Miałam tylko wygenerować krótki, pięciosekundowy soundtrack do nowej czołówki podcastu Piaskownicy i pójść grzecznie spać. Skończyło się na zarwanej nocy, łzach śmiechu i potężnej dawce refleksji o tym, jak my – ludzie – komunikujemy się ze sztuczną inteligencją.
Jeśli myślicie, że AI to tylko sztywne algorytmy bez grama fantazji, to zaraz udowodnię Wam, jak bardzo się mylicie.
Krok w bok, czyli dlaczego specjalistyczne apki nie zawsze wygrywają
Zaczęłam klasycznie. Pomyślałam: „Potrzebuję muzyki, więc użyję dedykowanego narzędzia do muzyki”. Weszłam do popularnej aplikacji Udio, wpisałam wytyczne i… szybko uciekłam. Pierwsze dwie generacje wypluły z siebie tak psychodeliczne i oderwane od mojego zamysłu dźwięki, że natychmiast straciłam zapał do dalszej zabawy.
Nie zrozumcie mnie źle – nie skreślam dedykowanych narzędzi audio, wręcz zamierzam do nich wrócić, ale z bardziej bojowym nastawieniem (i może zacznę od najpopularniejszego i najprostszego Suno). Mam wrażenie, że wiele wysoce wyspecjalizowanych narzędzi audio potrafi wygenerować psychodeliczny chaos, jeśli nie podasz im promptu na poziomie inżyniera dźwięku. Popularne, duże modele (jak Gemini) mają wbudowaną ogromną intuicję. Mają za zadanie zrozumieć Twój ludzki zamysł i połączyć go z zaawansowaną technologią. To sprawia, że bariera wejścia znika, a zostaje czysta frajda z tworzenia. A ja potrzebowałam funu. Chciałam poeksperymentować.
Wróciłam więc na stare, dobre śmieci – do popularnego LLM-a, czyli po prostu do Gemini.
Składniki zupy: ElevenLabs i Lyria 3
Modele językowe takie jak Gemini, kiedy prosisz je o muzykę, korzystają pod spodem z wyspecjalizowanych silników. W tym przypadku jest to Lyria 3 – zaawansowany model Google, który potrafi generować wysokiej jakości utwory.
Postanowiłam rzucić sztucznej inteligencji wyzwanie. Wygenerowałam w ElevenLabs trzy zupełnie prozaiczne, czyste dźwięki efektowe:
- Kroki na drewnianej podłodze
- Przesypujący się piasek (w końcu to Piaskownica!)
- Stukanie palcem w mikrofon
Te trzy pliki wrzuciłam do Gemini jako bazę. Mój cel? Czyste dźwięki efektowe, rytmiczne poskładanie moich „przeszkadzajek”, absolutnie bez linii melodycznej i bez wokalu.
Pochwała nieidealnego promptu
Wiem, jak napisać żelazny, idealny prompt, który nie zostawia maszynie miejsca na interpretację. Ale wiecie co? Czasem celowo z tego rezygnuję.
Zostawienie w prompcie luki, odrobiny niedopowiedzenia, to zaproszenie AI do kreatywnego tańca. Czasami algorytm się potknie, a czasami połączy kropki w sposób, na który ludzki mózg by nie wpadł. Użyłam dwóch, dość luźnych wejściowych promptów po angielsku:
Opcja 1: Mocny rytm (Foley beat)
A high-energy rhythmic foley beat, musique concrète. No traditional instruments, absolutely no melody. The rhythm is built entirely from everyday sound effects. In the background, there is a textural layer of crashing ocean waves and the sound of pouring sand. The track builds up and ends with a short, joyful child’s laugh. Punchy, experimental, dynamic intro.
Opcja 2: Bardziej przestrzenna, klimatyczna (ASMR rhythm)
Experimental ASMR beat, purely rhythmic sound design. High energy but atmospheric. Percussion is made exclusively of mic taps and walking footsteps. Industrial coffee machine sounds create the groove. Ambient background textures consist of sea waves and shifting, pouring sand. Zero melodic instruments, pure sound effect rhythm.
Bunt maszyn, czyli łzy śmiechu o 2:00 w nocy
I co zrobiło AI? Algorytm wziął moje dźwięki i poszedł własnymi, totalnie nieprzewidywalnymi ścieżkami. Czasem AI ignorowało moje prośby o brak melodii. Otrzymałam wariacje, które z jednej strony mnie irytowały (bo przecież nie o to prosiłam!), a z drugiej – doprowadziły do łez ze śmiechu i totalnego zachwytu nad kompozycją.
Z jednego (nieidealnego!) promptu otrzymałam kawałki, które w sobie miały:
- Flet z beatem z piasku: Ale że flet i to na przyspieszeniu?
- Jodłującego Michaela Jacksona: Nie pytajcie. Rytm moich kroków zmienił się w popowy bit skrzyżowany z alpejskim śpiewem i nieco spooky śmiechem.
- Pozytywkę na sterydach: Radosny, przyspieszony do granic możliwości utwór, który brzmiał jak zabawka dla hiperaktywnego dziecka.
- Trip-hop z głębin: Gęsty, ciężki, mroczny song, którego nie powstydziłby się Tricky w swoim najlepszym portfolio.
Wytrawne ucho bez problemu dosłyszy w tych utworach moje bazowe stukanie w mikrofon czy przesypywanie piasku. Ale dzięki temu, że AI „zaszalało”, kompozycje nabrały nieprawdopodobnych rumieńców. Wykreowała się magia. Ostatecznie ja i moje dzieci wybraliśmy z tego zestawienia jedną perełkę, która stanie się oficjalnym soundtrackiem mojego nadchodzącego wideo podcastu (do którego teledysk… też właśnie generuję z AI!).
Runda dla modeli językowych
Moje przemyślenia po tej nocy są jasne. Duże, popularne modele (LLM) mają niesamowitą intuicję. Potrafią zrozumieć „vibe”, nawet jeśli nie jesteś precyzyjny. Mają tę iskrę kreatywności, która sprawia, że bariera wejścia do tworzenia własnej muzyki czy obrazów znika. I mały tip techniczny: z Gemini możecie wygodnie pobrać efekty swojej pracy w formacie .mp3 lub jako wideo .mp4 (wtedy pod dźwięk podłożona jest estetyczna okładka z tytułem Waszego soundtracku).
Poniżej przygotowałam dla Was siatkę z wybranymi 9 wygenerowanymi tej nocy utworami. Posłuchajcie ich. Zobaczcie, jak z tego samego punktu wyjścia sztuczna inteligencja potrafi dojść do skrajnie różnych, fascynujących wniosków.
Który soundtrack to Wasz faworyt? Zgadniecie, który my wybraliśmy? Dajcie znać, czy słyszycie w nich ten wszechobecny, piaskownicowy piasek!
