مهندسی عوامل صوتی در SUNO؛ جایگزینی تحلیل متغیرها با توصیفات شاعرانه

اگر هنوز برای تولید موسیقی در هوش مصنوعی از توصیفات شاعرانه و کلی استفاده می‌کنید، احتمالاً متوجه شده‌اید که خروجی‌ها بیشتر شبیه به یک قمار هستند تا یک طراحی آگاهانه. قدرت واقعی در این نیست که به مدل بگویید «یک حس خوب» ایجاد کند، بلکه در تجزیهٔ دقیق عناصر صوتی به متغیرهای قابل اندازه‌گیری است. در یک مطالعه موردی مفصل که در ۱۷ اوت ۲۰۲۶ منتشر شد، متدولوژی جدیدی برای SUNO معرفی شده است که نشان می‌دهد برخورد با سبک موسیقی به‌جای نثر، به عنوان «بسته‌ای از عوامل» (Bundle of Factors)، اجازه می‌دهد تا کنترل جراحی‌گونه‌ای روی رزونانس احساسی و جمعیت‌شناختی یک قطعه داشته باشیم. این پژوهش، بخش سوم از یک سه‌گانه است که پس از مجلدات «مبانی نظری» و «تئوری کاربردی»، اکنون به‌طور خاص بر روی «مطالعات موردی» تمرکز کرده است.

بسیاری از کاربران با مهندسی پرامپت (Prompt Engineering) — که شبیه هنر سؤال درست پرسیدن از یک مشاور باتجربه است — برخورد می‌کنند و امیدوارند مدل «حال و هوای» (Vibe) کلی را درک کند. اما این روش ناپایدار است. چارچوب TTM در مقابل، یک آهنگ را به متغیرهای مستقل تجزیه می‌کند: عصر، منطقه، سبک، BPM، سازبندی، صدا و صحنه. با این روش، سازنده می‌تواند تنها یک متغیر (مثلاً سال تولید) را تغییر دهد در حالی که منطق احساسی هسته اثر را دست‌نخورده باقی می‌گذارد. در این مدل، پرامپت دیگر آزمونی از استعداد نویسندگی نیست، بلکه مجموعه‌ای مستقیم از عوامل فنی است که معمولاً بین ۵۰ تا ۱۰۰ کلمه است. نکته کلیدی این است که نام هنرمندان به‌طور کامل حذف شده است؛ زیرا ذکر نام آن‌ها مدل را مجبور می‌کند صدای یک فرد خاص را تقلید کند، نه اینکه ساختار عوامل فنی را دنبال کند.

منطق بسته‌های متغیر

طبق گزارش وب‌سایت dev.to، هدف این پروژه خلق موسیقی برای زوجی ۳۰ ساله بود که در سال ۲۰۲۷ در بزرگراه ۴۰۱ از اتاوا به تورنتو رانندگی می‌کنند. چالش اصلی این بود که دو سبک متمایز ایجاد شود: یکی توسط راننده مرد (که کنترل AUX ماشین را در دست دارد) و دیگری توسط سرنشین زن.

برای رسیدن به این هدف، چارچوب مذکور یک «نقطه صفر» (S0) برای مقایسه تعریف می‌کند. در این مورد، S0 به عنوان جدیدترین اثر وکال کانادایی در لیست مرجع اکسل، یعنی «ترپ پاپ دهه ۲۰۱۰» تعریف شد. این سبک دارای ۱۴۰ BPM، بیس ۸۰۸، سینت‌های شیشه‌ای و صدای فردی در اوایل ۲۰ سالگی است. اگرچه این صداها هنوز در رادیوها شنیده می‌شوند، اما با متن ترانه مورد نظر کاملاً در تضاد بودند. با تعریف این سبک به عنوان S0 (جایی که F=0)، سیستم امتیازات کیفی را به سبک‌های دیگر اختصاص داد تا بهترین تطابق پیدا شود. این کار تضمین می‌کند که «مبدأ» اندازه‌گیری، یک نقطه شکست شناخته‌شده برای محتوای متنی خاص باشد.

تطبیق متن با محدودیت‌ها

پیش از انتخاب سبک، چارچوب مذکور متن ترانه را برای یافتن «الزامات عملکردی» تحلیل می‌کند. در این تحلیل، متن ترانه ثابت است و نمی‌توان آن را تغییر داد. تحلیل مذکور چندین محدودیت کلیدی را شناسایی کرد:

• ثروت شهری: جملاتی مثل «وقتی آسفالت می‌سوزد... پول مهم‌ترین چیز است» با سبک فریادزنانه و پرانرژی نوجوانان در تضاد است.
• فاصله مشاهده‌گر: عبارت «من آدم‌های واقعاً خوب و واقعاً روی اعصاب را دیده‌ام» نشان‌دهنده فاصله‌ای از دیگران است که با ترجیحات یک ترجیع‌بند (Chorus) کلوب شبانه همخوانی ندارد.
• حس فقدان: خط «فکر اینکه تو در این شهر نباشی» بیانگر دلتنگی‌ای است که نباید با فریاد اجرا شود.
• سازبندی: دستورات صحنه صراحتاً یک «سولوی soulful و کمی بدبینانه» با پیانو و ساکسفون را می‌طلبد. این موارد نباید حذف شوند.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت و ساختار مدل‌های مولد اشاره کردیم، دقت در تعریف ورودی‌ها، خروجی را از حالت تصادفی خارج می‌کند. این محدودیت‌ها باعث شد ژانرهای پرانرژی به‌طور خودکار رد شوند:

• EDM کلوب (بالای ۱۲۸ BPM) رد شد چون «فقدان» حسی نیست که بتوان آن را فریاد زد.
• Teen Pop (پاپ نوجوانان) کنار گذاشته شد زیرا با لحن بدبینانه «پول شهری» در تضاد بود.
• هایپرپاپ (S6) از میانگین‌ها حذف شد چون در تست سازبندی و محدودیت ۹ ساز شکست خورد.

نقشه‌برداری صوتی منطقه‌ای

این چارچوب برای پالایش صدا، یک «نقشه حساسیت» روی مراکز شهری کانادا اعمال می‌کند. وجه مشترک این شهرها «محدوده میانی آنالوگ» (Analog Mid-range) است:

• اتاوا: تعریف شده با جاز و فولک.
• تورنتو: مشخصه آن بیس‌های شبانه و صداهای خش‌دار است.
• مونترال: تعریف شده با محدوده میانی بالغ.
• ونکوور: مرتبط با صداهای فولک و قلب سرزمین (Heartland).

برای مخاطبان سال ۲۰۲۷، تحلیل‌ها پیش‌بینی می‌کنند که موج بازگشت به سال ۲۰۰۰ (Y2K) که در ۲۰۲۵ به اوج رسید، فروکش کند. همچنین پیش‌بینی می‌شود «آهنگ‌های بار» (Bar Songs) که در ۲۰۲۴-۲۵ صدر جدول‌ها را گرفتند، تا دو سال آینده به اشباع برسند. بنابراین، محدوده میانی آنالوگ مقاوم‌ترین انتخاب برای افراد ۳۰ ساله است. این سیستم به‌جای دنبال کردن کورکورانه ترندها، ابتدا توابع ضروری را اولویت می‌دهد و سپس انطباق سالانه را اعمال می‌کند. این مدل صراحتاً آهنگ‌های شماره یک جدول را نادیده می‌گیرد اگر متن ترانه آن‌ها را رد کند؛ در واقع در را به روی آن سبک‌ها می‌بندد.

انتخاب نهایی: S5 در برابر S7

پس از تست ۱۰ طرح مختلف (S0 تا S9)، دو برنده شناسایی شدند. طرح‌ها شامل موارد زیر بود:

• S0: ترپ پاپ دهه ۲۰۱۰ (نقطه صفر)
• S1: Alt-R&B تورنتو
• S2: ایندی فولک
• S3: آهنگ‌های بار کانتری
• S4: پاپ براق Y2K
• S5: Urban Soul (پیانو + ساکسفون)
• S6: هایپرپاپ (رد شده)
• S7: Folk-Soul صمیمی
• S8: Heartland
• S9: بالادهای پیانوی نرم

انتخاب بر اساس یک «قانون بافت» (Context Rule) بود: اگر تفاوت در تطابق (F) در محدوده ۰.۲۰ باشد اما تطابق بافت AUX بالای ۱.۰ باشد، نسخه تخصصی انتخاب می‌شود.

• مرد-محور (S5): سبک Urban Soul با پیانو و ساکسفون، ۱۰۰ BPM و صدای باریتون گرم و دودی یک مرد ۳۰ ساله. این گزینه امتیاز F=۲.۹۳ برای مردان و ۲.۸۷ برای زنان گرفت.
• زن-محور (S7): سبک Intimate Folk-Soul با پیانوی felt، ۹۴ BPM و صدای مِزو مخملی و خش‌دار یک زن ۳۰ ساله. اگرچه امتیاز F آن کمتر بود (۲.۲۷ برای مردان، ۲.۷۲ برای زنان)، اما تناسب آن با AUX ۱.۵ امتیاز بالاتر بود.

اگر این زوج مجبور بودند روی یک آهنگ واحد توافق کنند، سیستم S5 را پیشنهاد می‌دهد. هزینه این پایداری این است که شنونده زن ۰.۱۵ امتیاز از صمیمیت اثر را فدا می‌کند.

اعتبارسنجی در طول زمان

برای اثبات منطق، این چارچوب همان وزن‌ها را برای سال‌های ۲۰۲۳ و ۲۰۲۵ اجرا کرد و تنها عوامل انطباق سالانه را تغییر داد. نتایج نشان داد که منطق در تمام این سال‌ها ثابت می‌ماند.

• اجرای ۲۰۲۳: با وجود اینکه آهنگ "Flowers" شماره یک جدول بود، منطق سیستم همچنان S5 را برنده اعلام کرد و R&B تورنتو (S1) را به عنوان دومین انتخاب مرد قرار داد. پیشنهادهای EDM در این دوره برنده نشدند.
• اجرای ۲۰۲۵: با وجود تسلط آهنگ "A Bar Song" بر جدول‌ها برای دو سال متوالی، سیستم S3 و S4 را نادیده گرفت چون امتیاز تطبیق آن‌ها با متن ترانه (۱.۸ و ۲.۰) بسیار پایین بود.

این موضوع ثابت می‌کند که الزامات عملکردی باید بر ترندهای جاری اولویت داشته باشند. در نتیجه، پرامپت‌های تولید شده بسیار دقیق هستند. پرامپت S5 مرد (۸۹ کلمه) مواردی چون «گروو خشک با تمپوی متوسط»، «پیانوی الکتریک رودز»، «جملات پاسخ‌دهنده تنور ساکسفون» و «اتمسفر بزرگراه انتاریو در اواخر زمستان» را مشخص می‌کند. پرامپت S7 زن (۸۵ کلمه) مواردی چون «اوستیناتو پیانوی felt»، «درام کیت با برس» و «اتمسفر شیشه زمستانی ماشین» را تعیین می‌کند.

این رویکرد، جریان کاری موسیقی AI را از «حدس زدن» به «مهندسی» تغییر می‌دهد. با ثابت کردن متن ترانه به عنوان یک الزام عملکردی و استفاده از سیستم امتیازدهی کیفی، سازندگان می‌توانند تضمین کنند که موسیقی آن‌ها بدون توجه به جدول Top 40، دقیقاً به مخاطب هدف می‌رسد. نقشه حساسیت نشان می‌دهد در حالی که S5 بین ۹۴ تا ۱۰۴ BPM مقاوم است، تغییر ساکسفون به ترومپت بی‌صدا (Muted Trumpet) افت کمی ایجاد می‌کند، اما بالا بردن BPM به ۱۲۸، حذف ساکسفون یا بازگشت به صدای ۲۰ سالگی باعث فروپاشی کامل تطابق می‌شود. این یک طراحی تلورانس نیست، زیرا هیچ «هزینه‌ای» برای این تغییرات خاص در نظر گرفته نشده است.

گام بعدی شما

• در پرامپت‌های بعدی خود، به‌جای صفت‌های احساسی، روی متغیرهای سخت (BPM، سازبندی دقیق و محدوده سنی صدا) تمرکز کنید.
• یک «نقطه صفر» یا سبک شکست را برای پروژه‌های خود تعریف کنید تا بدانید چه چیزهایی را نباید در خروجی داشته باشید.
• نام هنرمندان را از پرامپت حذف کرده و به‌جای آن، ویژگی‌های صوتی صدای آن‌ها را توصیف کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.