چرا سونو در هر نسخه پیشرفت چشمگیری دارد؟

من پوشه کوچکی از پرامپت‌هایی دارم که اوایل ۲۰۲۴ پسندیده بودم. همان کلمات، همان برچسب‌های زبانی و همان حس و حال. برای نمونه، پرامپت female vocal / soft guitar را در نظر بگیرید. اگر آن‌ها را روی مدل فعلی اجرا کنید، کوروس شفاف‌تر اجرا می‌شود، صدای خواننده جایگاه متفاوتی می‌یابد و میکس دیگر شبیه دمو به نظر نمی‌رسد. هیچ اتفاق جادویی برای سلیقه من نیفتاده است؛ بلکه خود ابزار در زیرِ این متن تغییر کرده است.

افراد می‌پرسند چرا سونو بین نسخه‌ها جهش‌های این‌چنینی دارد. پاسخ کوتاه این نیست که «آن‌ها GPUهای بیشتری خریده‌اند». پاسخ طولانی‌تر برای کسانی مهم است که واقعاً آهنگ منتشر می‌کنند: وقتی ببینید چه چیزی در حال تغییر است، دیگر با هر نسخه مثل یک بخت‌آزمایی برخورد نمی‌کنید، بلکه آن را به عنوان یک خط مبنا در حال حرکت می‌شناسید.

اول، موسیقی متنِ ریتم‌دار نیست

مدل‌های چت همین حالا هم با توکن صحبت می‌کنند. اما صدای خام این‌طور نیست. در فرکانس ۲۴ کیلوهرتز، شما با ده‌ها هزار نمونه در ثانیه روبرو هستید. اگر این حجم از داده را مستقیماً به یک ترانسفورمر بدهید، پیش از آنکه مدل حتی یک هوک یاد بگیرد، در طول متن و محاسبات غرق می‌شوید.

به همین دلیل، استکی که تقریباً همه از آن استفاده می‌کنند — از جمله سونو — ابتدا شکل موج را در یک جریان گسسته کوچک‌تر فشرده می‌کند و سپس بخش بعدی را همان‌طور که یک مدل زبانی کلمه بعدی را پیش‌بینی می‌کند، پیش‌بینی می‌کند. کدک‌های صنعتی (مانند خانواده ایده‌های AudioCraft / EnCodec) می‌توانند این جریان انبوه را به چند صد توکن در ثانیه تبدیل کنند. این هنوز متراکم‌تر از متن است و هنوز ارزان‌تر از PCM خام تمام می‌شود.

این فشرده‌سازی، لولای خسته‌کننده اما حیاتی کار است. اگر بیش از حد فشرده کنید، صدای خواننده مخدوش می‌شود؛ و اگر شل بگیرید، فرآیند آموزش به کندی پیش می‌رود. وقتی یک نسخه ناگهان صدایی «استودیویی» پیدا می‌کند، اغلب در حال شنیدن یک موازنه بهتر در همین بخش هستید — گاهی اوقات این موضوع با ترکیبی از مدل‌سازی توکن بعدی (که در شکل‌دهی آهنگ خوب عمل می‌کند) و پاک‌سازی به سبک انتشار (که در بافت‌سازی عالی است) همراه می‌شود. بنیان‌گذاران به طور عمومی اعلام کرده‌اند که از هر دو خانواده برای کارهای متفاوت استفاده می‌کنند. شما نیازی به خواندن مقالات علمی ندارید؛ فقط باید بدانید چرا یک تغییر «کوچک» در معماری می‌تواند تمام برچسب‌های سبکی را که نوشته‌اید تغییر دهد.

آن‌ها تا حد زیادی آموزش هارمونی کتابی را متوقف کردند

موسیقی هوش مصنوعی در روزهای اول عاشق قوانین سخت‌گیرانه بود: گرامر آکورد در تابع هزینه، قالب‌های فرم، و توالی‌های «صحیح». این رویکرد منجر به تولید آثار مرتب اما اشتباهی می‌شد — آهنگ‌هایی که از یک کاربرگ پیروی می‌کردند اما همچنان بی‌روح به نظر می‌رسیدند.

داستان عمومی سونو به سمت مخالف متمایل است: قوانین موسیقی دست‌نویس کمتر، و گوش دادن بیشتر به نحوه رفتار آهنگ‌های واقعی. پس از موج ChatGPT، مسیر تیم از اسباب‌بازی‌های گفتاری سبک Bark به Chirp و سپس خط V3 تا V5، کمتر حول رمزگذاری اعداد رومی می‌چرخید و بیشتر بر اجازه دادن به ساختار برای ظهور از دل داده‌ها متمرکز بود. کاربران نیز با گوش‌هایشان رأی دادند: مردم جلوه‌های صوتی هوشمندانه نمی‌خواستند؛ آن‌ها یک آهنگ کامل با یک خواننده می‌خواستند.

قوانین منعطف‌تر زمانی که ژانرها و زبان‌ها منفجر می‌شوند، بهتر مقیاس‌پذیر هستند. شما برای هر گونه‌ای از سیتی پاپ یک فایل قانون جدید منتشر نمی‌کنید؛ بلکه مثال‌های متنوع‌تری ارائه می‌دهید و به مدل اجازه تعمیم دادن می‌دهید. به همین دلیل است که ارتقای نسخه می‌تواند مانند یک جهش کامل در سطح به نظر برسد، نه فقط اینکه «ما سه پیش‌فرض جدید اضافه کردیم».

Open Suno in MidassAI

تولید ارزان خیریه نیست — یک لوله بازخورد است

وقتی مدل به اندازه کافی خوب باشد که افراد غریبه کلیپ‌ها را به اشتراک بگذارند، حجم داده به شتاب‌دهنده تبدیل می‌شود. موفقیت ناگهانی V3 در سال ۲۰۲۴ فقط برند را بزرگ‌تر نکرد؛ بلکه چرخه را با پرامپت‌ها، بازتولیدها، موارد نگه‌داشته‌شده و ردشده‌ها پر کرد. اعتبارهای رایگان روزانه و قیمت‌گذاری مناسب از بیرون سخاوتمندانه به نظر می‌رسند. اما از دیدگاه آموزش، آن‌ها راهی برای حفظ جریان داده‌های ترجیحی بدون نیاز به انتظار برای یک لیست پخش آزمایشگاهی هستند.

ساختار کلی مسیر محصول (تاریخ‌ها نقاط عطف نسبتاً عمومی هستند، نه یک کیت مطبوعاتی):

دوران Bark: گفتار و صدای خام، نه یک کارخانه آهنگ‌سازی
Chirp: ورود آواز به چت
وب + توزیع گسترده‌تر: خروج از گوشه‌های محدود دیسکورد
V3: اجرای دو دقیقه‌ای که حتی غیرموسیقی‌دانان واقعاً آن را تمام می‌کنند
خط V4 تا V5: میکس‌های متراکم‌تر، احساس واضح‌تر، پیچ‌های شخصی‌سازی بیشتر

خط دورریختنی شما — برای مثال پرامپت Japanese city pop, breathy female vocal, evening drive را در نظر بگیرید — تزئین نیست. این پرامپت وقتی با میلیون‌ها تلاش ناموفق و موارد نگه‌داشته‌شده ترکیب می‌شود، به سیستم آموزش می‌دهد که «سبک» در زبان خلاصه انسانی چه معنایی دارد. این همان چرخ دنده است، نه یک استعاره برای اسلایدهای ارائه.

بخشی که رقبا دست‌کم می‌گیرند: تکمیل چرخه در داخل محصول

یک چک‌پوینت قوی بدون یک ویرایشگر جذاب، در حسرت دیسکورد می‌میرد. مزیت واقعی سونو برای بسیاری از سازندگان این است که مسیر از یک صفحه خالص تا چیزی که بتوانید آن را گسترش دهید، استم بگیرید، کاور کنید یا به اشتراک بگذارید، چقدر کوتاه است. ثبت‌نام کنید، یک خط بنویسید، تولید کنید، تصمیم بگیرید. بدون هیچ امتحان تئوری.

وقتی تولید → گوش دادن → گسترش → خروجی گرفتن در یک مکان اتفاق می‌افتد، کاربران می‌مانند. وقتی کاربران می‌مانند، سیگنال‌های ترجیحی نیز باقی می‌مانند. مدل‌هایی که هرگز از دفترچه تحقیقات خارج نمی‌شوند، این سیگنال را دریافت نمی‌کنند. محصول و آموزش در هم چفت می‌شوند؛ اگر هر کدام را حذف کنید، داستان «سرعت» به بیانیه‌های مطبوعاتی بی‌محتوا تبدیل می‌شود.

اگر واقعاً چیزی تولید می‌کنید، این موضوع چه معنایی دارد

قضاوت‌های خود را زمان‌بندی کنید. یادداشت «انتقال‌های کوروس ضعیف به نظر می‌رسد» تنها زمانی مفید است که نسخه مدل + پرامپت + تاریخ را یادداشت کنید. قبل از دور ریختن ایده، همان کارت را سه ماه بعد دوباره اجرا کنید.

با ابزار مثل یک هدف متحرک رفتار کنید، نه یک ساز تمام‌شده. انتظار برای «سونوی نهایی» افسانه‌ای، هفته‌هایی را هدر می‌دهد که در آن‌ها یک نسخه متوسط دقیقاً موسیقی پس‌زمینه یا دمو شما را عالی درآورده است. پیش‌نویس را منتشر کنید؛ وقتی خط مبنا حرکت کرد، مسترینگ مجدد انجام دهید.

ترجیحات واضح ارائه دهید. بازتولید برنده از بین دو اجرای نزدیک، سیگنال دقیق‌تری نسبت به اسکرول کردن بیهوده در بلاگ‌های به‌روزرسانی است. تنوع هم کمک می‌کند — اگر در یک ژانر گیر کنید، فقط یک گوشه از فضا را آموزش می‌دهید.

سقف را بشناسید. تکرار سریع ≠ جایگزین مسترینگ، ضبط زنده یا یک تنظیم به‌هم‌ریخته که برایتان مهم است به صورت دستی. سونو برای بک‌گراند فرمت کوتاه، دموهای پیتچ و بررسی‌های «آیا این هوک وجود دارد؟» بی‌نظیر است. پرداخت در سطح آلبوم هنوز هم اغلب به گوش انسان و یک DAW نیاز دارد.

پاسخ‌های سریع به سوالاتی که واقعاً پرسیده می‌شود

آیا فقط پول برای compute است؟ قدرت پردازش فقط شرط اولیه ورود به بازی است. بدون توکنیزاسیون منطقی صدا، انتخاب‌های معماری و یک چرخه کاربری زنده، GPUهای بیشتر فقط سریع‌تر صدای بدتری تولید می‌کنند.

اگر فقط ماهی یک‌بار بازش کنم عقب می‌مانم؟ چرخه اصلی به ندرت تغییر می‌کند: سبک + حس و حال → تولید → انتخاب → اصلاح پرامپت. نسخه‌های جدید بیشتر کیفیت و اطاعت‌پذیری را بالا می‌برند، نه اینکه هر هفته یک زبان UI جدید ارائه دهند.

در مقایسه با Udio یا سایر ابزارهای منطقه‌ای چگونه است؟ به ماتریس ویژگی‌ها اعتماد نکنید. یک مجموعه پرامپت را ثابت نگه دارید، همان روز تست A/B انجام دهید و با گوش خودتان برای نیاز خودتان انتخاب کنید. پیشرو بودن جامعه و سرعت انتشار، مزایای واقعی سونو هستند؛ اما تضمینی برای هر ژانری نیستند.

یک عادت کسل‌کننده که از یک مقاله فلسفی دیگر بهتر است

صفحه ایجاد را باز کنید. یک خط سبک صادقانه به انگلیسی یا زبان آواز خود بنویسید. دو مورد تولید کنید. موردی را نگه دارید که آن را بی‌صدا نمی‌کنید. پرامپت را همراه با نام مدل امروز ذخیره کنید.

این کار را پس از جهش بزرگ بعدی دوباره انجام دهید. فاصله بین این دو فایل بیشتر از هر جدول زمانی از افسانه‌های بنیان‌گذاری در آپارتمان، به شما می‌آموزد که «چرا سونو این‌قدر سریع حرکت می‌کند». منحنی پیشرفت هنوز هم شیب‌دار است؛ پاسخ مفید این است که ردپا به جا بگذارید، نه اینکه منتظر بمانید تا صاف شود.