آموزش گام‌به‌گام ساخت آهنگ با هوش مصنوعی

امروزه هوش مصنوعی وارد استودیوهای موسیقی شده و فاصله‌ی میان یک ایده خام تا یک ترک باکیفیت استودیویی را به چند دقیقه کاهش داده است. در این میان، گوگل جمینای (Google Gemini) نه فقط یک چت‌بات ساده برای نگارش متن، بلکه یک دستیار فوق‌هوشمند آهنگسازی و تولید صدا است. چه یک تهیه‌کننده حرفه‌ای باشید که به دنبال ایده‌پردازی برای پیشرفت آکوردهاست، و چه یک تولیدکننده محتوا که می‌خواهد برای ویدیوهای خود موزیک اختصاصی خلق کند، جمینای ابزاری قدرتمند برای دگرگونی جریان کاری شما به شمار می‌رود.

۱. گوگل جمینای چگونه آهنگ می‌سازد؟ (مغز متفکر شناختی و سنتز صوت)

فناوری هوش مصنوعی گوگل جمینای در زنجیره ارزش تولید موسیقی در دو سطح کاملاً متمایز و هماهنگ عمل می‌کند:

سطح اول: مغز متفکر محاسباتی و نمادین (Symbolic & Structural Intelligence)

در این بخش، جمینای محاسبات تئوری موسیقی، چیدمان فرمال قطعه، رعایت وزن و عروض هجایی ترانه، گزینش فواصل هارمونیک و مهندسی پرامپت‌های فوق‌پیشرفته را هدایت می‌کند. در این نقش، جمینای ساختار دستوری دقیقی برای ابزارهایی نظیر Suno و Udio فراهم کرده یا با نوشتن اسکریپت‌های پایتون، فایل استاندارد MIDI را تحویل می‌دهد تا روی سازهای مجازی (VST) در محیط نرم‌افزارهای آهنگسازی اجرا شود.

سطح دوم: سنتز صوتی چندوجهی با موتور لیریا (DeepMind Lyria 3 & 3.5)

جمینای با ادغام مستقیم با زیرساخت هوش مصنوعی صوتی گوگل لیریا (Lyria 3 و Lyria 3.5)، متن‌های تشریحی، تصاویر یا کلیپ‌های ویدیویی شما را بدون واسطه به امواج صوتی واقعی و باکیفیت تبدیل می‌نماید. ویژگی‌های بارز این زیرساخت عبارتند از:

• وضوح صوتی استودیویی: ساخت قطعات استریو با کیفیت ۴۴.۱ تا ۴۸ کیلوهرتز.

• انعطاف در دیرند قطعه: توانایی تولید لوپ‌ها و قطعات ۳۰ ثانیه‌ای تا آثار کامل و پیوسته ۳ دقیقه‌ای همراه با آواز و سازبندی.

• ردیابی با SynthID: تمام فایل‌های تولیدی دارای واترمارک دیجیتال و نامحسوس SynthID هستند که هویت اثر را در لایه‌های صوتی بدون افت کیفیت کدگذاری می‌کند.

۲. اکوسیستم ابزارهای مکمل آهنگسازی با هوش مصنوعی

برای دستیابی به استانداردهای تجاری و رادیویی، استفاده از یک پلتفرم به‌تنهایی کافی نیست. جدول زیر نشان می‌دهد که چطور جمینای در کانون این جریان کاری قرار گرفته و وظایف را میان ابزارهای تخصصی تقسیم می‌کند:

۳. راهنمای گام‌به‌گام تولید آهنگ با هوش مصنوعی جمینای

رسیدن به یک قطعه شنیدنی و استاندارد با جمینای نیازمند یک رویکرد قدم‌به‌قدم از مفاهیم تئوری تا ویرایش‌های نهایی صداست.

گام اول: طراحی کانسپت، تمپو و هارمونی (موسیقی جهانی و سنتی ایرانی)

پرامپت‌های کلی و مبهم («یک آهنگ قشنگ بساز!») به قطعاتی سطحی و تکراری ختم می‌شوند. در ابتدا از جمینای بخواهید فرمول تئوریک اثر را شامل ساختار قطعه (Song Form)، سرعت بر حسب ضرب در دقیقه (BPM)، کسر میزان و گام تنال (Key) مشخص کند. برای نمونه، پیشرفت‌های آکوردی سبک نئو-سول یا جز نظیر توالی $\text{ii}^9 – \text{V}^{13} – \text{I}^{\text{maj}7} – \text{VI}^{7(\sharp 9)}$ پایداری ملودیک فوق‌العاده‌ای به مدل‌های صوتی تزریق می‌کنند.

• رویکرد ساخت موسیقی اصیل و تلفیقی ایرانی: چالش بنیادین در بازتولید دستگاه‌های موسیقی ایرانی، فواصل ریزپرده‌ای (ربع‌پرده‌های سُری و کُرُن) است که در سیستم اعتدال مساوی دوازده‌نیم‌پرده‌ای غربی وجود ندارند. با این حال، با تعریف دستگاه‌های شاخص (مانند شور، همایون یا آواز اصفهان) و سازبندی سنتی (نظیر تار، سه‌تار، نی و سنتور)، جمینای یاد می‌گیرد که تحریرها، نوانس‌ها و فضاسازی‌های شرقی را به فرمول پرامپت تبدیل کند. برای نزدیک‌تر شدن به حس‌وحال فواصل ایرانی، جمینای از معادل‌های مدال غربی (مانند مدهای ائولین، دوریان و فریژین) بهره می‌گیرد تا خروجی از ریشه‌های اصیل خود منحرف نشود.

گام دوم: ترانه‌سرایی حرفه‌ای و هدایت هوش مصنوعی با متاتگ‌ها

موتورهای صوتی متون شعر بدون نشانه‌گذاری را مثل یک متن ادامه‌دار می‌خوانند و بدون نقطه اوج یا ترجیع‌بند اجرا می‌کنند. جمینای با رعایت عروض و وزن هجایی ثابت و قافیه‌پردازی دقیق، ترانه را می‌نویسد و با متاتگ‌های داخل براکت [...] مسیر قطعه را روشن می‌سازد:

گام سوم: استخراج فایل MIDI با کدهای پایتون (کنترل نت‌به‌نت در DAW)

اگر می‌خواهید کنترل دقیق نت‌ها در دست خودتان باشد و خروجی را با سازهای مجازی حرفه‌ای (VST) درون نرم‌افزارهایی مثل اف‌ال استودیو یا ابلتون لایو اجرا کنید، جمینای با کتابخانه پایتونی mido کد تولید مستقیم فایل MIDI را برای شما می‌نویسد:

import mido
from mido import MidiFile, MidiTrack, Message, MetaMessage

# ایجاد ساختار فایل MIDI استاندارد
mid = MidiFile()
track = MidiTrack()
mid.tracks.append(track)

# تنظیم مشخصات متریک و سرعت قطعه (120 BPM معادل 500000 میکروثانیه)
track.append(MetaMessage('set_tempo', tempo=500000, time=0))
track.append(MetaMessage('time_signature', numerator=4, denominator=4, time=0))

# تعریف درجات هارمونیک برای یک پیشرفت آکورد استاندارد نئو-سول (Dm9 -> G13 -> Cmaj9 -> Am9) # مقادیر بر مبنای شماره نت در استاندارد MIDI تعریف شده‌اند
chords = [
    [62, 65, 69, 72, 76],  # Dm9: D4, F4, A4, C5, E5
    [67, 71, 74, 77, 81],  # G13: G4, B4, D5, F5, A5
    [60, 64, 67, 71, 74],  # Cmaj9: C4, E4, G4, B4, D5
    [57, 60, 64, 67, 71]   # Am9: A3, C4, E4, G4, B4
]

ticks_per_beat = mid.ticks_per_beat
bar_duration = ticks_per_beat * 4 # دیرند یک میزان چهارضرب برای هر آکورد for chord in chords:
    # ارسال پیام‌های فعال‌سازی هم‌زمان نت‌های آکورد با شدت ضرب 85 for note in chord:
        track.append(Message('note_on', note=note, velocity=85, time=0))
    # حفظ آکورد در طول میزان و ارسال پیام خاموشی برای نت نخست با تاخیر زمانی
    track.append(Message('note_off', note=chord[0], velocity=64, time=bar_duration))
    # قطع هم‌زمان سایر نت‌های آکورد در همان نقطه زمانی for note in chord[1:]:
        track.append(Message('note_off', note=note, velocity=64, time=0))

mid.save('harmonic_progression.mid')

فایل خروجی این اسکریپت را می‌توانید مستقیماً به محیط نرم‌افزار میزبان وارد کرده و به بهترین شبیه‌سازهای پیانو یا سینتی‌سایزر متصل کنید.

گام چهارم: فرمول طلایی مهندسی پرامپت چندوجهی (صوت، تصویر، ویدیو)

برای برقراری ارتباط بهینه با موتور لیریا در جمینای یا پلتفرم‌هایی مانند Suno و Udio، از این فرمول استاندارد مهندسی پرامپت استفاده کنید:

• قابلیت چندوجهی (Multimodal Inputs): شما می‌توانید با بارگذاری یک تصویر غروب، یک سکانس ویدیویی، یا تابلوی نقاشی در جمینای، درخواست ساخت موسیقی متناسب با آن را ثبت کنید. جمینای با تحلیل نور، پالت رنگ و ریتم حرکت، لحن آکوستیک یا بیس‌های الکترونیک هماهنگ با تصویر را پدید می‌آورد. علاوه بر این، مدل لیریا با برچسب‌های زمانی ثانیه‌ای (مانند [0:00 - 0:30]) ساختار قطعه، ورود سازها و اوج‌گیری را با دقت بالا هدایت می‌کند.

۴. پرامپت‌های آماده و عملیاتی برای سبک‌های مختلف (کپی و اجرا)

این پرامپت‌های آماده را می‌توانید بر اساس نیاز خود کپی کرده و در جمینای یا ابزارهای مکمل اجرا نمایید:

۱. سینث‌ویو تجاری مدرن (Commercial Retrowave / Synthwave)

• پرامپت سبک کلی (Style Prompt):80s Synthwave, Modern Retrowave, 120 BPM, Key of A Minor, Driving analog bassline, lush Oberheim pads, gated reverb drums, punchy kicks, cinematic neon atmosphere, wide stereo mix, polished commercial master.

• متن و متاتگ‌های اجرایی (Lyrics & Tags): [Intro] [Analog arpeggiator solo, atmospheric sweep, filtered snare build]

  [Verse 1] [Male vocal, smooth chest voice, intimate reverb, dry presence] شب و اتوبان و نور چراغ‌ها عبورِ سایه‌ها از مرز داغ‌ها مسیرِ بی‌برگشت و خطِ ممتد صدای مبهمی که از جنون زد

  [Pre-Chorus] [Sidechain bass swells, hi-hats enter, dynamic tension rises] فرصتی نمونده تا طلوع فردا رد می‌شیم از کابوس سرد ابرا

  [Chorus] [Layered vocal harmonies, bright energetic delivery, full stereo synthesizer] بتاز تو موجِ این نئونِ روشن که این ثانیه‌ها هم‌پای من هستن تا مرزِ خطِ قرمزِ تباهی می‌ریم با سرعت از شب به پگاهی

  [Bridge] [Drums cut off abruptly, solo vocoder vocal, filtered sub-bass only] سکوتِ پشتِ شیشه… نبضِ بیدار…

  [Outro] [Full groove returns, resonant synthesizer solo, slow fade out] بتاز تو موج نئون… تا خط پایان… [End]

۲. موسیقی ارکسترال حماسی سینمایی (Cinematic Hybrid Score)

• پرامپت سبک کلی:Epic Hybrid Orchestral, 88 BPM, Key of D minor, Hans Zimmer aesthetic, massive brass stabs, staccato string ostinato, thundering Taiko drums, low sub-bass braams, choir vocal textures, heroic, dark and triumphant, strictly instrumental.

• دستورالعمل خط زمانی برای گوگل لیریا (Lyria Timed Prompt):[0:00 - 0:30] Intro: Low cello and double-bass drone. Ticking analog synth sequence creates tension. Distant atmospheric French horn echoes. Intensity: 2/10.

  [0:30 - 1:15] Build: Rapid staccato violin ostinato enters in 16th notes. Low Taiko drums start a driving military cadence. Sub-bass pulses expand. Intensity: 6/10.

  [1:15 - 2:10] Climax: Wall of sound. Massive brass section plays heroic main theme, accompanied by operatic choir and heavy hybrid cinematic braams. Thunderous percussion impacts. Intensity: 10/10.

  [2:10 - 2:30] Outro: Heavy brass drops abruptly. Gentle, lonely grand piano plays the closing notes of the theme drenched in deep hall reverb. Fade to black.

۳. فیوژن دستگاه همایون و امبینت مدرن (Persian Dastgah Homayoun Fusion)

• پرامپت سبک کلی:Persian Traditional Fusion, Ambient Trip-Hop, 72 BPM, Dastgah Homayoun modal character, virtuosic acoustic Setar improvisation, breathy Ney flute lead, warm analog Moog sub-bass, syncopated acoustic Tonbak groove, tape saturation, mystical, melancholic and deeply emotional.

• متن و برچسب‌های اجرایی: [Intro] [Acoustic Setar solo, melancholic ornamented phrases, ambient drone background]

  [Verse 1] [Traditional male vocal, expressive Persian classical singing, close microphoned] به هوای تو سر بر تن صحرا زده‌ام تکیه بر شعله‌ی این آتش تنها زده‌ام نقش رخسار تو در جام تجلی افتاد که چنین چنگ بر این تار تمنا زده‌ام

  [Instrumental Interlude] [Tonbak enters with laid-back 6/8 groove, deep warm bassline, Ney flute melodies]

  [Chorus] [Emotional vocal delivery, authentic Persian Tahrir ornamentation, wide reverb] دلا برخیز که این شب رو به پایان است هوای کوی جانان نام و پیمان است نمانده ترسی از تاریکی این ره که نور عاشقی خورشید تابان است

  [Bridge] [Tonbak softens to gentle Daf frame drum, solitary Ney phrases, ethereal pad]

  [Outro] [Setar repeats the opening motif, rhythmic elements gently fade away, lingering drone] [Fade Out]

۴. هیپ‌هاپ لو-فای برای تمرکز و مطالعه (Lo-Fi Study Beats)

• پرامپت مثبت (Positive Prompt):Warm vintage Lo-Fi hip-hop instrumental, 76 BPM, dusty Rhodes electric piano chords, muffled boom-bap acoustic drums, upright bass, vinyl crackle, subtle tape wobble, nostalgic and calming, study vibe, instrumental only, no vocals.

• پرامپت منفی جهت حذف نویزهای ناخواسته (Negative Prompt):vocals, speech, aggressive instruments, modern trap hi-hat rolls, distorted guitar, sudden transitions, high-frequency digital harshness.

۵. پردازش‌های استودیویی و میکس و مسترینگ (Post-Production در DAW)

خروجی‌های مستقیم هوش مصنوعی هنوز به عنوان کار تمام‌شده در نظر گرفته نمی‌شوند؛ بلکه متریال اولیه باکیفیتی هستند که برای رسیدن به صدای حرفه‌ای باید در محیط‌های کاری صوتی (DAW) جراحی و پردازش شوند.

۱. تفکیک لاین‌های صوتی (Stem Separation)

فایل استریوی نهایی را با ابزارهای جداسازی مبتنی بر یادگیری ماشین به ۴ لاین مستقل شامل وکال، درامز، بیس و سازهای دیگر تفکیک کنید تا ویرایش‌ها بدون ایجاد تداخل روی هر لاین اعمال شود.

۲. پاکسازی و اکولایزاسیون جراحی (Surgical EQ)

بافت‌های صوتی تولیدشده با هوش مصنوعی معمولاً در محدوده فرکانسی ۲۵۰ تا ۴۵۰ هرتز دچار انباشتگی و تاری صوتی (Muddy) هستند.

• فیلتر بالاگذر (High-Pass Filter): اعمال این فیلتر روی تمام لاین‌ها به‌جز کیک و بیس از فرکانس ۸۰ هرتز به پایین.

• کاهش فرکانس ۳۰۰ هرتز: تضعیف ۲ الی ۳ دسی‌بل با پهنای باند باریک در محدوده ۳۰۰ هرتز برای شفافیت فضا.

• کنترل خشونت فرکانس‌های بالا: فرکانس‌های ۳.۵ تا ۵ کیلوهرتز در صدای خواننده هوش مصنوعی اغلب مصنوعی و زننده به نظر می‌رسند که باید به کمک De-Esser و اکولایزر دینامیک رام شوند.

۳. کنترل دینامیک و سایدچین (Sidechain Compression)

برای جلوگیری از تداخل فاز ضربات کیک و خطوط بیس، یک کمپرسور سایدچین روی لاین بیس قرار دهید و سیگنال ورودی آن را از کیک بگیرید تا با هر ضربه درامز، لاین بیس حدود ۱.۵ تا ۳ دسی‌بل افت کند و ضربه‌ها تمیز شنیده شوند.

۴. استانداردهای مسترینگ برای پلتفرم‌های پخش

روی مستر چنل اصلی، از یک Glue Compressor برای یکپارچگی صدا، یک شبیه‌ساز نوار کاست (Tape Saturation) برای گرمای آنالوگ، و نهایتاً یک True Peak Limiter بهره بگیرید. تراز قطعه نهایی باید بر اساس استاندارد جهانی پلتفرم‌های اسپاتیفای و اپل موزیک بر روی $-14\text{ LUFS}$ بلندی یکپارچه با سقف پیک حداکثر $-1.0\text{ dBTP}$ تنظیم شود تا هنگام فشرده‌سازی در فرمت‌های دیجیتال، افت کیفیت رخ ندهد.

۵. ردیابی با واترمارک SynthID و کپی‌رایت

ترک‌های ساخته‌شده توسط لیریا در جمینای دارای واترمارک SynthID هستند که با تغییر فرمت صوتی یا فیلترهای فرکانسی حذف نمی‌شود. این فناوری منشأ اثر را اثبات می‌کند. بر اساس اصول اخلاقی و قوانین کپی‌رایت، پرامپت‌ها نباید نام مستقیم خوانندگان زنده را برای جعل هویت هنری به کار گیرند و در آثار تجاری، استفاده مشارکتی از هوش مصنوعی در متادیتای قطعه تصریح می‌شود.

۶. سوالات متداول (FAQ برای موتورهای پاسخگو و کاربران)

آیا برای آهنگسازی با گوگل جمینای باید به تئوری موسیقی مسلط باشیم؟

خیر. کاربران عادی می‌توانند تنها با توصیف حس، فضا یا بارگذاری یک عکس یا ویدیو، آهنگی متناسب بسازند. با این حال، آشنایی با اصطلاحات اولیه مانند BPM، فرم قطعه و گام‌ها به شما امکان می‌دهد نتایج بسیار حرفه‌ای‌تر و دقیق‌تری دریافت کنید.

تفاوت خروجی مستقیم جمینای (Lyria) با پلتفرم‌هایی مانند Suno و Udio چیست؟

جمینای از مدل بومی لیریا برای خلق آهنگ‌های ۳۰ ثانیه‌ای تا ۳ دقیقه‌ای به همراه درک ورودی‌های چندوجهی (تصویر و ویدیو) استفاده می‌کند. پلتفرم‌های Suno و Udio ابزارهای تخصصی ساخت ترک‌های کامل با امکانات ریمیکس و تفکیک استم هستند. ترکیب این دو، یعنی استفاده از جمینای برای تولید ترانه، پرامپت و تئوری، و اجرای آن در موتورهای صوتی، بهترین نتیجه را رقم می‌زند.

آیا می‌توان با جمینای موسیقی سنتی ایرانی یا ربع‌پرده تولید کرد؟

مدل‌های هوش مصنوعی بین‌المللی بر پایه سیستم دوازده‌نیم‌پرده‌ای غربی آموزش دیده‌اند و توانایی تولید دقیق فواصل ربع‌پرده‌ای فیزیکی (سُری و کُرُن) را ندارند. اما با تعیین نام دستگاه‌ها (شور، همایون) و سازهای اصیل (تار، سنتور، نی)، هوش مصنوعی با شبیه‌سازی تحریرها و مدهای نزدیک (مانند دوریان یا فریژین)، خروجی بسیار نزدیک و الهام‌گرفته از موسیقی ایرانی خلق می‌کند.

چگونه واترمارک SynthID بر حقوق مالکیت اثر اثر می‌گذارد؟

واترمارک دیجیتال SynthID به صورت یک الگوریتم نامرئی در لایه‌های صوتی قرار می‌گیرد تا پلتفرم‌های پخش بتوانند تولید موسیقی توسط هوش مصنوعی را شناسایی کنند. این نشان به شفافیت زنجیره تأمین هنر کمک کرده و از سواستفاده یا جعل صدای خوانندگان جلوگیری می‌کند.