آموزش ساخت موسیقی

پرامپت آهنگ با هوش مصنوعی؛ از اسکچ ۶۰ میزانی تا آزمون شنیداری

برای نوشتن پرامپت آهنگ با هوش مصنوعی، اول فرم را در ۶۰ میزان طراحی کنید، بعد نقش وکال و استم‌ها را مشخص کنید و خروجی را با یک آزمون شنیداری ۲۰ امتیازی بسنجید.

۱۲ مرداد ۱۴۰۵

نویسنده: تحریریه آمارد

یک پرامپت کوتاه مثل «پاپ احساسی با پیانو» شاید رنگ صوتی قابل‌قبولی بسازد، اما درباره مسیر آهنگ تصمیمی نمی‌گیرد: ورس کجا آرام بماند، کُر چگونه باز شود، درام چه زمانی وارد شود و وکال روی کدام واژه اوج بگیرد؟ تا ۳ اوت ۲۰۲۶، چند پژوهش تازه در تولید تمام‌آهنگ به پاسخ مشترکی رسیده‌اند: برنامه‌ریزی کلی و ساخت جزئیات باید از هم جدا شوند. مقاله‌ای که ۲۲ ژوئیه منتشر و ۲۹ ژوئیه بازبینی شد، تولید را به برنامه‌ریزی سلسله‌مراتبی و پرداخت صوتی تقسیم می‌کند؛ SketchSong نیز در ۲ ژوئن نشان داد اسکچ سطح آهنگ و مدل‌سازی جداگانه مسیرها می‌تواند انسجام تنظیم را بهتر کند. این‌ها پژوهش و پیش‌چاپ‌اند، نه تضمین نتیجه در هر ابزار؛ اما منطقشان برای نوشتن پرامپت موسیقی بسیار کاربردی است.

چرا یک جمله برای یک آهنگ کامل کافی نیست؟

تولید یک قطعه چنددقیقه‌ای دو مسئله متفاوت دارد. مسئله اول، حافظه ساختاری است: آهنگ باید بداند از مقدمه به ورس و کُر می‌رود و شدت آن در طول زمان تغییر می‌کند. مسئله دوم، جزئیات شنیداری است: جنس وکال، ضربه درام، حرکت باس و بافت سازها باید تمیز و هماهنگ باشند. وقتی همه این درخواست‌ها در یک جمله فشرده شوند، ممکن است مدل به صفت‌های رنگی واکنش نشان دهد اما فرم را رها کند؛ یا برعکس، فرم درست باشد و تنظیم تخت بماند.

پرامپت خوب فهرست صفت‌ها نیست؛ نقشه تصمیم‌هایی است که شنونده باید در طول زمان بشنود.

راه‌حل عملی این است که پرامپت آهنگ با هوش مصنوعی را در سه لایه بنویسیم: اسکچ زمانی، نقش مسیرهای صوتی و معیار انتخاب خروجی. لازم نیست ابزار دقیقاً همین معماری پژوهشی را داشته باشد؛ شما فقط مسئله را به ترتیب قابل‌فهم‌تری به آن تحویل می‌دهید.

لایه اول: شناسنامه‌ای که پیش از شعر نوشته می‌شود

پیش از نوشتن نام سازها، شش تصمیم را روی یک برگه ثبت کنید. هر تصمیم باید قابل شنیدن یا قابل اندازه‌گیری باشد؛ «زیبا» و «حرفه‌ای» به‌تنهایی دستور نیستند، اما «ورس کم‌تراکم و کُر پهن با همخوان» تغییر شنیداری مشخصی می‌سازد.

• کارکرد قطعه: دمو برای خواننده، موسیقی ویدئو، اجرای زنده یا انتشار مستقل.
• قوس احساسی: نقطه شروع، محل افزایش تنش و جایی که باید فرود بیاید.
• فرم: ترتیب Intro، Verse، Pre-Chorus، Chorus، Bridge و Outro با تعداد میزان.
• مختصات موسیقایی: تمپو، میزان‌نما، گام پیشنهادی و محدوده کلی صدا؛ فقط اگر واقعاً برایتان مهم است.
• هویت صوتی: یک ژانر اصلی، حداکثر دو بافت مکمل و نوع اجرای وکال.
• محدودیت‌ها: دو یا سه چیز مشخص که نباید شنیده شوند، نه یک فهرست بلند و متناقض.

مثال ۶۰ میزانی برای قطعه‌ای نزدیک به ۲ دقیقه و ۴۰ ثانیه

در تمپوی ۹۲ BPM و میزان‌نمای ۴/۴، هر میزان تقریباً ۲٫۶ ثانیه طول می‌کشد؛ پس ۶۰ میزان حدود ۲ دقیقه و ۳۷ ثانیه است و با مکث یا دنباله صوتی پایان، به محدوده ۲:۴۰ نزدیک می‌شود. این برآورد ساده جلوی درخواست مبهم «یک آهنگ متوسط» را می‌گیرد. یک نقشه نمونه می‌تواند چنین باشد:

• Intro: چهار میزان؛ پیانوی تنها و بدون درام.
• Verse 1: هشت میزان؛ وکال نزدیک، باس کم‌تحرک.
• Pre-Chorus: چهار میزان؛ افزایش تدریجی تنش و ورود پرکاشن.
• Chorus: هشت میزان؛ درام کامل، همخوان محدود و ملودی بازتر.
• Verse 2 + Pre-Chorus + Chorus: به‌ترتیب هشت، چهار و هشت میزان با یک تغییر کوچک در بافت.
• Bridge: چهار میزان؛ حذف Kick و باقی‌ماندن پد و وکال.
• Final Chorus: هشت میزان؛ بازگشت همه عناصر با اوج کنترل‌شده.
• Outro: چهار میزان؛ جمع‌شدن سازها و پایان روشن.

اکنون اسکچ را در یک بند فشرده کنید: «پاپ آلترناتیو فارسی، ۹۲ BPM، گام A minor و ۴/۴؛ ورس صمیمی و کم‌تراکم، پیش‌کُر رو به افزایش، کُر پهن اما نه شلوغ، بریج با حذف Kick و کُر پایانی پرتر. مدت هدف حدود ۲:۴۰ بر اساس نقشه ۶۰ میزانی.» این بند، ستون فقرات است؛ شعر و سازها در مرحله بعد روی آن می‌نشینند.

لایه دوم: چهار مسیر بنویسید، نه یک فهرست ساز

SketchSong چهار مسیر وکال، باس، درام و «سازهای دیگر» را جداگانه مدل می‌کند. برای کار روزمره لازم نیست وارد جزئیات مدل شوید؛ نکته مفید این است که به‌جای نوشتن «پیانو، گیتار، درام، باس»، وظیفه هر خانواده صوتی را تعریف کنید. نقش، زمان ورود و تغییر تراکم از نام ساز مهم‌تر است.

• وکال: در ورس نزدیک و کم‌تحریر؛ در کُر کشیده‌تر، با یک لایه همخوان در انتهای جمله‌ها.
• درام: Verse 1 بدون Kick کامل؛ در پیش‌کُر حرکت رو به بالا؛ در کُر الگوی کامل اما با فضای کافی برای کلمات.
• باس: نت‌های نگه‌داشته در ورس؛ حرکت بیشتر در گذار به کُر؛ سکوت کوتاه پیش از ضرب اول کُر نهایی.
• سازهای دیگر: پیانو برای هارمونی، گیتار با ضربه‌های کوتاه برای ریتم و پد فقط برای پهنا؛ همه نباید هم‌زمان نقش اصلی داشته باشند.

از فعل‌های زمانی استفاده کنید: «وارد شود»، «حذف شود»، «پهن‌تر شود»، «پاسخ وکال بدهد» و «در دو میزان آخر خلوت شود». چنین فعل‌هایی تنظیم استاتیک را به مسیر تبدیل می‌کنند. اگر ابزار شما استم جداگانه می‌دهد، بعد از انتخاب نسخه نیز بررسی کنید آیا هر لایه به‌تنهایی وظیفه‌ای روشن دارد یا فقط میکس را شلوغ کرده است.

لایه سوم: شعر را برای اجرا آماده کنید

متن ادبی لزوماً متن آماده آواز نیست. در ساخت آهنگ با هوش مصنوعی، مدل باید هم‌زمان واژه، کشش هجا و جای نفس را تفسیر کند. ابتدا فقط یک ورس و یک کُر را آزمایش کنید؛ اگر تلفظ یا ضرب جمله درست نیست، تولید تمام قطعه فقط همان ایراد را طولانی‌تر می‌کند.

1. برچسب بخش‌ها را روشن و ثابت نگه دارید؛ نام‌های مختلف برای یک بخش نسازید.
2. سطرهای هم‌جفت را با ضربان نزدیک بنویسید و با مترونوم بلند بخوانید؛ شمارش خشک هجا جای شنیدن را نمی‌گیرد.
3. ویرگول و نقطه را فقط در محل نفس یا پایان معنا بگذارید؛ نشانه‌گذاری زیاد می‌تواند اجرای بریده بسازد.
4. واژه دشوار را در یک نمونه کوتاه امتحان کنید و در صورت نیاز، شکل نوشتاری نزدیک‌تر به تلفظ خوانده‌شده را به‌کار ببرید.
5. به‌جای درخواست تقلید از خواننده مشخص، ویژگی اجرا را توصیف کنید: صدای گرم، تحریر کم، بیان نجواگونه یا کُر پرانرژی.

هر بار فقط یک متغیر را تغییر دهید

سه خروجی با یک شناسنامه یکسان بسازید و آن‌ها را A، B و C نام‌گذاری کنید. هنوز پرامپت را عوض نکنید؛ تفاوت این سه نسخه نشان می‌دهد چه مقدار از نتیجه حاصل تغییر طبیعی تولید است. بهترین پایه را انتخاب کنید، سپس در دور بعد فقط یک متغیر را تغییر دهید: مثلاً «کُر خلوت‌تر» یا «وکال کم‌تحریرتر». اگر هم‌زمان تمپو، سازها، فرم و شعر را عوض کنید، دیگر نمی‌دانید کدام تصمیم واقعاً مفید بوده است.

1. نسخه صفر: شناسنامه، شعر و تاریخ را ذخیره کنید.
2. دور اول: سه خروجی بدون تغییر متن بگیرید و یکی را به‌عنوان پایه انتخاب کنید.
3. دور دوم: ضعیف‌ترین معیار شنیداری را پیدا کنید و فقط همان بخش پرامپت را اصلاح کنید.
4. دور سوم: روی هدف نهایی گوش دهید؛ هدفون برای جزئیات، بلندگوی تلفن برای تعادل و وضوح وکال.

آزمون شنیداری ۲۰ امتیازی بسازید

چالش دانشگاهی ATTM که نتایج و مقاله‌های پذیرفته‌شده‌اش تا ۱۱ ژوئن ۲۰۲۶ منتشر شد، خروجی‌ها را فقط با یک عدد ارزیابی نکرد: معیارهای خودکار مانند FAD، CLAP و پوشش مفهوم در کنار آزمون شنیداری قرار گرفتند. شما برای انتخاب دمو به محاسبه این معیارهای پژوهشی نیاز ندارید، اما اصل چندمعیاره را می‌توانید قرض بگیرید. نام فایل‌ها را پنهان کنید و به هر نسخه در پنج محور از صفر تا چهار امتیاز بدهید.

• فرم و گذارها: آیا ورود کُر، بریج و پایان قابل‌تشخیص و طبیعی است؟
• وفاداری به پرامپت: آیا تمپو، قوس احساسی و نقش‌های خواسته‌شده شنیده می‌شوند؟
• موسیقایی‌بودن: آیا ریتم، هارمونی و ملودی در طول قطعه منسجم‌اند؟
• وکال و کلمات: آیا تلفظ، جای تأکید، نفس و نسبت وکال با سازها قابل‌قبول است؟
• کاربردپذیری صوتی: آیا اعوجاج، پرش ناخواسته، پایان ناقص یا لایه مزاحم وجود دارد؟

جمع امتیاز از ۲۰ برای رتبه‌بندی سریع مفید است، اما عدد کل را تنها معیار نکنید. دو نسخه ممکن است هر دو ۱۵ بگیرند؛ یکی به‌خاطر وکال خوب و فرم ضعیف، دیگری برعکس. برای اصلاح پرامپت، پایین‌ترین ردیف مهم‌تر از مجموع است. بهتر است یک شنونده دوم نیز بدون دیدن نام نسخه‌ها امتیاز بدهد تا شیفتگی سازنده به اولین خروجی کمتر شود.

چرخه آماده‌سازی و ارزیابی در ۲۵ دقیقه

زمان پردازش ابزار را جدا حساب کنید. برای خود تصمیم‌گیری، سه دقیقه هدف و قوس احساسی را بنویسید؛ پنج دقیقه نقشه میزان‌ها را بسازید؛ چهار دقیقه وظیفه چهار مسیر صوتی را تعیین کنید؛ سه دقیقه ورس و کُر را با مترونوم بخوانید؛ و ده دقیقه سه خروجی را کور و با برگه ۲۰ امتیازی مقایسه کنید. اگر بعد از این چرخه هنوز نمی‌توانید بگویید مشکل اصلی فرم است یا صدا، پرامپت احتمالاً بیش از حد کلی است.

عیب‌های رایج و اصلاح مستقیم آن‌ها

• صدای جذاب، فرم ضعیف: صفت‌های سبک را کمتر و ترتیب بخش‌ها، تعداد میزان و قوس تراکم را روشن‌تر کنید.
• همه بخش‌ها شبیه هم‌اند: برای هر بخش یک ورود، یک خروج یا یک تغییر نقش بنویسید؛ فقط «انرژی بیشتر» کافی نیست.
• کُر شلوغ است: یک عنصر میانی را حذف کنید، همخوان را به انتهای جمله محدود کنید و برای وکال فضای فرکانسی بخواهید.
• تلفظ فارسی ناپایدار است: سطر را کوتاه‌تر کنید، واژه دشوار را زودتر آزمایش کنید و تأکید جمله را با خواندن واقعی بسنجید.
• سبک مدام منحرف می‌شود: یک ژانر اصلی، دو بافت مکمل و دو محدودیت مشخص نگه دارید؛ ترکیب پنج ژانر معمولاً کنترل را بیشتر نمی‌کند.
• نسخه‌ها قابل مقایسه نیستند: متن پایه را قفل کنید، نام‌گذاری نسخه‌ای داشته باشید و در هر دور فقط یک تصمیم را عوض کنید.

هیچ پرامپت یا ابزار هوش مصنوعی نتیجه هنری یا تجاری را تضمین نمی‌کند. همچنین هر سامانه برچسب‌های فرم، تمپو و محدودیت‌ها را کمی متفاوت تفسیر می‌کند. این روش به‌جای وعده خروجی بی‌نقص، امکان تشخیص خطا را بالا می‌برد: می‌فهمید چه خواسته‌اید، چه شنیده‌اید و در دور بعد دقیقاً چه چیزی باید تغییر کند.

جمع‌بندی

برای کنترل بهتر یک آهنگ کامل، از کلمات تزئینی شروع نکنید؛ ابتدا زمان را طراحی کنید. اسکچ ۶۰ میزانی ستون فقرات را می‌سازد، شرح چهار مسیر به تنظیم جهت می‌دهد و آزمون ۲۰ امتیازی انتخاب را از حدس جدا می‌کند. سه نسخه ثابت بسازید، ضعیف‌ترین معیار را پیدا کنید و فقط یک متغیر را تغییر دهید. همین انضباط ساده، پرامپت را به یک سند تولید قابل بازبینی تبدیل می‌کند.