Урок 5: Генерация звука — Suno AI и ElevenLabs

Эпоха AI-аудио настала

Если 2024 год был годом текста и изображений, то 2025–2026 — это эра AI-аудио. Инструменты вроде Suno и ElevenLabs сделали для музыки и голоса то, что ChatGPT сделал для письма.

Для разработчика это открывает огромные возможности:

• Динамические саундтреки для игр, меняющиеся в зависимости от действий игрока
• Персонализированные джинглы для маркетинговых кампаний
• Голосовые интерфейсы для продуктов (приложения, боты, ассистенты)
• Автоматическое озвучивание контента (новости, статьи, документация)
• Дубляж и локализация видео на 29+ языках

---

Suno AI — музыка из текста

Suno — лидер в генерации полноценных музыкальных треков с вокалом, инструментами и аранжировкой. С выходом Suno V5 платформа вышла на уровень, при котором результат сложно отличить от профессиональной записи.

Что умеет Suno V5

• Вокальная генерация — полноценные песни с текстом, близкие к человеческому исполнению
• Инструментальный режим — фоновые треки, биты, саундскейпы без вокала
• Custom Mode — раздельный контроль текста, жанра и настроения
• Audio Extension — продолжение существующего трека с сохранением темпа и тональности
• Stem export — экспорт отдельных дорожек (вокал, бас, барабаны) для работы в DAW

Технические характеристики V5

Параметр	Значение
Качество аудио	44.1 kHz stereo
ELO-рейтинг	1,293 (лучший в классе)
Время генерации	20–30 секунд на трек
Первый чанк	~10–15 секунд
Точность промпта	88% совпадений по жанру
Lyric Hallucination	менее 5%

Важно: API-реальность 2026

Осторожно

Официального публичного API от Suno пока нет. Компания сосредоточена на потребительской платформе и предоставляет API только select-партнёрам. Для разработчиков работает экосистема третьесторонних провайдеров (EvoLink, APIPASS), которые предоставляют стабильный REST API поверх Suno.

Правовой контекст: Warner и Universal урегулировали судебные претензии к Suno и Udio — новые модели обучаются на лицензированных данных.

Интеграция через third-party API

Python

import requests
import time

API_KEY = "your_suno_api_key"
BASE_URL = "https://api.your-suno-provider.com/v1"

def generate_track(prompt: str, style: str = "", lyrics: str = "") -> dict:
    """Генерация музыкального трека через Suno API."""

    headers = {
        "Authorization": f"Bearer {API_KEY}",
        "Content-Type": "application/json"
    }

    payload = {
        "prompt": prompt,
        "custom_mode": True,
        "style": style,         # "Cyberpunk synthwave, 140 BPM, aggressive bass"
        "lyrics": lyrics,       # Текст песни или пусто для инструментала
        "instrumental": not bool(lyrics),
        "make_instrumental": not bool(lyrics)
    }

    # Отправляем запрос на генерацию
    response = requests.post(
        f"{BASE_URL}/generate",
        json=payload,
        headers=headers
    )
    response.raise_for_status()
    task = response.json()
    task_id = task["task_id"]

    # Polling статуса (генерация занимает 20-30 сек)
    return poll_task(task_id, headers)

def poll_task(task_id: str, headers: dict, timeout: int = 120) -> dict:
    """Опрашиваем API до готовности трека."""
    start = time.time()

    while time.time() - start < timeout:
        resp = requests.get(
            f"{BASE_URL}/task/{task_id}",
            headers=headers
        )
        data = resp.json()

        if data["status"] == "completed":
            return {
                "audio_url": data["audio_url"],
                "duration": data["duration"],
                "title": data.get("title", "Generated Track")
            }
        elif data["status"] == "failed":
            raise Exception(f"Generation failed: {data.get('error')}")

        time.sleep(2)  # Ждём 2 секунды между запросами

    raise TimeoutError("Track generation timed out")

# Использование
track = generate_track(
    prompt="Epic battle theme for a mobile game",
    style="Orchestral, dramatic, 120 BPM, strings and brass",
    lyrics=""  # Инструментал
)

print(f"Трек готов: {track['audio_url']}")

TypeScript

const API_KEY = process.env.SUNO_API_KEY!;
const BASE_URL = "https://api.your-suno-provider.com/v1";

interface GenerateOptions {
  prompt: string;
  style?: string;
  lyrics?: string;
}

interface TrackResult {
  audioUrl: string;
  duration: number;
  title: string;
}

async function generateTrack(options: GenerateOptions): Promise<TrackResult> {
  const { prompt, style = "", lyrics = "" } = options;

  // Запрос на генерацию
  const res = await fetch(`${BASE_URL}/generate`, {
    method: "POST",
    headers: {
      "Authorization": `Bearer ${API_KEY}`,
      "Content-Type": "application/json",
    },
    body: JSON.stringify({
      prompt,
      custom_mode: true,
      style,
      lyrics,
      instrumental: !lyrics,
    }),
  });

  const { task_id } = await res.json();

  // Polling до готовности
  return pollTask(task_id);
}

async function pollTask(taskId: string): Promise<TrackResult> {
  for (let i = 0; i < 60; i++) {
    await new Promise(r => setTimeout(r, 2000));

    const res = await fetch(`${BASE_URL}/task/${taskId}`, {
      headers: { "Authorization": `Bearer ${API_KEY}` },
    });
    const data = await res.json();

    if (data.status === "completed") {
      return {
        audioUrl: data.audio_url,
        duration: data.duration,
        title: data.title ?? "Generated Track",
      };
    }

    if (data.status === "failed") {
      throw new Error(`Generation failed: ${data.error}`);
    }
  }

  throw new Error("Timeout: track not ready in 120s");
}

// Использование
const track = await generateTrack({
  prompt: "Lo-fi hip-hop for a coding session",
  style: "Lo-fi, chill, 80 BPM, jazzy piano, vinyl crackle",
});

console.log(`Track ready: ${track.audioUrl}`);

Real Use Cases для Suno

Игровые саундтреки

Динамическая музыка, меняющаяся по биому или интенсивности боя. API принимает параметры состояния игры и генерирует соответствующий трек.

Маркетинговый контент

Персонализированные джинглы и фоновая музыка для видео, рекламы и соцсетей — масштабируемо и быстро.

Подкасты и YouTube

Уникальная интро/аутро музыка для каждого эпизода. Никаких роялти, никаких претензий.

EdTech и e-learning

Адаптивный звуковой фон для обучающих платформ, поддерживающий концентрацию.

Стоимость (2026)

Провайдер	Цена за трек	Concurrency	Надёжность
Прямая подписка (~$30/мес)	~$0.03–0.04	1 (sequential)	Низкая для API
Raw third-party wrapper	$0.05–0.10	Средняя	Вариативная
Enterprise API solutions	$0.02–0.05	50+ запросов	Высокая

---

ElevenLabs — голос из текста

ElevenLabs — мировой стандарт для Text-to-Speech и Voice Cloning. Поддержка 29+ языков, реалистичные голоса, мгновенное клонирование.

Ключевые возможности

• Text-to-Speech — гиперреалистичный синтез речи (Multilingual v2, Flash)
• Voice Cloning — мгновенное и профессиональное клонирование голоса
• Conversational AI — интерактивные голосовые агенты в реальном времени
• Speech-to-Text — транскрипция через API и UI
• Voice Changer — трансформация голоса в реальном времени
• Voice Isolator — очистка аудио от фонового шума
• Sound Effects — генерация звуковых эффектов по описанию
• Dubbing — автоматический дубляж видео с сохранением тембра голоса

Тарифные планы ElevenLabs (2026)

План	Цена	Символы/мес	Клонирование	Качество
Free	$0	10k (Multi) / 20k (Flash)	Нет	128 kbps
Starter	$5	30k / 60k	Instant	128 kbps
Creator	$11	100k / 200k	1 Pro Clone	192 kbps
Pro	$99	500k / 1M	1 Pro Clone	192 kbps
Scale	$330	2M / 4M	1 Pro Clone	192 kbps
Business	$1,320	11M / 22M	3 PVCs	192 kbps + SLA
Enterprise	Custom	Custom	Custom	Custom

Совет

Совет: Flash-модель генерирует вдвое больше символов в рамках того же плана, но чуть менее натурально для сложных интонаций. Для большинства случаев Flash — лучший выбор по соотношению цена/качество.

Интеграция ElevenLabs API

Python (официальный SDK)

from elevenlabs import ElevenLabs, VoiceSettings

client = ElevenLabs(api_key="your_elevenlabs_api_key")

def text_to_speech(
    text: str,
    voice_id: str = "JBFqnCBsd6RMkjVDRZzb",  # George (по умолчанию)
    model: str = "eleven_multilingual_v2",
    output_path: str = "output.mp3"
) -> str:
    """Конвертация текста в речь."""

    audio = client.text_to_speech.convert(
        voice_id=voice_id,
        text=text,
        model_id=model,
        voice_settings=VoiceSettings(
            stability=0.5,        # 0-1, выше = стабильнее
            similarity_boost=0.75, # 0-1, близость к оригинальному голосу
            style=0.0,            # 0-1, стилистическое усиление
            use_speaker_boost=True
        ),
        output_format="mp3_44100_128",
    )

    # Сохраняем аудио в файл
    with open(output_path, "wb") as f:
        for chunk in audio:
            if chunk:
                f.write(chunk)

    return output_path

# Получение списка доступных голосов
def list_voices():
    voices = client.voices.get_all()
    for voice in voices.voices:
        print(f"{voice.name}: {voice.voice_id} ({voice.labels})")

# Instant Voice Cloning (нужно 1+ минута аудио)
def clone_voice(name: str, sample_files: list[str]) -> str:
    voice = client.clone(
        name=name,
        description="My custom voice clone",
        files=sample_files,  # Пути к .mp3/.wav файлам
    )
    return voice.voice_id

# Использование
audio_path = text_to_speech(
    text="Привет! Это тест ElevenLabs API на русском языке.",
    voice_id="JBFqnCBsd6RMkjVDRZzb",
    model="eleven_multilingual_v2",
    output_path="hello_russian.mp3"
)
print(f"Аудио готово: {audio_path}")

TypeScript (fetch API)

const ELEVENLABS_API_KEY = process.env.ELEVENLABS_API_KEY!;
const BASE_URL = "https://api.elevenlabs.io/v1";

interface TTSOptions {
  text: string;
  voiceId?: string;
  modelId?: string;
  stability?: number;
  similarityBoost?: number;
}

async function textToSpeech(options: TTSOptions): Promise<ArrayBuffer> {
  const {
    text,
    voiceId = "JBFqnCBsd6RMkjVDRZzb",
    modelId = "eleven_multilingual_v2",
    stability = 0.5,
    similarityBoost = 0.75,
  } = options;

  const response = await fetch(
    `${BASE_URL}/text-to-speech/${voiceId}`,
    {
      method: "POST",
      headers: {
        "xi-api-key": ELEVENLABS_API_KEY,
        "Content-Type": "application/json",
        "Accept": "audio/mpeg",
      },
      body: JSON.stringify({
        text,
        model_id: modelId,
        voice_settings: {
          stability,
          similarity_boost: similarityBoost,
          style: 0,
          use_speaker_boost: true,
        },
      }),
    }
  );

  if (!response.ok) {
    throw new Error(`ElevenLabs API error: ${response.status}`);
  }

  return response.arrayBuffer();
}

// Streaming TTS (для real-time приложений)
async function textToSpeechStream(
  text: string,
  voiceId: string = "JBFqnCBsd6RMkjVDRZzb"
): Promise<ReadableStream> {
  const response = await fetch(
    `${BASE_URL}/text-to-speech/${voiceId}/stream`,
    {
      method: "POST",
      headers: {
        "xi-api-key": ELEVENLABS_API_KEY,
        "Content-Type": "application/json",
      },
      body: JSON.stringify({
        text,
        model_id: "eleven_flash_v2_5", // Flash для скорости
        voice_settings: { stability: 0.5, similarity_boost: 0.75 },
      }),
    }
  );

  return response.body!;
}

// Next.js API Route пример
export async function POST(request: Request) {
  const { text } = await request.json();

  const audioBuffer = await textToSpeech({ text });

  return new Response(audioBuffer, {
    headers: {
      "Content-Type": "audio/mpeg",
      "Content-Length": audioBuffer.byteLength.toString(),
    },
  });
}

cURL

# Простая генерация речи
curl -X POST \
  "https://api.elevenlabs.io/v1/text-to-speech/JBFqnCBsd6RMkjVDRZzb" \
  -H "xi-api-key: $ELEVENLABS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello from ElevenLabs!",
    "model_id": "eleven_multilingual_v2",
    "voice_settings": {
      "stability": 0.5,
      "similarity_boost": 0.75
    }
  }' \
  --output output.mp3

# Получить список голосов
curl -X GET \
  "https://api.elevenlabs.io/v1/voices" \
  -H "xi-api-key: $ELEVENLABS_API_KEY"

# Проверить баланс
curl -X GET \
  "https://api.elevenlabs.io/v1/user/subscription" \
  -H "xi-api-key: $ELEVENLABS_API_KEY"

Модели ElevenLabs: что выбрать

Модель	Скорость	Качество	Языки	Use Case
eleven_multilingual_v2	Медленнее	Лучшее	29+	Продакшн-контент, нарратив
eleven_flash_v2_5	Быстрее (~2x)	Отличное	29+	Real-time, чатботы
eleven_turbo_v2	Самый быстрый	Хорошее	EN	Low-latency приложения

Conversational AI с ElevenLabs

ElevenLabs предоставляет полноценный фреймворк для голосовых агентов:

from elevenlabs.conversational_ai.conversation import Conversation
from elevenlabs.conversational_ai.default_audio_interface import DefaultAudioInterface

# Конфигурация агента создаётся в ElevenLabs Dashboard
AGENT_ID = "your_agent_id"

conversation = Conversation(
    client=client,
    agent_id=AGENT_ID,
    requires_auth=False,
    audio_interface=DefaultAudioInterface(),
    callback_agent_response=lambda r: print(f"Агент: {r}"),
    callback_user_transcript=lambda t: print(f"Пользователь: {t}"),
)

conversation.start_session()
# ... голосовой диалог в реальном времени
conversation.end_session()

---

Другие Audio AI инструменты 2026

Udio

Сильный конкурент Suno. Лучше для экспериментов и необычных жанров. Урегулировал споры с Universal, переходит на лицензированные данные.

AIVA

Специализируется на классической и оркестровой музыке. Отлично для кино и игр, требующих академического звучания.

Mubert

Генерация бесконечного адаптивного фона. API для стриминга музыки под любое настроение — идеально для приложений.

ElevenLabs Sound Effects

Генерация звуковых эффектов по описанию: “глухой удар металла о камень”, “звук открывающегося портала”.

---

Практический проект: Голосовой Telegram-бот

Соберём всё вместе — бот принимает текст и отвечает голосом через ElevenLabs:

import os
import asyncio
import tempfile
from telegram import Update
from telegram.ext import Application, MessageHandler, filters, ContextTypes
from elevenlabs import ElevenLabs

TELEGRAM_TOKEN = os.environ["TELEGRAM_TOKEN"]
ELEVENLABS_KEY = os.environ["ELEVENLABS_API_KEY"]
VOICE_ID = "JBFqnCBsd6RMkjVDRZzb"

el_client = ElevenLabs(api_key=ELEVENLABS_KEY)

async def handle_message(update: Update, context: ContextTypes.DEFAULT_TYPE):
    text = update.message.text

    # Генерируем голосовое сообщение
    audio_stream = el_client.text_to_speech.convert(
        voice_id=VOICE_ID,
        text=text,
        model_id="eleven_flash_v2_5",  # Flash для скорости
    )

    # Сохраняем во временный файл
    with tempfile.NamedTemporaryFile(suffix=".mp3", delete=False) as tmp:
        for chunk in audio_stream:
            if chunk:
                tmp.write(chunk)
        tmp_path = tmp.name

    # Отправляем голосовое сообщение
    with open(tmp_path, "rb") as audio:
        await update.message.reply_voice(voice=audio)

    os.unlink(tmp_path)

def main():
    app = Application.builder().token(TELEGRAM_TOKEN).build()
    app.add_handler(MessageHandler(filters.TEXT & ~filters.COMMAND, handle_message))
    app.run_polling()

if __name__ == "__main__":
    main()

Совет

Совет по оптимизации: Кешируй часто используемые фразы (приветствия, стандартные ответы) — не генерируй одно и то же дважды. Это снизит расход символов на 40–60%.

---

Итоги: Что и когда использовать

Задача	Инструмент	Модель/Режим
Музыка для игры	Suno V5 API	Custom Mode, instrumental
TTS для бота/ассистента	ElevenLabs	Flash v2.5, streaming
Клонирование голоса	ElevenLabs	Professional Voice Clone
Классическая музыка	AIVA	—
Звуковые эффекты	ElevenLabs	Sound Effects endpoint
Бесконечный фон	Mubert	Streaming API
Дубляж видео	ElevenLabs	Dubbing API
Голосовой агент	ElevenLabs	Conversational AI

---

Официальные ресурсы

• Suno AI — генерация музыки из текста
• ElevenLabs — Text-to-Speech и Voice Cloning
• ElevenLabs API — API документация

Что дальше

В следующем уроке разберём OpenClaw AI Agent — как автоматизировать повторяющиеся задачи с помощью агентного AI прямо в своём окружении.