Российский разработчик GPTunneL выпустил Grom Zvuk — новую модель для генерации музыки линейки Grom. Она создаёт готовые треки с вокалом, мелодией, аранжировкой и сведением. В слепом сравнении Grom Zvuk получила 83 балла из 100 за качество звучания против 80 у Suno v6, а по точности исполнения заданного текста обе модели получили по 85 баллов. Стоимость генерации на старте составит 1 рубль за песню, до конца 2026 года — 4 рубля за песню. Генерация композиции продолжительностью до четырёх минут занимает примерно от 30 секунд в зависимости от нагрузки.

Для сравнения использовалась группа из 150 треков на разных языках. Все модели тестировались с одинаковыми настройками, а 75% промптов были взяты из открытого набора WildSongBench. Названия моделей участникам слепого теста не показывали. Композиции оценивались по качеству звучания и соответствию заданному тексту, после чего результаты приводились к шкале от 0 до 100. В сравнении также участвовали Suno v5, Suno v5.5, Mureka 9 и другие модели. Suno v5 получила 88 баллов за звучание и 90 за точность текста, Mureka 9 — 90 и 78, Grom Zvuk — 83 и 85, Suno v6 — 80 и 85, Suno v5.5 — 82 и 82.

Grom Zvuk генерирует не музыкальную заготовку, а готовую композицию: вокал, мелодию, аранжировку и сведение. Полученный файл не требует обязательной доработки в аудиоредакторе и может сразу использоваться в ролике или другом контенте. Модель поддерживает создание песен по описанию стиля и настроения, инструментальных композиций без вокала, а также каверов. В этом случае сохраняются мелодия и текст исходной песни, а аранжировка, инструменты и манера вокала меняются под заданный жанр. Результат генерации остается у пользователя. При этом GPTunneL не берет на себя ответственность за то, какой контент пользователь генерирует, в том числе за соблюдение прав на исходные произведения при создании каверов.

Модель содержит около 5 млрд параметров. В её архитектуре два основных компонента. Планировщик идет по музыке шаг за шагом и решает, куда ведёт мелодия и где сменится гармония. Синтезатор работает по всей длине сразу. Он уточняет звучание целиком, а не по кусочкам. Компоненты связаны механизмом гибридного самовнимания, а на финальном этапе декодер формирует готовую стереозапись.

Одна из особенностей Grom Zvuk — генерация всей композиции как единой структуры, а не последовательное создание отдельных фрагментов. Сначала модель работает со всей длиной будущей песни и определяет расположение интро, куплетов, припевов и других частей, после чего в несколько этапов преобразует исходное шумовое представление в звук. Поэтому промежуточного результата для прослушивания нет. Композиция становится доступна после завершения расчёта целиком. По данным разработчика, такой подход помогает сохранять связность между частями песни и единое звучание на всей её продолжительности.

Grom Zvuk создает треки продолжительностью до четырёх минут и поддерживает вокал на разных языках, включая русский, английский, китайский, японский, казахский, испанский, немецкий, французский и корейский. При генерации модель учитывает текст, ударения и фразировку. Опубликованный разработчиком перечень поддерживаемых языков не является закрытым.

Grom Zvuk будет доступна через API GPTunneL. В отличие от текстовых моделей, тарификация здесь не привязана к количеству токенов. Оплачивается готовая песня. Приложение отправляет задачу на генерацию и после её завершения получает MP3-файл. Модель работает на собственной вычислительной инфраструктуре GPTunneL. Для корпоративных клиентов объёмы генерации, лимиты и условия нагрузки могут определяться отдельно.