Если коротко: да, Schai GPT умеет сделать песню по описанию — со словами, вокалом и аранжировкой, в том числе на русском. Но фраза «сочини песню» в обычном разговоре трек не запускает: музыку включают отдельным режимом в меню моделей. Дальше всё просто — пишете описание, через минуту-две в чате появляется MP3-плеер и текст песни. Главная особенность, о которой стоит знать заранее: каждое сообщение в этом режиме — новая песня с нуля. Попросить «то же самое, только медленнее» не получится, и ниже объясню почему.
Это Profile — проводник по Schai и ИИ. Обычно я разбираю, как ассистент принимает решения сам. Здесь случай обратный: генерацию музыки он сам не запускает, и это не недоработка, а следствие того, как устроены музыкальные модели. Расскажу по шагам, что происходит после нажатия «Отправить», сколько это стоит и где у режима границы.
Песню не «просят» — для неё включают режим
В обычном чате у ассистента есть набор инструментов: поиск в интернете, картинки, видео, документы, календарь. Модель сама решает, какой из них взять, — подробно про этот выбор у нас есть отдельный разбор. Так вот, инструмента «сгенерировать песню» в этом наборе нет. Есть только поиск готовой музыки: на «включи песню про лето» ассистент найдёт и пришлёт существующий трек, а на «сочини песню про моего кота» скорее напишет вам текст — словами, без звука.
Генерация живёт отдельно — так же, как озвучка текста. Чтобы её включить, откройте меню выбора модели над полем ввода и найдите раздел «Аудио». Там два пункта:
Lyria 3 · отрывок 30 с — короткий фрагмент: проверить идею, сделать джингл, заставку, луп.
Lyria 3 Pro · песня целиком — полноценная песня с куплетами и припевом.
Это две модели Google из семейства Lyria. После выбора откроется окошко «Музыка»: там можно переключить «отрывок / песня целиком» и сразу видно, сколько стоит один трек. Над полем ввода появится плашка с нотой — пока она горит, всё, что вы пишете, уходит не в разговор, а в музыкальную модель. Нажатие на плашку возвращает настройки, крестик на ней выключает режим и возвращает обычный чат. Без платного тарифа пункты помечены замком, а при попытке отправить откроется окно с тарифами.
Что происходит после «Отправить»
Путь у сообщения короткий, и в нём нет ничего «умного» со стороны чата — это важно для понимания всего остального.
1. Проверки. Сервер Schai убеждается, что вы вошли в аккаунт, что тариф платный и что на балансе есть токены. Если чего-то не хватает — генерация даже не начинается и ничего не списывается.
2. Описание уходит в модель как есть. Ваш текст передаётся музыкальной модели дословно, одним сообщением. Ассистент его не переписывает, не «улучшает» и не добавляет к нему историю переписки. Модель получает ровно то, что вы написали, — и больше ничего.
3. Ожидание. В чате появляется «🎵 Сочиняю отрывок… Обычно до минуты» или «Сочиняю песню… Обычно минута-две». Модель отдаёт результат потоком: кусками аудио и текстом песни. Сервер ждёт до четырёх с половиной минут — для длинной песни запас нужен.
4. Результат. Сервер собирает куски в MP3-файл, сохраняет его в хранилище Schai и присылает в чат сообщение «✅ Готово. Слова:» — с текстом, который модель спела, и встроенным плеером. Сообщение остаётся в истории чата, к треку можно вернуться позже.
5. Списание. Токены списываются только после того, как трек готов и сохранён, и по фактической цене, которую назвал провайдер. Если модель ничего не вернула или случилась ошибка — вы увидите «Не получилось: …», и за неудачную попытку платить не придётся.
Ага-момент: у музыкальной модели нет «поправь»
С текстовой нейросетью мы привыкли разговаривать: «сделай короче», «а теперь повеселее». Она видит всю переписку и правит свой прошлый ответ. С музыкой так не работает, и дело не в Schai.
В документации Google к моделям Lyria это написано прямо, в разделе ограничений: генерация музыки — одношаговый процесс, итеративное редактирование или доработка готового клипа несколькими запросами не поддерживается. Там же сказано, что результат может отличаться от вызова к вызову даже при одинаковом описании.
Почему так? Текстовая модель пишет ответ словами, и «предыдущий ответ» для неё — тоже просто слова, которые можно перечитать и переделать. Музыкальная модель выдаёт звук — плотный поток, где голос, барабаны и бас слиты вместе. Взять из него «тот же припев, но на полтона ниже» — совсем другая задача, чем дописать абзац. Поэтому Schai и не передаёт модели историю чата: ей нечего с ней делать.
Отсюда практическое следствие. Если после первого трека написать «сделай медленнее», модель получит одну эту фразу — без жанра, без темы, без слов — и сочинит новую, совершенно случайную медленную песню. Каждое сообщение в режиме музыки должно быть полным описанием, самодостаточным, как будто вы пишете его впервые.
Удобная связка, которая из этого следует: слова доводите в обычном чате, звук — в режиме музыки. Текстовый ассистент как раз умеет итерации: «замени вторую строчку», «сделай припев проще». Когда текст готов, включаете режим, вставляете описание звучания плюс готовые слова — и получаете трек одним запросом.
Как писать описание, если второй попытки «с поправкой» нет
Раз модель видит только одно сообщение, всё нужное должно поместиться в него. Google в руководстве по описаниям для Lyria советует начинать с основного жанра, а дальше добавлять настроение, инструменты, темп, структуру и вокал. Работают и короткие, и подробные описания, но подробное даёт предсказуемый результат.
Что стоит указать:
Жанр и эпоха: «инди-поп», «синти-поп в духе 80-х», «акустический фолк».
Настроение и тема: о чём песня и какое от неё чувство.
Инструменты и темп: «акустическая гитара и мягкие барабаны, около 90 ударов в минуту».
Вокал: мужской или женский, шёпот или мощный голос — или «без вокала», если нужна инструментальная музыка.
Язык: по документации Google, Lyria поёт на языке описания. Пишете по-русски — получаете русский текст.
Свои слова: вставьте их прямо в описание с пометками [Verse], [Chorus], [Bridge] — так модель поймёт, где куплет, а где припев.
Длина (только для «песни целиком»): документация говорит, что Pro делает песни «на пару минут», а точную длину можно задать прямо в тексте — например, «песня на две минуты».
Пример: одно описание вместо пяти уточнений
Слабое описание: «весёлая песня про дачу». Модель сама выберет жанр, голос, темп и напишет слова — может, попадёт, а может, получится марш. А вот описание, которое оставляет ей меньше догадок:
Акустический фолк-поп, тёплое летнее настроение. Акустическая гитара, укулеле, лёгкая перкуссия, темп около 100 ударов в минуту. Женский вокал, мягкий, немного с улыбкой. Песня на две минуты на русском. Слова: [Verse] Электричка, восемь сорок, рюкзак и старый плед… [Chorus] На даче время тише, на даче небо выше…
Здесь есть всё, что модель не сможет «уточнить у вас» потом: жанр, инструменты, темп, голос, язык, длина и готовые слова с разметкой. Если трек не понравится, правьте именно это описание — меняйте одну деталь и отправляйте его целиком заново. Так вы хотя бы понимаете, что именно изменилось, хотя полностью одинаковых результатов модель не даёт.
Подробно о том, какие слова реально меняют звук, а какие модель пропускает мимо ушей, у нас есть отдельная статья — там разобраны темп, инструменты и динамика на примерах.
Сколько стоит и сколько ждать
Цена у музыки плоская — в отличие от видео, где платят за секунды. По странице модели на OpenRouter, через который Schai подключает Lyria, тридцатисекундный отрывок стоит у провайдера $0,04, песня целиком в версии Pro — $0,08. Schai пересчитывает это во внутренние токены по той же формуле, что и все остальные генерации.
В окне настроек это выглядит так:
Режим → Цена в окне «Музыка» → Сколько ждать
Отрывок 30 с → ≈ 76 тыс. токенов · около 5,7 ₽ → обычно до минуты
Песня целиком → ≈ 153 тыс. токенов · около 11,4 ₽ → обычно минута-две
Для ориентира: на тарифе 299 ₽, где 4 миллиона токенов, это примерно полсотни отрывков или два с половиной десятка песен — если тратить токены только на музыку. Отдельного лимита «столько-то треков в месяц» нет: музыка списывает те же токены, что и чат, картинки и видео. Точная цена конкретного трека — та, что показана в окне настроек перед запуском; итоговое списание считается по фактическому счёту провайдера.
Отсюда и стратегия экономии: сначала прогнать идею отрывком за 30 секунд, убедиться, что жанр и голос те, и только потом запускать песню целиком с тем же описанием. Помните, что результат каждый раз немного другой — отрывок показывает направление, а не точную копию будущей песни.
Чего режим не умеет
Лучше знать границы до того, как потратить токены.
Не поёт вашим голосом. Загрузить свою запись нельзя — в окне настроек так и написано: модель не принимает звук на входе. Режим принимает только текстовое описание.
Не подражает конкретным артистам. По документации Google, все описания проходят через фильтры безопасности, и запросы спеть голосом определённого исполнителя или воспроизвести чужой защищённый текст блокируются. «В стиле Земфиры» — не лучшая формулировка; опишите, что именно вам нравится: тембр, манеру, аранжировку.
Не правит готовый трек. Ни «вырежи вступление», ни «добавь гитару во второй куплет». Только новый трек по новому полному описанию.
Не скрывает своё происхождение. Google встраивает в звук Lyria водяной знак SynthID — его не слышно, он переживает сжатие в MP3 и добавление шума, а проверить его можно инструментами Google. Если планируете выдавать трек за живую запись — это не сработает, и честнее так не делать.
Не решает вопрос прав. Тут всё сложнее, чем «сгенерировал — значит моё». Например, Бюро авторского права США в докладе об авторском праве и ИИ пришло к выводу, что одних описаний для нейросети недостаточно, чтобы пользователь стал автором результата. Если собираетесь выпускать трек на площадки или использовать в рекламе, сначала разберитесь с правами — у нас есть подробный разбор с российским законом и условиями сервисов.
Коротко
Режим, а не просьба. Песню генерирует отдельный режим в меню моделей, раздел «Аудио». Фраза «сочини песню» в обычном чате даст текст, а не трек.
Одно сообщение — одна новая песня. Модель видит только последнее описание, без истории чата. «Сделай медленнее» сочинит случайную медленную песню, поэтому каждый раз пишите описание целиком.
Слова — в чате, звук — в режиме. Текст удобно доводить с ассистентом, а потом вставлять в описание с пометками куплета и припева.
Отрывок сначала. 30 секунд стоят вдвое дешевле песни и показывают, туда ли вы идёте.
Платите только за готовое. Токены списываются после того, как трек сохранён, по фактической цене провайдера.
Свой голос и чужой стиль — нет. Звук на вход не принимается, имитация конкретных артистов блокируется, в каждом треке есть неслышимый водяной знак.
Пока нет комментариев