Song beschreiben und anhören: Text-zu-Song in der Praxis
Text-zu-Song macht aus einem Satz eine fertige Spur – Arrangement, Instrumentierung und Gesang, wenn du willst. Der Satz muss Genre, Stimmung und ein konkretes Thema tragen; „mach es fröhlich“ gibt dem Modell nichts zum Bauen. Lass die musikalischen Regler beim ersten Versuch auf Automatik und benutze sie danach, um eine Sache zu verschieben. In Musy AI umfasst die Beschreibung bis zu 150 Zeichen, und die meisten Songs sind in etwa einer Minute fertig.
Der Satz ist das ganze Instrument
Jedes gute Ergebnis, das wir hatten, enthält drei Zutaten – und den meisten schlechten fehlt eine:
- Ein Klangziel – ein Genre, eine Ära oder ein Instrument. „Lo-Fi“, „90er-Alternative-Rock“, „Klavier solo“, „Afrobeat“.
- Eine Stimmung – die emotionale Temperatur. „Wehmütig“, „triumphal“, „bedrohlich“, „warm“.
- Ein Thema oder eine Szene – etwas Konkretes. Das ist die Zutat, die Leute auslassen, und die den Unterschied macht. „Eine Regennacht in Tokio“ ist eine Szene; „Chill-Vibes“ nicht.
Zusammengesetzt: „Ein Lo-Fi-Beat für eine Regennacht in Tokio“ – Genre, Stimmung, Szene, zwölf Wörter. Das ist die Form zum Nachbauen.
Lass die Regler zunächst in Ruhe
Genre, Stimmung, BPM und Länge lassen sich explizit setzen, und der Reflex ist, alle sofort zu setzen. Widersteh dem. Wenn deine Beschreibung „eine Regennacht in Tokio“ sagt und du zusätzlich das Genre auf Metal stellst, hast du zwei verschiedene Songs verlangt und bekommst den Durchschnitt davon.
Die Regler verdienen sich ihren Platz im zweiten Durchgang, wenn du ein Ergebnis hast, das nah dran ist: gleiche Beschreibung, BPM etwas runter, Stimmung explizit gesetzt, neu generieren. Das ist ein kontrolliertes Experiment. Sechs Dinge gleichzeitig zu ändern ist keins.
| Regler | Auf Automatik lassen, wenn… | Setzen, wenn… |
|---|---|---|
| Genre | Deine Beschreibung nennt schon einen Klang | Du eines der 29 konkret willst und der Text mehrdeutig ist |
| Stimmung | Die Beschreibung trägt bereits Emotion | Das Ergebnis emotional flach zurückkam |
| BPM | Fast immer | Die Spur an eine feste Zeit gebunden ist – ein Workout, ein Videoschnitt |
| Länge | Nie – wähle sie bewusst | Immer. Sie ändert die Struktur, nicht nur die Dauer. |
Instrumental oder mit Gesang
Instrumental ist die sicherere Vorgabe für alles, unter dem der Song liegt – ein Video, ein Podcast-Intro, Hintergrundhören. Gesang ist der Punkt, wenn der Song selbst die Sache ist oder wenn er von jemandem handelt.
Mit eingeschalteten Lyrics kannst du eigene schreiben (bis 500 Zeichen) oder sie aus derselben Beschreibung erzeugen lassen. Eigene lohnen sich, wenn Details zählen: ein Name, ein Insider, ein Ort. Generierte Texte sind besser, als die meisten erwarten, wenn es um Genrekonventionen geht – und schlechter darin, etwas Bestimmtes zu bedeuten.
Der Gesang lässt sich auf Automatik, männlich, weiblich oder Kind stellen. Du kannst außerdem deine eigene Stimme einmal in der App aufnehmen und Songs damit singen lassen. Das ist bewusst auf deine Stimme begrenzt: Wir bauen kein Klonen fremder Stimmen und würden überall, wo dir diese Funktion begegnet, zur selben Vorsicht raten.
Warum das erste Ergebnis nicht das bleibt
Generierung hat echte Streuung: dieselbe Beschreibung zweimal ergibt zwei verschiedene, jeweils gültige Songs. Das ist kein Fehler, um den man herumprompten müsste – es ist das Medium. Der Ablauf, der funktioniert:
- Schreib den Drei-Zutaten-Satz. Wähle eine Länge. Generiere.
- Hör einmal ganz durch. Entscheide, was konkret falsch ist: Tempo, Energie, Instrumentierung, Gesang.
- Ist nichts konkret falsch, aber es ist fad – unverändert neu generieren. Allein die Streuung behebt das oft.
- Ist etwas Konkretes falsch, ändere genau diese eine Sache und generiere neu.
- Behalte die guten. Generieren ist billig; Entscheiden ist der langsame Teil.
Wann du stattdessen mit einer Vorlage startest
Für Anlass-Songs – Geburtstage, Liebeslieder, Songs über ein Haustier – setzen die Vorlagen im Lab Genre und Stimmung für dich und fragen nur das ab, was dieser Anlass wissen muss. Das ist schneller, als eine Beschreibung von Grund auf zu schreiben, und meist besser, weil die Vorlage schon weiß, was diese Songart trägt. Siehe den Durchlauf für den Geburtstagssong.
Wenn du eine Spur hast, die dir gefällt, liegt das Handwerk der Prompts in Song-Prompts, die funktionieren.
Häufige Fragen
Wie funktioniert Text-zu-Song?
Du beschreibst den Song; das Modell komponiert und spielt ihn und liefert fertiges Audio. In Musy AI umfasst die Beschreibung 150 Zeichen, die Generierung läuft im Hintergrund, die meisten brauchen etwa eine Minute.
Was sollte in der Beschreibung stehen?
Genre oder Referenzklang, Stimmung und ein konkretes Thema. „Ein Lo-Fi-Beat für eine Regennacht in Tokio“ trägt alle drei.
Genre, Stimmung und BPM selbst setzen?
Beim ersten Versuch nicht – Regler, die dem Text widersprechen, ziehen in zwei Richtungen. Im zweiten Durchgang für eine bestimmte Sache nutzen.
Wie lang kann er sein?
30 Sekunden, 60, 90 oder 2 Minuten. Kürzer ist oft besser: Eine starke Idee schlägt zwei Minuten Wiederholung.