Udio — это нейросеть, которая превращает текстовое описание стиля или несколько строк лирики в готовую песню с вокалом и инструментами за пару минут. Что такое Udio и как он работает на уровне механики — вопрос, с которым сталкивается почти каждый, кто открывает сервис впервые. Из промпта нейросеть собирает черновик на 32 секунды, а дальше его можно достроить до полноценного трека длиной две минуты десять секунд через инструменты Extend, Remix и Inpaint.

Разработчики открыли Udio широкой публике в 2024 году, и с тех пор список инструментов вырос: Extend, Remix, Inpaint, загрузка референсов, разные голоса. Модель читает промпт, определяет жанр и настроение, строит мелодию и аранжировку, а затем накладывает вокальную партию и делает финальное сведение. Из-за этого сервис одинаково интересен и авторам роликов на YouTube, которым нужен саундтрек без лицензионных рисков, и музыкантам, которые ищут быстрый способ обкатать идею. Если карта у тебя российская, напрямую Udio через неё не оплатить — платёжные системы блокируют такие переводы для зарубежных SaaS. Тут выручает SUB.SUP: пишешь в Telegram или ВКонтакте, там подскажут и помогут оформить оплату.

Как Udio из текстового промпта собирает готовую песню

В основе — большая аудиомодель, обученная превращать текст в звук: она одновременно держит в голове мелодию, ритм, инструментовку и произношение слов. Ты пишешь промпт — например, «меланхоличный синти-поп про летний город ночью», — или собираешь описание стиля из готовой библиотеки жанровых тегов в интерфейсе, если формулировать с нуля не хочется. Промпты и текст песни можно писать на разных языках, включая русский, — вокал в этом случае звучит на том же языке, что и лирика. Дальше выбираешь один из трёх вариантов лирики: сгенерировать её автоматически по смыслу промпта, вставить свой текст построчно или сделать чистый инструментал без вокала. Нейросеть интерпретирует настроение и жанр, строит мелодическую линию, подбирает аранжировку и накладывает вокальную партию, которая совпадает по ритму и произношению с текстом. Финальный шаг — автоматическое сведение: громкость, панорама и баланс между вокалом и инструментами выравниваются без участия человека. На выходе — два клипа по 32 секунды, и с этого черновика начинается вся дальнейшая работа над треком.