naturalna „kontrola jakości” i proces dojrzewania utworu zostały znacząco skrócone do kilku kliknięć.
Generatywna AI zniosła dwie główne przeszkody w tworzeniu muzyki: koszty i brak umiejętności gry na instrumentach. Nie potrzeba profesjonalnego sprzętu czy wieloletniej edukacji muzycznej, żeby licealna piosenka do pierwszej miłości mogła wybrzmieć w niemal profesjonalnej aranżacji. Więcej – w zależności od wizji autora, zamieni się ona w dynamiczne reggae z charakterystyczną sekcją dętą albo nastrojową balladę z orkiestrą smyczkową. Zostanie wyrecytowana, zarapowana bądź… zaśpiewana przez nasze wygenerowane alter ego. I to bez krzty fałszu.
Portale streamingowe zaroiły się od maszynowych bitów i wersów układanych przez algorytmy. Przeważnie utwory „z generatora” są uważane za kiczowate. Zaprawieni w bojach twórcy muzyki AI zapewniają, że rozpoznają maszynowe pochodzenie piosenki po kilku pierwszych dźwiękach. Tylko czy na pewno?
Jakość generowanej muzyki staje się coraz lepsza – do tego stopnia, że co pewien czas piosenki AI wspinają się na listy przebojów. W sierpniu 2024 roku utwór Verknallt in einen Talahon widniał na 48. miejscu na niemieckim Spotify wśród popowych hitów. Zajął również 3. miejsce na portalu Udio, za pośrednictwem którego został wygenerowany. Co pewien czas wybuchają dyskusje na temat tego, czy konkretny numer stworzył człowiek.
Nie ulega wątpliwości, że dostępność narzędzi do tworzenia muzyki AI będzie sprzyjała tworzeniem jej przez amatorów. Celem tego artykułu jest, po pierwsze, zachęcenie innych do własnych eksperymentów z genAI. Po drugie, pokazanie, jak wieloetapowy może być to proces – w inny sposób niż kiedyś. W końcu sztuczna inteligencja robi wszystko sama, prawda? To nie tak, a przynajmniej nie dzisiaj, w lutym 2025 roku. Po trzecie, chciałam transparentnie podejść do tematu kosztów. Im większa świadomość zarówno twórców wideo AI, jak i potencjalnych klientów na ten temat, tym mniej wzajemnych nieporozumień.
Ostatnią z moich motywacji jest chęć skłonienia do refleksji nad istotą sztuki muzycznej i nie tylko; nad tym, czym się stała i czym będzie ona w przyszłości. Uważam, że warto głośno i bez emocji rozmawiać na temat nowych form audiowizualnych tworzonych z pomocą genAI. Programy to wciąż narzędzia, które wymagają nadzoru człowieka – jego wrażliwości, intuicji i umiejętnego pokierowania procesem twórczym.
W ramach działalności Kreatywne AI / Get Creative AI tworzę filmy dla klientów z wykorzystaniem narzędzi sztucznej inteligencji. Jeżeli chcesz uzyskać wycenę, napisz kontakt@annazborowska.pl lub zadzwoń na numer kontaktowy na stronie kreatywne.ai.
Pierwszy akord
Przygodę z tworzeniem piosenek warto rozpocząć od sprecyzowania swoich oczekiwań. Nie trzeba wykazać się znajomością gatunków muzycznych, aby stworzyć wymarzony utwór. Wystarczy wskazać przykładową, istniejącą już, piosenkę, która nam się podoba. Salvador Dali zwykł mówić, że ci, którzy nie chcą niczego naśladować, niczego nie produkują. Idea inspirowania się czymś, co już istnieje, nie jest obca nikomu, kto stawiał pierwsze kroki w branży kreatywnej. Chociaż wielu wyparło ten fakt z pamięci.
Do określenia stylu muzycznego dobrze sprawdzi się ChatGPT oraz agent Suno Prompt. To ogólnodostępne, bezpłatne rozszerzenie, które łączy się z ChatGPT przez API. Korzystanie z niego zapewnia większą precyzję wypowiedzi, niż gdyby model był wyłącznie spersonalizowanym agentem ChatGPT (czyli takim, którego dany użytkownik zasilił specjalnymi informacjami).
Można uruchomić agenta Suno Prompt poprzez przycisk Odkryj modele GPT. Warto zwrócić uwagę na liczbę pobrań. Im jest ich więcej, tym większa szansa, że to dobry i przydatny chatbot, przetestowany przez społeczność.
Przedstawię ten proces na konkretnym przykładzie. Zależało mi, aby moja piosenka miała zbliżony nastrój do coveru Creep w wykonaniu Karen Souzy. Wyobrażałam sobie ten utwór jako taki lepszy pop z „przebitkami” trąbki oraz jazzowych klipów, ale nie pogardziłabym również dobrym bitem (stąd Young Leosia).
Suno Prompt ma swoje ograniczenia, szczególnie przy tworzeniu w języku polskim. Lubi generować rozbudowane opisy, a darmowa wersja Suno pozwala na maksymalnie 2000 znaków w opisie melodii. Wymaga to od nas ręcznego skracania wygenerowanych tekstów dostarczonych przez czatbota.
Modele językowe często zawodzą przy liczeniu znaków i słów – w tej kwestii nie warto na nich polegać. Dobrze ilustruje to popularny mem, w którym ChatGPT nie potrafił poprawnie policzyć liter w słowie strawberry. To ograniczenie wynika ze specyfiki działania modeli językowych i sposobu, w jaki przetwarzają informacje.
Koszt: obecnie korzystanie z GPTs w aplikacji ChatGPT jest możliwe w bezpłatnej wersji aplikacji.
Do promptowych purystów
Polecenia, które wpisałam podczas tworzenia utworu muzycznego, są swobodne w konstrukcji. Wynika to z czystej wygody. Uważam, że można osiągnąć dobre rezultaty, komunikując się z modelami w sposób, jakbym rozmawiała z nim jak z człowiekiem.
Dobrą praktyką jest pisanie do ChatGPT po angielsku oraz według konkretnych zasad, na przykład pisanie zwięźle i precyzyjnie, unikajnie wieloznaczności, określanie dokładnego kontekstu i celu zapytania, a także roli, jaką ma przybrać model itd.
Nie zachęcam do lenistwa i braku edukowania się w kwestii poprawnego promptowania. Pomyślałam jednak, że mój przypadek „lekkiej” komunikacji z chatbotem może być użyteczny. Obrazuje on, że nie trzeba władać językiem na wysokim poziomie ani tworzyć polecenia przypominające długością szkolne wypracowania.
Zresztą, spór między promptowymi purystami a zwykłymi użytkownikami przypomina mi dwie grupy pisarzy: tych, którzy uważają, że powieść to przede wszystkim schematy, że wszystko powinno odbywać się według wyliczonego matematycznie tempa (trzyaktowa struktura, punkty zwrotne co 30 stron, precyzyjnie wyliczone momenty wprowadzania konfliktów), a tymi, którzy zdają się na własne wyczucie dramaturgii. Oba podejścia mają zalety i wady.
Na potrzeby artykułu stworzyłam bardziej rozbudowany prompt, który – mam nadzieję – spełniłby oczekiwania koneserów dobrej literatury maszynowej. Może okazać się przydatny podczas rozmowy z modelami SI.
Chcę wygenerować utwór muzyczny inspirowany określonym stylem i klimatem. Mój wzorzec to [nazwa utworu, wykonawca]. Chcę, aby nowy utwór miał [opisz charakterystykę: np. podobną dynamikę, strukturę, klimat, tempo, instrumentację, wokal lub inne cechy], ale jednocześnie był unikalny i świeży. Proszę o stworzenie kompozycji, która [np. zachowuje podobny rytm, ale ma inny refren, używa nowoczesnej produkcji, posiada bardziej melancholijny nastrój itp.]. Utwór powinien pasować do gatunku [np. synthwave, rock alternatywny, lo-fi hip-hop], ale nie być kopią. Chcę, aby w szczególności zwrócono uwagę na [np. mocne uderzenia perkusji, melancholijne smyczki, dynamiczne przejścia]. Długość utworu: [np. 3 minuty, 5 minut, itp.]. Klimat: [np. nostalgiczny, euforyczny, mroczny, filmowy].
Co możesz dodać do prompta, aby wynik był jeszcze lepszy?
- Opisz konkretne elementy – tempo, harmonię, rytm, instrumenty.
- Zdecyduj o emocjach – czy ma być radosny, melancholijny, dramatyczny?
- Zaproponuj modyfikacje – np. „chcę bardziej dynamiczny refren” lub „więcej przestrzeni w zwrotkach”.
- Jeśli masz już tekst piosenki, załącz ją do polecenia.
- Dodaj informacje na temat wokalu – damski, męski?
Słowa mają moc, czyli pisanie piosenek z AI
Wiadomo już, „jaka to melodia”. Teraz pora na tekst. Uważam, że do tego zadania najlepiej sprawdzi się model Claude AI. ChatGPT jest wszechstronnym narzędziem i jedną z moich fantomowych kończyn (gdy z niego nie korzystam albo odmawia współpracy, czuję osobliwy rodzaj paniki), ale ma dużo mniejsze wyczucie słowa.
Poprosiłam, by model zainspirował się luźno fabułą mojej powieści. Plik z książką znajdował się w dedykowanym projekcie, dzięki czemu Claude AI miał do niego dostęp. Polecenie brzmiało: napisz piosenkę, inspirując się treścią załączonej książki. Oto informacje na temat wersji instrumentalnej [tu wstawiłam rezultat od agenta Suno Prompt]: melancholijna melodia, subtelna elektronika z klasycznymi instrumentami, delikatne pianino, głębokie basy, nowoczesne bity, ciepłe akordy, jazzowa ekspresja, lekka aura lo-fi, nostalgiczny nastrój, emocjonalna głębia, miękkie syntezatory, inspiracja chillout i downtempo.
Gdy pierwsze teksty Claude AI okazały się sztampowe i złe, dodałam dodatkowy kontekst – „napisz utwór w stylu Edyty Bartosiewicz”. Dzięki takiemu poleceniu AI zaczyna naśladować charakterystyczny styl artysty – zarówno rytm zdań, jak i typowe dla twórcy słownictwo. Robi to z mniejszą lub większą skutecznością. To nie wykradanie czyjejś duszy poprzez kradzież tożsamości wokalistki i tworzenie doskonałej kopii czegoś, co mogłaby sama napisać. To czysta statystyka – próba oddania pewnych trendów.
Jak oceniam piosenkę wygenerowaną przez Claude AI? Warstwa tekstowa spełniła moje oczekiwania. Nie wyróżnia się absolutnie niczym – w tym również niczym złym. To śpiewanie cztery minuty o tym samym. Po utworach, które mają lecieć w tle, nie oczekuję ciekawej frazy, nieoczekiwanego, intrygującego rozwiązania, zawieszenia, niedopowiedzenia, dlatego pod tym względem nie mam zastrzeżeń do efektu końcowego.
Koszt: model Claude oferuje w bezpłatnym planie ograniczoną ilość zapytań. Aby móc pracować w projektach (tak jak zrobiłam to z plikiem z mojej książki), wymagana jest wersja plus.
Wskazówki
Claude AI, gdy zostanie poinformowany o tworzeniu piosenki dla Suno AI lub podobnego programu, potrafi wzbogacić tekst o muzyczne podpowiedzi między zwrotkami. Umieszcza je w nawiasach kwadratowych, a Suno uwzględnia te sugestie podczas komponowania. Istotne jest jednak, by instrukcje w nawiasach były zapisane po angielsku – w przeciwnym razie program potraktuje je jako część tekstu piosenki, a nie wskazówki aranżacyjne.
Eksperymentowałam z obiema metodami – zarówno z dodawaniem wskazówek dotyczących rytmu, jak i pozostawieniem Suno pełnej swobody kompozycyjnej. Z moich doświadczeń wynika, że lepiej sprawdza się to drugie podejście. Utwory zyskują wtedy na różnorodności, a program może swobodniej dobierać tempo i melodię.
Ostatni akord – stwórz swoją piosenkę
Następnie wklejamy tekst piosenki oraz opis melodii do programu Suno AI. Efekt? Otrzymujemy kilka utworów, które w większym lub mniejszym stopniu spełniają nasze oczekiwania. Warto modyfikować instrukcje i eksperymentować.
Koszt: Suno AI oferuje pulę bezpłatnych kredytów do tworzenia utworów, jednak edytowanie wokalu oraz poszczególnych fragmentów piosenki wymaga wykupienia płatnej subskrypcji. Bezpłatna wersja oferuje również cztery minuty piosenki. Jeśli utwór jest dłuższy – urywa się dokładnie w czwartej minucie.
Hit czy kit? Analiza utworu AI
Teledysk AI – W cieniu (short version):
Suno AI wygenerowało dla mnie piosenkę W cieniu. Słuchałam ją wiele razy na zapętleniu i analizowałam pod kątem tego, co zadziałało, a co nie. Warto dodać, że to wersja bez żadnych modyfikacji – czysta materia wypluta przez Suno.
Po pierwsze, wokal momentami wydawał się robotyczny. W nielicznych momentach minimalnie zlewał się z muzyką. To cecha generowanych piosenek. Suno AI i tak zrobiło postęp pod tym względem – kiedyś było to jeszcze bardziej słyszalne. Jeszcze rok temu zdarzało się, że głos płynnie zmieniał się z damskiego w męski w trakcie utworu. Albo był na tyle nijaki i robotyczny, że miałam problem ze wskazaniem płci osoby śpiewającej.
Słowo antykwariat stał się garbem na plecach mojego hitu. Wyśpiewywanie czterosylabowego, trudnego w wymowie słowa w refrenie to zły pomysł. W przypadku tradycyjnego tworzenia piosenki, dobry duch mógłby podszepnąć, że niektóre fragmenty należy usunąć, a inne nagrać jeszcze raz. AI ślepo wykonało polecenie użytkownika. Nie ocenia naszego zamysłu, jakkolwiek byłby nietrafiony.
Tym, co zwróciło moją uwagę, jest interesująca tendencja do różnicowania tempa utworu. Sztuczna inteligencja „starała się”, aby był muzycznie był interesujący i niemonotonny. Do tego stopnia, że w czterominutowej piosence mogłabym wyszczególnić cztery części – każda różniąca się od pozostałych, mniej lub bardziej dobra. Nawet ostatnia sekwencja refrenu została oryginalnie, z wyczuciem lekko zmodyfikowana – „piosenkarka” śpiewa ją ciszej, z większą emocjonalnością, zawieszając pod koniec głos.
AI MUSIC VIDEO – „W cieniu” (Full Song):
Finalne nuty i teledysk
Najtrudniejszą częścią w tworzeniu piosenki jest teledysk. To on również pochłania najwięcej zasobów finansowych i czasu. Oczywiście, programy AI do tworzenia wideo dysponują pulą bezpłatnych kredytów. Przykładowo, Runway ma ich 625, podczas gdy jedno wygenerowanie 5-sekundowego wideo zużywa ich 50.
Z uwagi na to, że jest to złożony i indywidualny proces, opiszę go pokrótce. Dla zachowania porządku, warto zacząć od storyboardu lub ogólnej koncepcji, co ma się dziać i kiedy. Później trzeba wybrać metodę generowania filmu. Można to zrobić poprzez text-to-video lub image-to-video. Do tworzenia promptów przyda się ChatGPT.
Na koniec testy, testy i jeszcze raz testy. Sprawdzanie, co zadziałało, a co nie. Śledzenie z lupą w ręku błędów. Montowanie 5- lub 10-sekudowych vidoe AI.
Na różnych forach tematycznych wciąż pojawiają się pytania o automatyczne tworzenie teledysków. Nie wystarczy – jak wydaje się niektórym – wpisać „teledysk”, aby otrzymać gotowy film. Jeszcze nie.
Istnieje kilka programów podejmujących próby takiego automatycznego tworzenia. Żaden z nich nie jest, w moim odczuciu, wart polecenia. Większość takich aplikacji montuje z pomocą AI materiały filmowe ze stockowej bazy. Nie tworzy ich samodzielnie. Automatyczny montaż to nie to samo, co generowanie wideo AI!
Od czego zacząć, jeśli ktoś nigdy nie generował żadnego wideo z pomocą AI? Zawsze polecam na początek Minimaxa (Hailou AI) lub Luma Dream Machine. Można załączyć swoje zdjęcie i wpisać w dowolnym języku polecenie tekstowe (najlepiej sprawdza się, jak zawsze, angielski) oraz zobaczyć, jak nasza grafika ożywa. Programy oferują również metodę text-to-video.
Aby generować obrazy i filmy, przeważnie na którymś etapie trzeba za to zapłacić – pula kredytów kończy się bądź dostęp do nowych funkcji zostaje zablokowany dla zwykłych użytkowników. Jednak czasami konieczna jest również czynna subskrypcja miesięczna. To oznacza, że nawet jeśli nie wykorzystasz kredytów, to po jakimś czasie nie użyjesz ich bez czynnej subskrypcji.
W przypadku takiego teledysku AI (krótkiego, półminutowego), musiałam opłacić:
- program do tworzenia grafik Ideogram AI – generowanie obrazów to podstawa przy pracy metodą image-to-video, zaś Ideogram AI jest tańszą alternatywą dla Midjourney.
- Runway ML (możliwość wykorzystania trybu One Act, dzięki któremu dopasowałam ruch ust wokalistki do treści piosenki).
- Kling AI (większość ujęć filmowych oraz personalizacji postaci, czyli zadbanie o jej spójność).
Mogłam wybrać opcję bardziej ekonomiczną i ograniczyć się wyłącznie do programu Kling AI. Chociaż nie obsługuje on polskiego języka przy opcji generowania ruchów ust postaci – a było mi to potrzebne, aby wokalistka AI śpiewała – wiem, że istnieją sposoby, aby obejść tę trudność i osiągnąć upragniony rezultat. Kling AI umożliwia również tworzenie obrazów różnymi metodami.
Warto wspomnieć, że ten sam prompt wpisany w różne programy potrafi dać skrajne rezultaty. W trakcie korzystania z każdego z serwisów użytkownik uczy się tego, co działa, a co nie. Czasami program uchodzący za słabszy radzi sobie z konkretnym zadaniem lepiej niż ten uznawany za najlepszy.
Przykładowo, najnowsza wersja 1.6. Kling AI do generowania wideo jest bardzo dobra. Czasami zbyt dobra – nadmiernie realistyczna. Próbowałam wielokrotnie wygenerować prosty film na Instagrama metodą image-to-video. Na zdjęciu trzymałam nad laptopem matcha latte. Chciałam, aby Kling AI stworzył mi 5-sekundowe nagranie, że wylewam zawartość filiżanki na klawiaturę i niszczę tym laptopa. Nie udało się – ręka z cieczą drżała nad urządzeniem, ale żadna z kropel nie musnęła srebrnej obudowy. Z kolei Minimax (Hailou AI) poradził sobie z tym zadaniem za pierwszym razem.
Tego jeszcze nie grali
Moja rola przy tworzeniu piosenki ograniczyła się do nadzorowania procesu. Z kolei tworzenie wideo było zadaniem wymagającym pełnego zaangażowania. Wymyśliłam scenariusz, postać na scenie, jej wygląd oraz zmiany nastroju (po zaśpiewaniu ostatniego wersu jej twarz poważnieje, a kamera pokazuje szerszy kadr). Wkleiłam prompty do programu do generowania wideo, a później je korygowałam. Mogłam manipulować również temperaturą, tzn. decydować, do jakiego stopnia program Kling AI ma być „kreatywny”. Im większa swoboda twórcza modelu, tym mniejsza zachowawczość.
Montaż i wybór efektów przy zmianie kadrów to także typowo ludzka robota. Koncepcja kreatywna, zamysł również.
Celowo nie poruszam kwestii praw autorskich. Dyrektywy UE w AI UE Act wskazują, że w przypadku, gdy prompt jest rozbudowany i indywidualny, może podlegać takiej ochronie. Czy podobnie jest z muzyką? Wątpliwości może budzić fakt, że Suno AI zostało pozwane przez organizację GEMA o naruszenie praw autorskich. Stworzono dedykowaną stronę z rozpisanymi nutami oraz utworami wygenerowanymi przez AI, które są wręcz ordynarną kopią oryginalnych, istniejących już piosenek: gema.de. Warto przesłuchać niektóre i porównać z „fałszywkami” z generatora. Rzeczywiście, trudno nie dojść do konkluzji, że nie jest to swobodna inspiracja.
Na razie wstrzymuję się jednak od bojkotu Suno AI. Nie do końca wiadomo, jaką metodą stworzono te „podróbki”. Może autorzy korzystali z technik, które prowadziły do generowania podobnych melodii, lub może to efekt działania algorytmów, które, mimo że miały za zadanie tworzyć nowe utwory, generowały coś, co w pewnym stopniu przypominało już istniejące kompozycje.
(Nie)ludzka sztuka?
AI demokratyzuje proces twórczy, choć złośliwi powiedzieliby raczej – dewaluuje. Jej wykorzystywanie w sektorze kreatywnym wciąż wywołuje sprzeciw części środowiska artystycznego. W odpowiedzi pojawiają się projekty mające na celu wyraźne oznaczanie treści stworzonych przez człowieka – podobnie jak wyróżnia się produkty rękodzielnicze w czasie masowego napływu tanich, niskiej jakości towarów z Chin.
Czy inicjatywy oddzielenia grubą kreską „wygenerowane w kooperacji z SI” oraz „stworzone przez człowieka” są zasadne i słuszne? Na pierwszy rzut oka – jak najbardziej. Jednak gdy przyjrzeć się bliżej technicznym aspektom weryfikacji i kategoryzacji takich treści, pojawiają się wątpliwości. Technologia wciąż się rozwija. AI staje się coraz lepsze w „podrabianiu” dzieł sztuki wizualnej, filmowej, literackiej, aż w końcu muzycznej.
Tajemnicą poliszynela zdaje się fakt, że w branży kreatywnej wiele procesów już dawno podlegało automatyzacji. Ile soundtracków powstało poprzez stworzenie ich w programie na urządzeniu, bez użyciu fizycznych instrumentów? Ile tłumaczy wspierało się translatorami, aby potem ręcznie weryfikować tekst oraz go redagować? Ilu copywriterów miało problem z dostosowaniem tekstu pod wymogi SEO i wrzuciło swój artykuł w specjalny program, który przerobił go pod wyszukiwarki? Ilu tekściarzy pisało piosenkę według wymogów: ma być jak najbardziej podobna do tego hitu pod względem tematu i dynamiki? Ilu artystów wizualnych – grafików, filmowców – podpatrywało inne osoby z branży, by osiągnąć podobny efekt, ale jednocześnie uniknąć oskarżenia o plagiat?
Nowe formy muzyczne prowokują do pytań o znaczenie procesu artystycznego. Czy sztuka to zdolność do wywoływania emocji, niezależnie od tego, jak powstała? Czy nadejdzie moment, gdy zobojętnieje nam fakt, czy dane dzieło powstało z wykorzystaniem SI? A może w erze szybkiej konsumpcji mało wyrafinowanych treści już teraz ma to miejsce? Przewrotnie AI zmusza nas do refleksji nad tym, co w sztuce jest najbardziej… ludzkie.
Napisz do nas!
Przeprowadzam szkolenia i konsultacje z tworzenia filmów AI – online i stacjonarnie. Każde spotkanie wyceniam indywidualnie.
