Урок 22: Языковая, диффузионная, аудио

01

Главная мысль

За тремя кнопками сайта три типа модели. Языковая собирает текст по кускам, слово за словом. Диффузионная идёт от шума к кадру и проявляет картинку целиком. Аудиомодель раскладывает звук по времени — от вступления к припеву. Общее у них одно: запрос превращается в типичное продолжение. Разное — какие слоты запроса решают: у текста задача, форма и объём; у картинки кто, план, свет и фон; у звука инструменты, темп, настроение и вокал.

02

Объяснение

Три кнопки — три машины

Напиши в чат «спокойное утро у моря» — придёт абзац текста. Ту же фразу — в SeeDream PRO: придут два кадра. Её же — в Suno: придёт трек. Ты не менял ни слова. Менялась машина за кнопкой, и с ней — форма ответа. Это не «одна нейросеть с тремя выходами». Это три типа моделей (model type), обученные на разном и устроенные по-разному, и у каждой свой способ сборки.

Языковая (language model)текст по кускам: следующее слово, ещё одно, ещё — с оглядкой на всё написанное

›

Диффузионная (diffusion model)от шума к кадру: проявляет всю картинку целиком, шаг за шагом убирая шум

›

Аудиомодель (audio model)звук по времени: вступление, куплет, припев — в темпе, с инструментами и голосом

Что у них общее — ты уже знаешь из уроков 4 и 15: каждая выучила закономерности на своей стопке примеров и на запрос отдаёт типичное продолжение. Что у них разное — что именно считается «продолжением»: для одной это слово, для другой — пиксели всего кадра, для третьей — звук на следующей доле. От этого зависит, какие твои слова машина услышит, а какие пропустит мимо.

Закон 1. За тремя кнопками три типа модели. Общее — запрос → типичное; разное — что считается продолжением: слово, кадр или звук по времени.

Зачем это тому, кто уже жмёт кнопку ▶

Тип модели — это слой «модель» из урока 3, а не режим и не сервис. Поэтому привычки из чата не переносятся в генератор картинок: «уточни», «сделай лучше», «как в прошлый раз» — слова для языковой модели, у которой есть разговор. У диффузионной разговора нет: каждый запуск — новый бланк, и уточнять можно только слотами в промпте или референсом (урок 23).

Языковая: текст по кускам

Ты видел, как ответ в чате появляется не сразу, а нарастает. Это не эффект — так работает языковая модель: она выбирает следующий кусок (токен, урок 13), приписывает его к тому, что уже есть, и выбирает снова (урок 15). Ответ — цепочка выборов, и каждый следующий опирается на все предыдущие вместе с твоим запросом в окне (урок 14).

Твой запросзадача + форма + объём

›

Кусоквыбран с оглядкой на запрос

›

Ещё кусокс оглядкой на запрос и на первый

›

Текстцепочка выборов; форма и длина — те, что задал ты, или типичные

Отсюда — какие слоты важны для текста. Задача: что именно сделать — написать, сократить, сравнить, разобрать. Форма: список, три абзаца, письмо, таблица. Объём: до скольких слов. Три слота закрыты — и модель собирает по кускам ровно то, что нужно; открыты — и она подставит типичное: типичную длину, типичную форму, типичную задачу «рассказать вообще».

Три слота текста

Заготовка — описание для карточки товара. Впиши своё или оставь как есть: важно, чтобы задача, форма и объём были закрыты словами, а не оценками.

Задача Форма Объём

Запрос появится здесь, когда заполнишь поля.

Открыть чат с этим запросом →

Сообщение спишет 1ⓥ ≈ 30 ₽ — цену сообщения сайт показывает под полем до отправки до отправки. Смотри на форму и объём ответа: если модель дала список вместо предложений — слот формы был закрыт слабо.

Закон 2. Языковая модель собирает текст по кускам с оглядкой на запрос. Её слоты — задача, форма, объём.

Зачем это тому, кто уже жмёт кнопку ▶

В чате слоты можно закрывать не только текстом, но и ролью (урок 19) и примером: один образец нужной формы в запросе весит больше, чем три прилагательных. Объём задавай числом («до 50 слов»), а не словом («кратко») — «кратко» у каждой модели своё типичное. И помни про счёт: текст списывается по токенам входа и выхода (урок 9), длинный запрос дороже короткого ещё до ответа.

Диффузионная: от шума к кадру

В генераторе картинок ответ не нарастает по кусочкам — ты ждёшь, и приходит весь кадр сразу. Внутри в это время происходило другое: модель начала с шума — случайных пятен — и за несколько десятков шагов убирала его, каждый раз спрашивая себя, на что это похоже, если верить твоему промпту. Так «проявляется» картинка (подробно — урок 21). Не слово за словом — весь кадр целиком, всё точнее с каждым шагом.

Твой промпткто + план + свет + фон

›

Шумслучайные пятна на весь кадр

›

Пятна → формы → деталикаждый шаг убирает шум «в сторону промпта»

›

Кадрвесь целиком; что не закрыто словами — вышло типичным

Потому и слоты другие. Модель не отвечает на вопрос — она решает, что должно быть на каждом участке кадра. Кто в кадре: возраст, лицо, одежда. План: по грудь, поясной, общий. Свет: откуда, какой. Фон: какой и насколько пустой. Закрыто словами — шум сходится к одному; открыто — к типичному, и ты получаешь «человека вообще» на «фоне вообще» (уроки 1 и 16).

Четыре слота кадра

Заготовка — портрет, тот же бланк, что в уроках 1 и 16. Впиши свои опоры или оставь как есть: каждый слот закрыт словом, а не оценкой.

Кто в кадре План Свет Фон

Промпт появится здесь, когда заполнишь поля.

Открыть SeeDream PRO с этим промптом →

Запуск спишет 1ⓥ ≈ 30 ₽, кадров за запуск приходит два. Сравни их между собой: разошлись в свете — закрой свет точнее; совпали до поворота головы — промпт готов.

Закон 3. Диффузионная модель идёт от шума к кадру целиком. Её слоты — кто, план, свет, фон.

Зачем это тому, кто уже жмёт кнопку ▶

У диффузионной модели нет разговора, но есть три рычага, которых нет у текста: референс (урок 23) — фото, к которому сходится шум; seed (урок 24) — начальный шум, который можно зафиксировать; формат кадра (урок 25) — куда шуму сходиться. Слова закрывают «что», рычаги — «как именно и повторяемо ли». И счёт здесь пачками кадров, а не словами: 1K — четыре кадра за 1ⓥ, 2K — два.

Аудио: звук по времени

Открой Suno. Поля там другие: подсказка под описанием — «жанр + настроение + инструменты + темп», режим «с вокалом или без», текст с куплетами и припевом, «стиль», «пол вокала». Ни «кто в кадре», ни «форма ответа». Потому что аудиомодель собирает не картинку и не текст — она раскладывает звук по времени: сначала вступление, потом куплет, потом припев, и в каждой доле — какие инструменты звучат и как. Трек — это план по времени, заполненный звуком.

Твой запросинструменты + темп + настроение + вокал

›

Структура по временивступление → куплет → припев

›

Звук в каждой долекакие инструменты, как звучат, поёт ли кто-то

›

Трекминуты звука; что не задано — типичный жанр «вообще»

Слоты звука — то, что живёт во времени. Инструменты: гитара, ударные, синтезатор, струнные. Темп: медленный, средний, быстрый. Настроение: тёплое, тревожное, праздничное. Вокал: есть или нет, мужской или женский, а если есть — текст куплетов и припева отдельным полем. Закрыл четыре слота — трек собирается в нужную сторону; оставил «красивую музыку» — получишь типичную.

Четыре слота звука

Заготовка — спокойный фон без слов. Впиши своё или оставь как есть: каждый слот — словом, которое живёт во времени.

Инструменты Темп Настроение Вокал

Описание появится здесь, когда заполнишь поля.

Открыть Suno с этим описанием →

Цену смотри на кнопке генератора — она зависит от выбранной версии. Слушай черновик, пока трек дорабатывается: если темп не тот — закрой темп точнее, не переписывай всё.

Закон 4. Аудиомодель раскладывает звук по времени. Её слоты — инструменты, темп, настроение, вокал.

Зачем это тому, кто уже жмёт кнопку ▶

В Suno описание и текст песни — разные поля: описание задаёт звук, текст — слова, а метки [Verse] и [Chorus] в тексте задают структуру по времени. Есть поле «Исключить» — негатив-теги, чего в треке быть не должно; это тот же слот-запрет, что negative_prompt у картинок. Вокал без своего текста — модель споёт типичное; хочешь свои слова — неси их отдельным полем.

Что общего и что разного

Отправь «сделай красиво» во все три кнопки. Придут три типичности: типичный абзац, типичный кадр, типичный трек. Все три — «правильные» и все три — ничьи. Общий закон один: запрос без закрытых слотов даёт среднее по стопке примеров. Разное — какие слоты у какой машины вообще есть: «объём до 50 слов» ничего не значит для картинки, «свет слева» — для трека, «темп» — для текста.

Языковаязадача · форма · объём

Диффузионнаякто · план · свет · фон

Аудиоинструменты · темп · настроение · вокал

Общее для всех трёхзапрос → типичное; закрытые слоты сужают жребий (урок 16), открытые отдают среднее

Поэтому перед кнопкой задай себе один вопрос: какая машина за ней и что для неё «продолжение». Текст — закрывай задачу, форму, объём. Кадр — кто, план, свет, фон. Звук — инструменты, темп, настроение, вокал. Видео — отдельный разговор: там кадр ещё и движется во времени, и это урок 27.

Закон 5. Один принцип на три кнопки — запрос → типичное. Разные слоты: закрывай те, которые есть у этой машины, а не те, к которым привык в чате.

Зачем это тому, кто уже жмёт кнопку ▶

Три бланка на сайте по-разному считают деньги — и это тоже след типа модели. Текст списывается по токенам входа и выхода. Картинки — пачками кадров. Музыка — за трек, по версии на кнопке. Считай не «за запуск», а за то, чем машина мерит работу: слово, кадр, трек. Так оценка списания перестаёт удивлять.

03

Аналогия

Аналогия · три мастера в одном доме

Представь дом, где живут три мастера, и у каждого своё окошко. Первый — писарь: ты диктуешь, он пишет слово за словом, и каждое следующее выбирает с оглядкой на предыдущие. Второй — фотограф в тёмной комнате: он опускает лист в проявитель, и картинка проступает вся сразу, из серых пятен, всё резче с каждой минутой, — а тебя спрашивает только до того, как опустил: кто, как близко, откуда свет, какой фон. Третий — музыкант: он раскладывает время на такты и в каждый кладёт звук; ему важно, какие инструменты, в каком темпе и поёт ли кто-нибудь.

Все трое умеют одно: сделать типичное, если ты ничего не сказал. Писарь напишет «текст вообще», фотограф проявит «человека вообще», музыкант сыграет «песню вообще». И у каждого свои вопросы: спроси писаря про свет — он пожмёт плечами, скажи музыканту «до 50 слов» — он не поймёт. Урок — про то, кому какие слова нести. Дом один, окошки разные.

04

Что это значит на практике

Перед кнопкой назови машину: чат — языковая, фото — диффузионная, музыка — аудио. Слова для одной не работают у другой.
Закрывай слоты этой машины: текст — задача, форма, объём; кадр — кто, план, свет, фон; звук — инструменты, темп, настроение, вокал.
Не разговаривай с генератором картинок. «Уточни», «лучше», «как в прошлый раз» — слова для чата. У кадра — референс, seed и формат.
Смотри на счёт по-своему у каждой кнопки: слова, кадры, трек. Оценку списания читай до запуска, а не после.

05

Заблуждение, которое мешает

Заблуждение, которое убивает этот урок: «На сайте одна нейросеть, просто с тремя выходами. Научился писать промпты в чате — значит, умею и картинки, и музыку».

Оно вредит сразу в трёх местах.

Первое: ты переносишь слова чата в генератор картинок и ждёшь «уточнения», которого там нет. Каждый запуск — новый бланк, «как в прошлый раз» для диффузионной модели пустой звук, а ⓥ списаны.

Второе: ты пишешь для картинки «объём» и «форму», а для трека — «кто в кадре». Слоты не те, машина их не слышит и берёт типичное — и кажется, что «нейросеть тупая».

Третье: ты сравниваешь машины «кто умнее», хотя они делают разные вещи и мерят работу по-разному: словами, кадрами, минутами. Сравнивать надо не машины между собой, а свой запрос со слотами конкретной машины.

Три машины, три набора слотов. Один общий закон — запрос → типичное — и три разных способа его обойти.

06

Проверка

Выбери вариант — разбор появится сразу, и на верный, и на неверный.

1. Что общего у чата, генератора картинок и генератора музыки на сайте?

2. Ты написал в SeeDream PRO: «сделай, как в прошлый раз, только лучше». Что придёт?

3. Для какой машины важен слот «темп»?

Понял?

Отмечай только то, что можешь прямо сейчас сказать вслух своими словами. Это не галочки для отчёта, а проверка, что урок улёгся.

Могу назвать три типа модели за тремя кнопками сайта и сказать, что каждая считает «продолжением»: слово, кадр, звук по времени

Понимаю, что общего: запрос → типичное, и открытые слоты дают среднее у любой из трёх

Помню слоты каждой: текст — задача, форма, объём; кадр — кто, план, свет, фон; звук — инструменты, темп, настроение, вокал

Не переношу слова чата в генератор картинок: «уточни» и «как раньше» там не работают, работают референс, seed и слоты

07

Итог

Три кнопки — три типа модели: языковая (текст по кускам), диффузионная (от шума к кадру), аудио (звук по времени).
Общее: запрос → типичное. Разное: слоты. Текст — задача, форма, объём; кадр — кто, план, свет, фон; звук — инструменты, темп, настроение, вокал.
Перед кнопкой назови машину и закрой её слоты. У кадра нет разговора — есть референс, seed и формат; у звука — время.

Следующий урок: Форматы файлов → Все уроки теории →