موسیقی هوش مصنوعی: ۳۰۰ نسخه تا ترانه‌ی درست

موسیقی برای ما یک افزودن در انتها نیست. فیلم را حمل می‌کند، تبلیغ را پر می‌کند و از یک ویدیوی فید یک لحظه می‌سازد. چون ترانه را معمولاً برای هدفی مشخص لازم داریم، کار هرگز از پرامپت شروع نمی‌شود. با یک پرسش شروع می‌شود: این ترانه برای چیست؟

تبلیغ ده ثانیه‌ای نیاز دارد که دیده شود بدون آنکه آزاردهنده باشد. کلیپ سوشال در دو ثانیه‌ی اول باید قلاب بزند. ترانه‌ی با آواز متنی لازم دارد که چیزی بگوید. و نسخه‌ی بی‌کلام باید بدون صدا هم کار کند. از یک ایده، الزامات کاملاً متفاوتی بیرون می‌آید.

مدل‌هایی که استفاده می‌کنیم

یک مدل موسیقی واحد وجود ندارد. بسته به کار از چند مدل استفاده می‌کنیم:

محلی

ACE و MiniMax روی سخت‌افزار خودمان اجرا می‌شوند. برای تست و نسخه‌های آزمایشی بدون آپلود، وقتی پروژه‌ی مشتری نباید به فضای ابری برود.

آنلاین

سونو برای ترانه‌های تمام‌شده با آواز و میکس. سریع، متنوع، و این روزها در صدا و میکس بسیار خوب.

صدا

صداهای خودمان، ضبط و دیجیتال‌شده، برای آواز و گفت‌وخوانی که قابل تشخیص بمانند.

انتشار

ترانه‌های تمام‌شده در اپل موزیک، اسپاتیفای و سرویس‌های دیگر منتشر می‌شوند.

محلی به معنی بهتر نیست و آنلاین به معنی راحت‌تر. مدل محلی کندتر پردازش می‌کند و گاهی خشن‌تر است، اما ترانه از خانه بیرون نمی‌رود. سونو در چند دقیقه نتیجه‌ای می‌دهد که مثل ضبط استودیویی شنیده می‌شود. برای انتخاب نهایی، معیار ما هدف است نه مدل.

چرا ۳۰۰ نسخه

پرامپت یک ترانه نیست. آنچه در نخستین تلاش ساخته می‌شود یک پیشنهاد است. مسیر این‌طور است: متن را خودمان می‌نویسیم، اغلب در چند دور، تا با برند، فیلم یا پیام بخواند. بعد تولید می‌کنیم. همان سطرها با سازی دیگر، تمپویی دیگر، صدایی دیگر. طبل به‌جای پیانو فقط صدا را عوض نمی‌کند، وضعیت ترانه را عوض می‌کند.

به این ترتیب برای یک ترانه تا ۳۰۰ نسخه ساخته می‌شود. نه چون مدل‌ها بدند، بلکه چون باید به این پرسش پاسخ داد: آیا این نسخه‌ی درستی برای این هدف است؟ نسخه‌ی تبلیغ باید در ده ثانیه کار کند، نسخه‌ی سوشال قلاب فوری می‌خواهد، نسخه‌ی آوازی کل متن را حمل می‌کند. همه را می‌شنویم، تقریباً همه را کنار می‌گذاریم و در پایان نسخه‌ای می‌ماند که انگار از همان اول همین‌طور تصور شده بود.

متن دست‌ساز می‌ماند

متن‌ها را خودمان می‌نویسیم. نه از سر اصل، بلکه چون هیچ مدلی نمی‌داند مشتری در زبان خودش چه می‌خواهد بگوید. شعارِ کلن با مونیخ فرق دارد. جمله‌ای که در ایران کار می‌کند اینجا ممکن است بی‌اثر باشد. می‌نویسیم، خط می‌زنیم، بلند می‌خوانیم، زمزمه می‌کنیم، تا هجا روی تکیه بنشیند. آن وقت متن به مدل می‌رود.

این ترتیب هسته‌ی کار است: مفهوم پیش از متن، متن پیش از تولید، انتخاب با گوش. مدل موسیقی را می‌دهد، تصمیم پیش ما می‌ماند. همین ارکستراسیون است، این‌بار با نُت به‌جای پیکسل.

ترانه به‌جای لایسنس

برای مشتری یعنی: نه آرشیو موسیقی، نه حق خریداری‌شده، نه کپیِ شبیه ملودی معروف. بلکه ترانه‌ای که برای همین هدف ساخته شده، در چارچوب پروژه. پیش از تولید نسخه‌ی نهایی، نامزدها را می‌شنوید و در انتخاب سهیم می‌شوید.

هزینه پیش از سفارش

پیش از هر سفارش، ابتدا نمونه‌ی اولیه و هزینه‌ی آن را می‌بینید.