При создании видео, мини-игр или добавлении немного звука на страницу часто приходится застревать на очень мелких деталях.

Картинка уже почти готова, не хватает только отрывка с ударными. Идёшь искать в библиотеке материалов: у подходящего по ритму варианта слишком тяжёлый тембр, а в приятном по тембру варианте смешан вокал. С трудом находишь отрывок, вырезаешь его и проигрываешь по кругу — а между концом и началом всё равно есть заметная пауза.

С естественными звуками то же самое. Нужны журчание ручья и несколько птичьих голосов, а найденный материал смешан с очень сильным шумом ветра или вдруг содержит отрывок музыки.

Во многих случаях нам не нужна полноценная песня, нам просто нужен «небольшой отрывок звука, который как раз можно поставить сюда».

В API Suno от Ace Data Cloud sounds — это операция, предназначенная именно для таких потребностей. Она генерирует звуковые материалы по текстовому описанию: можно создавать как короткие однократно воспроизводимые звуковые эффекты, так и звуковые фрагменты для зацикливания. Подробности можно найти в руководстве по подключению генерации аудио Suno.

Звуковая мастерская: диктофон, наушники, речные камни и кассета

Сначала определите, нужен один звук или отрывок музыки

Хотя всё отправляется через аудиоинтерфейс Suno, для разных потребностей подходят разные операции.

Звук «поп» при нажатии кнопки или один удар по дереву подходит для режима one-shot в sounds. Если нужен отрывок ритма, который будет воспроизводиться повторно, выберите loop. Если же нужен длинный музыкальный фрагмент с полным развитием, следует использовать обычный generate.

Это различие очень важно.

В этот раз мы отдельно сделали интенсивный зацикленный ритм, около шести минут расслабляющей музыки, а также естественный звуковой ландшафт с ручьём и птичьими голосами. Среди них зацикленный ритм был создан с помощью sounds; две последующие длинные аудиодорожки были созданы с помощью generate, и нельзя считать, что все они являются результатом генерации sounds.

Попробуем loop с интенсивным ритмом ударных

Требования к этому зацикленному материалу довольно прямые: ритм должен быть более интенсивным, с тяжёлыми ударными и низкими частотами, но не должен превращаться в песню со вступлением, кульминацией и концовкой.

Потому что он должен воспроизводиться повторно.

Если модель добавит красивое завершение, само по себе оно может звучать хорошо, но при возврате к началу это легко станет заметно. Поэтому в описании, помимо тембра, нужно чётко указать способ воспроизведения: сохранять стабильный ритм, без затухания в начале и конце, без завершающего сильного удара и без пустого промежутка в конце.

Следующий отрывок — пример, созданный в этот раз с помощью sounds в режиме loop, длительностью около 20,8 секунды.

Целью этой настройки было 140 BPM: плотные ударные, хай-хэты и низкочастотные импульсы синтезатора должны создавать мощь. Это творческая цель, а не показатель, уже подтверждённый проверкой темпа.

Выбор loop также не означает, что файл уже прошёл «приёмку на бесшовное зацикливание».

Этот пример ещё не прошёл прослушивание стыка и проверку формы волны. Перед фактическим добавлением в проект рекомендуется несколько раз прослушать его в непрерывном цикле, особенно обращая внимание на место, где последний удар возвращается к первому: нет ли паузы, не обрываются ли внезапно низкие частоты, не срезан ли хвост реверберации, не начинает ли ритм спешить или отставать.

Сам проигрыватель тоже влияет на восприятие. Даже если начало и конец аудио хорошо обработаны, при завершении воспроизведения и повторной загрузке файла всё равно может возникнуть промежуток. Зацикленный материал и логику зацикленного воспроизведения нужно проверять вместе.

Зацикленная кассета и ударные инструменты

Интерфейс несложный, главное — как написать sound

sounds не использует отдельный адрес /suno/sounds, а выбирается через action в аудиоинтерфейсе. Адрес запроса: POST https://api.acedata.cloud/suno/audios, используется аутентификация Bearer Token; подробнее см. в параметрах интерфейса Suno Audios.

Ниже приведён пример запроса для зацикленного ритма:

curl --request POST \
  --url https://api.acedata.cloud/suno/audios \
  --header "Authorization: Bearer YOUR_API_TOKEN" \
  --header "Content-Type: application/json" \
  --data '{
    "action": "sounds",
    "model": "chirp-v6",
    "sound": "Intense industrial percussion loop at 140 BPM. Punchy kick, tight snare, fast hi-hats and gritty D minor bass pulses. Stable tempo and energy. Seamless cyclic boundary, complete bars. No intro, outro, fades, ending hit, silence or vocals.",
    "sound_type": "loop",
    "bpm": 140,
    "key": "Dm",
    "audio_format": "mp3",
    "async": true
  }'

Если разобрать этот запрос, то главное, над чем действительно нужно подумать, — это sound.

Если написать только «немного интенсивнее», это выражает эмоцию. Если добавить «тяжёлые ударные, плотный малый барабан, быстрые хай-хэты», описание начинает приближаться к самому звуку. А если дополнительно указать «сохранять стабильность, без вступления и концовки, для непрерывного зацикливания», модель поймёт, как предполагается использовать этот материал.

Мы больше рекомендуем писать описание конкретно, а не постоянно добавлять такие прилагательные, как «потрясающий», «предельный» и «эпический».

Например, звук нажатия кнопки можно описать так:

Один короткий, мягкий древесный стук, звук чистый, близкий, быстро затухающий, без вокала и фоновой музыки.

Точно так же естественный звук «в лесу есть ручей и птицы» всё ещё довольно общий. Если заменить его на «ручей ближе, птичьи голоса дальше, между криками оставлять тишину, без непрерывного плотного щебетания», пространственные отношения и плотность станут гораздо понятнее. Описание также не обязательно должно быть очень длинным. В этом практическом тесте sound длиной более 500 символов был отклонён интерфейсом, и отправка прошла успешно только после сокращения. При интеграции можно сначала ограничить его 500 символами, поместив наиболее важные звуковые характеристики в начало; ограничение длины всё же следует сверять с фактической валидацией и актуальной документацией.

Этих параметров достаточно, чтобы начать

Обязательными полями sounds являются action, sound и sound_type. Остальные параметры звуковых эффектов используются для дополнения модели, ритма, тональности и формата вывода.

Параметр Как заполнять Когда использовать
action Фиксированно "sounds" Выбор операции генерации звукового материала
sound Текстовое описание Описание источника звука, тембра, пространственного ощущения и требований к воспроизведению
sound_type "one-shot" или "loop" Различение одноразового звукового эффекта и зацикленного материала
model В примерах этой статьи используется "chirp-v6" Явное указание модели генерации
bpm Целое число от 1 до 300 Указывается при наличии чётких требований к ритму
key Например, "Dm", "C" Указывается при наличии требований к тональности
audio_format В настоящее время "mp3" Указание аудиоформата
async Установить в true После отправки получить ID задачи, затем запросить результат
callback_url Необязательный адрес для получения результата Указывается, когда требуется серверный обратный вызов

Среди них диапазон bpm, допустимые значения sound_type и текущее ограничение формата MP3 можно посмотреть на странице параметров интерфейса.

Если нужно просто сгенерировать шум воды, звук ветра или один удар, не обязательно принудительно заполнять BPM и тональность ради «полноты параметров».

Есть ещё одна легко упускаемая ошибка: /suno/audios — это общий вход для разных операций, и поля, указанные в общей таблице параметров, не означают, что они действительны для каждой операции. Например, duration, согласно документации, сейчас используется для generate; из этого нельзя делать вывод, что передав 360 в sounds, можно получить шестиминутный звуковой эффект.

Для шестиминутного ручья с пением птиц нужен другой подход

Помимо коротких циклов, мы также попробовали более длинный природный звуковой ландшафт.

На этот раз хотелось передать не «природа очень шумная», а ощущение того, что вы некоторое время сидите у ручья: журчание воды постоянно присутствует, пение птиц раздаётся время от времени, дальность меняется, но звуки не конкурируют друг с другом.

В звуковом дизайне ручей выступает основой, а пение птиц — украшением. Шороху листьев и ветру оставлено лишь немного места; гром и ливень не добавляются, инструменты также намеренно не включаются.

Ниже приведён примерно шестиминутный пример «Лесной ручей».

Здесь нужно чётко пояснить: используется generate, а не sounds, и это синтезированный звуковой ландшафт, а не запись на местности.

Чтобы попробовать более длинный непрерывный контент, в этот раз использовалась пользовательская генерация chirp-v5-5 с duration, установленным в 360. Документация также напоминает, что длительность является лишь целью генерации, а не точной гарантией; итоговую фактическую длительность следует считывать из возвращаемого результата.

Аналогично, указание «без музыки» не заменяет проверку прослушиванием. Этот пример ещё не прошёл полное ручное прослушивание; степень воспроизведения журчания воды, пения птиц и требования отсутствия музыкального сопровождения необходимо подтвердить перед использованием.

Если проект предъявляет очень строгие требования к чистым окружающим звукам, можно сначала проверить качество звучания на коротких фрагментах, а затем рассматривать более длительный производственный процесс; не обязательно с самого начала вмещать все требования в один шестиминутный аудиофайл.

Лесной ручей, пение птиц и листья

Успокаивающую музыку тоже не следует смешивать с окружающими звуками

Мы также сделали примерно шестиминутную композицию «Постепенное успокоение».

Её творческое направление — мягкое фортепиано, тёплая атмосферная подложка и медленно меняющиеся гармонии. В отличие от ручья с пением птиц, это музыкальное произведение; в отличие от интенсивного цикла, оно допускает постепенное вступление, развитие и затем плавное завершение.

Этот фрагмент также использует generate и не относится к примерам sounds. Он подходит как творческая попытка в направлении, способствующем расслаблению, но не должен подаваться как аудио с определённым терапевтическим действием, и не содержит обещаний, что «какая-то частота может лечить болезни».

Если рассмотреть эти виды потребностей вместе, становится довольно ясно, какой интерфейс выбирать:

Если нужен звуковой эпизод или звуковой материал для зацикливания, сначала смотрите sounds; если нужен музыкальный контент, разворачивающийся длительное время, смотрите generate.

После получения task_id не отправляйте запрос повторно сразу

В примере используется async: true. После отправки сначала будет получен ID задачи, а затем результат запрашивается через интерфейс задач, вместо постоянного ожидания в том же запросе генерации.

curl --request POST \
  --url https://api.acedata.cloud/suno/tasks \
  --header "Authorization: Bearer YOUR_API_TOKEN" \
  --header "Content-Type: application/json" \
  --data '{
    "action": "retrieve",
    "id": "替换为提交时返回的task_id"
  }'

При интеграции рекомендуется сохранять ID задачи вместе с записью запроса. Пока исходная задача всё ещё выполняется, продолжайте запрашивать эту задачу; не отправляйте новый запрос генерации только потому, что файл временно не был получен.

После получения итогового аудио также не следует проверять лишь «есть ли URL». Нужно ещё проверить, успешно ли выполнена задача, подходит ли фактическая длительность, а затем принять звуковой контент в соответствии с назначением.

Для коротких звуковых эффектов проверяйте начало и затухание, для зацикленного материала слушайте стык, а для длинного аудио нужно проверить, нет ли резких переходов, неожиданного человеческого голоса или ненужного музыкального сопровождения.

Интерфейс генерации решает задачу «сначала создать кандидатный материал». Чтобы он действительно подходил для вашей страницы, видео или игры, на этот последний этап прослушивания и корректировки всё ещё стоит оставить время.


Три иллюстрации в статье являются оригинальными сгенерированными изображениями, созданными в этот раз. Аудио представляет собой сгенерированные примеры и ещё не прошло полное ручное прослушивание или профессиональный аудиоконтроль качества. В блоге используется встроенный нативный тег <audio>; платформа публикации должна разрешать сохранение этого тега, чтобы читатели могли воспроизводить аудио напрямую.

Соответствующие интерфейсы и документация