يحوّل توليد الموسيقى بالذكاء الاصطناعي الأوصاف النصية البسيطة إلى أغانٍ كاملة تضم غناءً وآلات موسيقية وبنية موسيقية. يشرح هذا المقال البنى العصبية وأساليب التدريب والنماذج الحقيقية وراء هذه التقنية، ويوضح ما يحدث بالضبط عندما تكتب أمرًا نصيًا وتضغط على توليد.
عندما تكتب "ثلاثي جاز حيوي على البيانو مع طبول بفرشاة، 120 BPM" وتضغط على توليد، تظهر أغنية جاهزة خلال ثوانٍ. لا وقت استوديو. لا عازفون محترفون. لا حاجة لنظرية موسيقية. هذا ليس سحرًا. إنه مجموعة معقّدة من بنى تعلّم الآلة تعمل على أمرك النصي، توكنًا تلو الآخر.
هكذا يعمل توليد الموسيقى بالذكاء الاصطناعي فعليًا.
يبدأ كل نموذج موسيقي بالذكاء الاصطناعي من البيانات. مجموعات بيانات ضخمة من التسجيلات الصوتية وملفات MIDI والنوتات الموسيقية والبيانات الوصفية التي تغطي الأنواع والإيقاعات والمزاج والآلات الموسيقية. فنموذج Google Lyria 3 وLyria 3 Pro الشقيق، على سبيل المثال، دُرّبا على مكتبات واسعة تغطي الكلاسيكية والإلكترونية والجاز والبوب وغيرها.
أثناء التدريب، يُعرض النموذج على أزواج: عينة صوتية مع وصف نصي لما تحتويه تلك العينة. يستوعب النموذج الأنماط الإحصائية التي تربط اللغة بالصوت، لا بحفظ أغانٍ بعينها، بل باستيعاب العلاقة بين المفاهيم والبنى الصوتية. يرتبط تصاعد وترٍ أوركسترالي واسع بكلمات مثل "سينمائي" أو "عاطفي" أو "أوركسترالي". ويرتبط نمط الركلة الرباعية المنتظمة (four-on-the-floor) على طبلة الركلة بكلمات مثل "هاوس" أو "رقص" أو "نادي". وعبر مئات الملايين من الأمثلة، تصبح هذه الارتباطات دقيقة بما يكفي لتوليدها عند الطلب.
💡 التدريب لا يعلّم الذكاء الاصطناعي أغانٍ بعينها. بل يعلّمه العلاقة بين المفاهيم والبنى الصوتية.
يعالج النموذج الصوت في شكل رياضي مضغوط. فبدلًا من العمل مع الموجات الصوتية الخام (وهي ضخمة ومكلفة حسابيًا)، تحوّل معظم مولدات الموسيقى الحديثة بالذكاء الاصطناعي الصوت إلى تمثيل كامن: ترميز عددي مضغوط يلتقط الخصائص الصوتية الأساسية للإشارة الأصلية.
تعمل حلقة التدريب على النحو التالي:
هذا هو جوهر توليد الصوت القائم على الانتشار، وهو ما يشغّل معظم أفضل أدوات الموسيقى بالذكاء الاصطناعي المتاحة اليوم.
تعمل نماذج الانتشار عبر إزالة الضوضاء. فهي تُدرَّب على مهمة مباشرة: إعطاؤها نسخة مشوّشة من إشارة موسيقية، والتنبؤ بالنسخة الأقل تشويشًا قليلًا. وبتكرار هذه العملية عددًا كافيًا من المرات، يمكن الانتقال من ضوضاء خالصة إلى مقطع موسيقي متماسك.
ما يجعل الانتشار قويًا في الموسيقى هو قدرته على إنتاج صوت متصل وعالي الدقة بدلًا من المخرجات الرمزية. تستخدم نماذج مثل Stable Audio 2.5 من Stability AI انتشارًا كامنًا، أي أنها تعمل في الفضاء الصوتي المضغوط بدلًا من فضاء الموجة الخام. وهذا يجعل التوليد أسرع بشكل كبير دون التضحية بالجودة. والنتيجة نظام قادر على إنتاج دقيقة كاملة من الموسيقى في بضع ثوانٍ من الحوسبة.
أحدثت المحوّلات ثورة في النماذج اللغوية، وتعيد البنية نفسها تشكيل الذكاء الاصطناعي الموسيقي. يعالج المحوّل تسلسلات. وفي اللغة، تكون هذه التسلسلات كلمات. أما في الموسيقى، فيمكن أن تكون توكنات صوتية أو أحداث MIDI أو سمات طيفية.
يستخدم MiniMax Music 2.6 وMiniMax Music 2.5 بنى قائمة على المحوّلات لتوليد أغانٍ كاملة ذات بنية متماسكة، تشمل ترتيبات المقطع والكورس والغناء بكلمات. تتيح آلية الانتباه الذاتي في المحوّل للنموذج الحفاظ على السياق الموسيقي عبر المقطوعة كاملة، فيضمن أن الجسر يتصل منطقيًا بالمقدمة، وأن القوس العاطفي للأغنية يتماسك من البداية حتى النهاية.
المشفّر التلقائي المتغيّر (VAE) هو محرك الضغط الكامن في معظم نماذج توليد الصوت الحديثة. مهمته أخذ الصوت المعقّد عالي الأبعاد وضغطه في فضاء كامن أصغر بكثير يحتفظ بأكثر المعلومات أهمية.
وجانب فك الترميز في المشفّر التلقائي المتغيّر بالأهمية نفسها: فهو يأخذ متجهات الكمون المضغوطة ويعيد بناءها إلى صوت كامل. ويحدد جودة هذه الإعادة مدى نظافة الناتج النهائي وواقعيته. فالمفكك الضعيف ينتج صوتًا مشوّشًا كثير التشوهات. أما المفكك القوي، مثل ما يوجد في Google Lyria 3 Pro، فينتج صوتًا يصمد أمام التدقيق الاحترافي.
يمرّ أمرك النصي عبر مشفّر نصي، وهو عادةً نسخة من نموذج لغوي كبير أو مشفّر على نمط CLIP، مدرَّب على محاذاة تمثيلات النص والصوت. يحوّل هذا المشفّر كلماتك إلى تمثيل عددي يقع في الفضاء الرياضي نفسه الذي تقع فيه الترميزات الصوتية المبنية أثناء التدريب.
كلما اقترب تمثيل أمرك من التمثيلات الصوتية في توزيع التدريب، استطاع النموذج توليد ما وصفته بثقة أكبر. ولهذا تتفوق الأوامر المحددة والوصفية باستمرار على الأوامر الغامضة. فالنموذج لا يخمّن ما تريده، بل يتنقل داخل فضاء رياضي تعلّمه، وكلماتك هي إحداثياته.
💡 أوامر تعمل جيدًا: "عزف هادئ على غيتار أكوستيك بأصابع، مع أصوات نسائية ناعمة، 80 BPM، أجواء إندي فولك." أوامر تعطي نتائج ضعيفة: "موسيقى جميلة".
يفكك مشفّر النص أمرك إلى إشارات دلالية عبر عدة أبعاد:
| عنصر الأمر | ما يفكّه النموذج |
|---|---|
| النوع (جاز، EDM، كلاسيكي) | اللغة الهارمونية، وأنماط الإيقاع، والآلات النموذجية |
| الإيقاع (BPM) | كثافة الإيقاع، وتوزيعات مدد النوتات |
| المزاج (حزين، مبتهج) | تسلسلات الكوردات، والديناميكيات، والكفاف اللحني |
| الآلات الموسيقية (بيانو، أوتار) | خصائص الطابع الصوتي، وملامح الترددات |
| البنية (مع غناء، كورس) | منطق الترتيب، ونطاقات اللحن الغنائي |
يتفوق ElevenLabs Music في اتباع الأوامر المعقدة متعددة العناصر، إذ يدمج هذه الإشارات في مقطوعات تبدو مقصودة لا عشوائية. ويجعل قوته في التعبير الغنائي منه خيارًا فعالًا بشكل خاص حين يكون المزاج والنبرة العاطفية محوريين في المطلوب.
قد ينتج أمران يستخدمان النموذج نفسه نتيجتين مختلفتين لثلاثة أسباب رئيسية:
وتكرار تشغيل الأمر نفسه عدة مرات بقيم بذرة مختلفة ممارسة شائعة. فالأمر الذي يعطي نتيجة ضعيفة في المحاولة الأولى كثيرًا ما يعطي نتيجة ممتازة في الثالثة.
يمتد الجيل الحالي من نماذج الموسيقى بالذكاء الاصطناعي عبر طيف واسع من القدرات. إليك مقارنة لأفضل النماذج المتاحة:
| النموذج | الأفضل لـ | الغناء | مدة المخرجات |
|---|---|---|---|
| Google Lyria 3 Pro | مقطوعات تجارية كاملة الطول | نعم | أغانٍ كاملة |
| Google Lyria 3 | التأليف الأصلي | نعم | أغانٍ كاملة |
| MiniMax Music 2.6 | أغانٍ بكلمات مخصصة | نعم | أغانٍ كاملة |
| MiniMax Music 2.5 | مقطوعات يتقدم فيها الغناء | نعم | أغانٍ كاملة |
| ElevenLabs Music | التأليف المدفوع بالأوامر | اختياري | متغيرة |
| Stable Audio 2.5 | المشاهد الصوتية الآلية | لا | حتى 3 دقائق |
| MiniMax Music 01 | سير عمل من الكلمات إلى الأغنية | نعم | أغانٍ كاملة |
| MiniMax Music 1.5 | مقطوعات كاملة بتكلفة معقولة | نعم | أغانٍ كاملة |
| MiniMax Music Cover | إعادة تقديم أغانٍ موجودة بأنواع أخرى | نعم | أغانٍ كاملة |
| Google Lyria 2 | إنشاء موسيقى آلية | اختياري | أغانٍ كاملة |
يمثل Lyria 3 وLyria 3 Pro من Google أحدث ما توصّل إليه توليد الأغاني الكاملة بالذكاء الاصطناعي. يضيف الإصدار Pro تماسكًا أقوى في الغناء ونوافذ مخرجات أطول، ما يجعله مثاليًا لإنتاج الموسيقى التجارية ومحتوى YouTube والمشاريع التي تتطلب مخرجات بجودة احترافية.
ما يميّز Lyria 3 عن النماذج السابقة قدرته على الحفاظ على التماسك البنيوي عبر أغنية كاملة. فالمقاطع والكورسات والجسور والخواتيم تتصل بطبيعية بدلًا من أن تبدو كمقاطع منفصلة جرى دمجها. ويظهر إحساس الأغنية وهي تتصاعد ثم تصل إلى حلها بطريقة لم تكن النماذج السابقة قادرة على إنتاجها بثبات.
يتميز MiniMax Music 2.6 بقوة خاصة في توليد الأغاني بكلمات مخصصة. تزوده بمجموعة من الكلمات وتصف الأسلوب، فيُنتج مقطوعة كاملة بلحن غنائي وتوزيع موسيقي متطابقين. وبالنسبة لصنّاع المحتوى الذين يحتاجون إلى أغانٍ أصلية برسائل محددة، يبدو هذا السير عمل عمليًا إلى حد كبير.
وكان MiniMax Music 01 السابق قد أرسى أولًا مسار الانتقال من الكلمات إلى الأغنية. وكل إصدار لاحق حسّن الطبيعية الغنائية والتماسك اللحني. ويقع MiniMax Music 1.5 في منتصف هذه السلسلة كخيار مقتصد لتوليد الكميات الكبيرة.
ينتمي ElevenLabs Music إلى شركة بنت سمعتها على تركيب الصوت فائق الواقعية. ويرث نموذجها الموسيقي هذا الحمض الوراثي، فيتفوق في المقطوعات ذات الغناء الطبيعي والمعبّر. وواجهة الأوامر بسيطة وتستجيب جيدًا للأوصاف العاطفية مثل "حلو مرّ" و"منتصر" أو "شوق". وإذا كانت أصالة الصوت أولوية لديك، فهذا هو النموذج الذي يستحق التجربة أولًا.
يمثل Stable Audio 2.5 الخيار الأقوى للموسيقى الآلية والمشاهد الصوتية. يستخدمه ملحنو الأفلام ومصمّمو الصوت للألعاب ومنتجو البودكاست لتوليد الموسيقى الخلفية والنسيج الصوتي المحيط والموسيقى السينمائية المصاحبة، دون التعقيدات القانونية المرتبطة بالمقطوعات الموجودة مسبقًا. ومخرجاته تتكرر بسلاسة وتتناسب جيدًا مع الكلام أو الحوار.
تستضيف PicassoIA كل النماذج المذكورة أعلاه في مكان واحد، بواجهة موحدة تجعل التنقل بينها سريعًا. إليك سير العمل الدقيق لتوليد أول مقطوعة لك بالذكاء الاصطناعي.
اختر بحسب هدفك:
العامل الأكبر تأثيرًا في جودة المخرجات هو أمرك. بنِه بهذه العناصر:
النوع + الإيقاع/BPM + المزاج + الآلات الموسيقية + أسلوب الغناء + تفاصيل إضافية
أمثلة على أوامر تعطي نتائج قوية:
كلما حددت عناصر أكثر، قلّ ما يحتاج النموذج إلى استنتاجه. والاستنتاج هو المكان الذي تتسلل فيه التغييرات. فالتحديد هو التحكم.
تتيح معظم النماذج على PicassoIA ضوابط إضافية:
بعد التوليد، حمّل ملف الصوت مباشرة. ويمكن استخدام الموسيقى المولّدة بالذكاء الاصطناعي من PicassoIA في:
💡 تحقق دائمًا من شروط ترخيص النموذج المحدد للاستخدام التجاري. معظم النماذج على PicassoIA تدعم التطبيقات التجارية.
تجاوز توليد الموسيقى بالذكاء الاصطناعي عدة عتبات جودة مهمة خلال العامين الماضيين:
بالنسبة لصنّاع المحتوى، والاستوديوهات الصغيرة للألعاب، وصنّاع الأفلام المستقلين، تغيّر هذه المزايا طريقة إنجاز المشاريع. وقد بلغ ElevenLabs Music وGoogle Lyria 3 على وجه الخصوص مستوى جودة يصمد في الإنتاجات الفعلية. وقد ولّت إلى حد كبير أيام كانت فيها موسيقى الذكاء الاصطناعي تبدو اصطناعية بوضوح.
التقنية مثيرة للإعجاب لكنها ليست بلا حدود:
| القيد | الواقع الحالي |
|---|---|
| التماسك في الأعمال الطويلة | الأغاني التي تتجاوز 3-4 دقائق قد تنحرف بنيويًا |
| التحكم الدقيق في طبقة الصوت | طلب سلّم موسيقي محدد غير موثوق |
| دقة كلمات الغناء | مطابقة الكلمات المعقدة مع اللحن لا تزال غير كاملة |
| محاكاة أسلوب الفنان | لا تستطيع النماذج محاكاة صوت فنان بعينه بموثوقية |
| إحساس الآلة الحية | يحمل الموسيقيون الحقيقيون توقيتًا دقيقًا وتعبيرًا لا يملكهما الذكاء الاصطناعي بعد |
تضيق هذه الفجوات مع كل إصدار جديد من النماذج. فقد كان Google Lyria 2 خطوة إلى الأمام مقارنةً بسابقه، ثم قلّص Lyria 3 الفجوة أكثر. وتواصل المسافة بين الموسيقى المولّدة بالذكاء الاصطناعي والموسيقى المنتجة بشريًا الانكماش في السياقات التجارية.
هذه هي أكبر قاعدة مستخدمين حاليًا. يحتاج صانعو YouTube إلى موسيقى أصلية لا تُفعّل مطالبات حقوق النشر. ويحتاج البودكاستر إلى مقطوعات تقديم تبدو احترافية دون دفع رسوم ترخيص. ويتلاشى كلا التحديين مع توليد الموسيقى بالذكاء الاصطناعي.
باستخدام MiniMax Music 2.6، يمكن لصانع المحتوى توليد جينغل مقدمة مخصص يتناسب مع النبرة الدقيقة لعلامته التجارية، مع كلمات إن لزم الأمر. وباستخدام Stable Audio 2.5، يمكنه إنتاج موسيقى خلفية متكررة تتناسب مع مزاج كل جزء من الحلقة: هادئة ومتأملة للمقابلات، ومبهجة للإعلانات.
تحتاج الألعاب المستقلة إلى ساعات من الموسيقى الأصلية، لكنها نادرًا ما تملك ميزانية لملحنين حيين. يتيح التوليد بالذكاء الاصطناعي لمطوّر منفرد إنتاج موسيقى تصويرية كاملة للعبة عبر أجواء متعددة: توتر القتال، واستكشاف العالم المفتوح، وأجواء القوائم، وشدة معركة الزعيم، واحتفال النصر.
يُعدّ Google Lyria 2 وStable Audio 2.5 خيارين قويين هنا، إذ يقدمان توليدًا آليًا بمدى لوني جيد ومخرجات مناسبة للتكرار تتناسب بنظافة مع مزيج اللعبة دون أن تطغى على تصميم الصوت.
يستخدم مخرجو الأفلام القصيرة ومحررو الفيديو الموسيقى بالذكاء الاصطناعي كموسيقى مؤقتة لمشاريعهم، دون متاعب التراخيص المرتبطة بموسيقى المكتبات. وكثيرًا ما تنتهي المقطوعة المؤقتة المولّدة بالذكاء الاصطناعي في النسخة النهائية، لأنها تناسب المشهد إلى حد يجعل استبدالها أكثر كلفة من الإبقاء عليها.
يفيد Google Lyria 3 Pro بشكل خاص هنا. فقدرته على توليد مقطوعات كاملة الطول محددة عاطفيًا تناسب مرحلة ما بعد الإنتاج، حيث يحتاج المحرر إلى موسيقى تتطابق مع طول مشهد معين وتحمل قوسًا عاطفيًا محددًا من أول إطار حتى المونتاج.
لم يكن الفاصل بين أن تملك فكرة وأن تسمعها أغنية كاملة أدنى مما هو عليه اليوم في أي وقت مضى. سواء احتجت إلى جينغل بودكاست مدته 30 ثانية، أو حلقة محيطة مدتها 3 دقائق للعبتك، أو أغنية بوب كاملة بكلمات مخصصة لحملة على وسائل التواصل، فإن النماذج على PicassoIA تمنحك وصولًا مباشرًا إلى أفضل تقنية متاحة الآن لتوليد الموسيقى بالذكاء الاصطناعي.
ابدأ بنموذج MiniMax Music 2.6 إن أردت غناءً وكلمات. واختر Stable Audio 2.5 للمقطوعات الآلية النظيفة. وإن أردت النموذج الأكثر قدرة لأغانٍ كاملة بجودة تجارية، فابدأ من Google Lyria 3 Pro.
اكتب أمرًا. اضغط على توليد. النموذج يتولى الباقي.
اختر لغتك
