تصور کنید یک روایت کوتاه درباره‌ی عزیزترین فرد زندگی‌تان، در عرض چند دقیقه به یک قطعه موسیقی با کیفیت استودیویی تبدیل شود. طبق گزارشی که در ۳ سپتامبر ۲۰۲۶ منتشر شد، پلتفرم Magical Song ساخته‌ی شرکت Inithouse با حذف مرحله‌ی سنتی ترانه‌سرایی، خاطرات شخصی را مستقیماً به آهنگ‌هایی با صدای واقعی تبدیل می‌کند.
بیشتر ابزارهای موسیقی مبتنی بر هوش مصنوعی زاینده (Generative AI) — شبیه به یک آشپز که فقط از دستورپخت‌های آماده و تکراری استفاده می‌کند — قطعاتی کلی و یک‌بارمصرف تولید می‌کنند چون بر احساسات مبهم تکیه دارند. Inithouse برای حل این مشکل، مدل خود را مجبور می‌کند تا هر بیت را به جزئیات عینی گره بزند؛ مثلاً یک خاطره مشترک خاص یا یک شوخی درونی که باعث می‌شود خروجی برای شنونده کاملاً اصیل به نظر برسد.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی شخصی‌سازی مدل‌های مولد اشاره کردیم، کلید عبور از «حس مصنوعی» در تولید محتوا، استفاده از داده‌های زمینه‌ای (Grounding) است.
زمینه و ورودی‌ها
برای شروع، کاربر به‌جای نوشتن شعر یا ملودی، یک داستان کوتاه ارائه می‌دهد. سیستم برای شروع کار به یک ورودی حداقلی شامل ۳ تا ۴ جمله نیاز دارد. هرچه جزئیات ارائه شده عینی‌تر و ملموس‌تر باشد، آهنگ بیشتر شبیه به اثری به نظر می‌رسد که توسط کسی که واقعاً طرف مقابل را می‌شناسد، نوشته شده است.
از کاربران خواسته می‌شود تا موارد زیر را با دقت مشخص کنند:
- مخاطب آهنگ (نام شخص و نوع رابطه با او).
- مناسبت مورد نظر، مانند عروسی، سالگرد، تولد، مراسم یادبود یا حتی آهنگ‌هایی که «بدون دلیل خاص» و فقط برای ابراز علاقه ساخته می‌شوند.
- جزئیات خاص درباره آن شخص، شامل عادات رفتاری، خاطرات مشترک و شوخی‌های درونی که فقط بین آن دو نفر معنا دارد.
به گزارش وب‌سایت dev.to، این سامانه از یک خط لوله (Pipeline) سه مرحله‌ای متوالی استفاده می‌کند:
سازوکار تولید آهنگ
۱. موتور ترانه: سیستم داستان را به عناصر ساختاریافته تجزیه می‌کند: نام مخاطب، نوع مناسبت، لحن عاطفی و جزئیات خاص (مثلاً «ملاقات در ایستگاه اتوبوس در سال ۲۰۱۴» یا «همیشه نان تست را می‌سوزاند»). سپس ساختاری شامل ورس (Verse)، کورس (Chorus)، ورس دوم، بریج (Bridge) و کورس نهایی می‌سازد که در آن هر خط از ترانه باید به حداقل یک جزئیات عینی از ورودی ارجاع دهد.
۲. انتخاب سبک: کاربران از میان بیش از ۲۰ ژانر موسیقی انتخاب می‌کنند. این لیست شامل پاپ، جاز، هیپ‌هاپ، کلاسیک، راک، R&B، کانتری، فولک، رگی و الکترونیک است. این انتخاب مستقیماً سازبندی، تمپو و استایل خواننده را تعیین می‌کند. برای مثال، مادربزرگی که عاشق جاز است، قطعه‌ای کاملاً متفاوت از یک برادرزاده نوجوان دریافت می‌کند که به هیپ‌هاپ علاقه دارد.
۳. میکس وکال: برخلاف مدل‌های استاندارد تبدیل متن به گفتار (TTS) — که شبیه به صدای ربات‌های قدیمی است — صداهای این پلتفرم روی ضبط‌های استودیویی واقعی آموزش دیده‌اند. خروجی نهایی یک قطعه مستر شده بین ۶۰ تا ۹۰ ثانیه است. این بازه زمانی به‌گونه‌ای طراحی شده تا اثر احساسی کامل باشد اما باعث خستگی شنونده نشود. این رویکرد در تضاد با ابزارهای تحلیلی است که به‌جای خلق، بر تفکیک اجزا تمرکز دارند؛ مشابه آنچه در بررسی قابلیت‌های AudioCraft برای تحلیل موسیقی و جداسازی استم‌ها مشاهده کردیم.
برای رفع «مشکل اعتماد» — جایی که کاربران برای خرید موسیقی‌ای که هنوز نشنیده‌اند تردید می‌کنند — Inithouse یک سیستم پیش‌نمایش رایگان (Preview Wizard) را پیاده کرده است. این فرآیند از چهار گام تشکیل شده است:
- نوشتن داستان (حداقل ۳ تا ۴ جمله).
- انتخاب یک ژانر از میان بیش از ۲۰ گزینه.
- گوش دادن به آهنگ تولید شده از طریق پیش‌نمایش رایگان.
- دانلود نسخه کامل در صورت تمایل کاربر.
از زمان عرضه، این پلتفرم بیش از ۱۲۰۰ آهنگ تولید کرده و امتیاز ۴.۹ از ۵ را از کاربران کسب کرده است. اگرچه حدود ۴۰٪ از موارد استفاده مربوط به جشن تولد است، اما تیم سازنده به روند غافلگیرکننده‌ای در آهنگ‌های یادبود اشاره کرده‌اند؛ جایی که کاربران خاطرات عزیزان از دست رفته‌شان را به موسیقی تبدیل می‌کنند تا یاد آن‌ها را زنده نگه دارند. سایر کاربردهای رایج شامل آهنگ‌های خداحافظی برای بازنشستگی، درخواست‌های ازدواج و آهنگ‌های طنز (Roast) برای دوستان است.
برای یک کاربر معمولی، این ابزار موسیقی هوش مصنوعی را از یک سرگرمی ساده به یک ابزار کاربردی برای هدیه دادن تبدیل می‌کند. با محدود کردن طول آهنگ به زیر ۹۰ ثانیه، محصول از «خستگی شنونده» جلوگیری کرده و به‌طور طبیعی در پیام‌های دیجیتال، محیط‌های مهمانی یا به عنوان پیوستی برای یک کارت تبریک جای می‌گیرد.
این رویکرد ثابت می‌کند که «جزئیات»، اصلی‌ترین اهرم برای ایجاد رزونانس عاطفی در هوش مصنوعی زاینده است. وقتی مدل به اتفاقی بسیار خاص — مثل رانندگی سه ساعته در یک کولاک شدید برای آوردن سوپ — اشاره می‌کند، پیوندی روان‌شناختی ایجاد می‌کند که اشعار کلی و تکراری «تولدت مبارک» هرگز نمی‌توانند ایجاد کنند.
در حال حاضر کاربران می‌توانند بدون نیاز به ساخت حساب کاربری، مستقیماً در مرورگر خود به Magical Song دسترسی داشته باشند تا سیستم پیش‌نمایش را تست کنند.
گام بعدی شما
- اگر به دنبال یک هدیه دیجیتال متفاوت هستید، سیستم پیش‌نمایش رایگان Magical Song را در مرورگر خود تست کنید.
- هنگام نوشتن داستان، به‌جای صفت‌ها (مثلاً «او مهربان است»)، از افعال و اتفاقات عینی (مثلاً «همیشه برایم قهوه می‌آورد») استفاده کنید.
- بررسی کنید که کدام ژانر موسیقی با شخصیت مخاطب شما سازگاری بیشتری دارد تا اثرگذاری عاطفی را دوچندان کنید.
اما تأثیر این مدل بر صنعت تولید موسیقی تجاری و جایگزینی ترانه‌سرایان انسانی، بحثی پیچیده‌تر است که در گزارش‌های آینده بررسی خواهیم کرد.
گفتگو