Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Text-to-Music

Text-to-Music ist die Aufgabe, Musik als Audio aus einer geschriebenen Beschreibung zu erzeugen, etwa Genre, Stimmung, Instrumente und Tempo. Manche Systeme schreiben und singen auch Liedtexte.

Auch: AI music generation, music generation, AI song generator

Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir

Du beschreibst, was du willst, zum Beispiel „langsames Lo-Fi-Klavier mit leisem Regen, 70 bpm“, und das Modell liefert einen Audioclip. Auf Songs ausgerichtete Dienste wie Suno und Udio können aus einem Prompt und einem Liedtext vollständige Tracks mit Gesang erzeugen.

So funktioniert es

Zwei Familien dominieren. Ansätze mit Sprachmodellen verwandeln Audio mit einem neuronalen Codec in diskrete Tokens und sagen die Tokens dann nacheinander voraus, so wie ein Textmodell Wörter vorhersagt. MusicGen von Meta ist ein offenes Beispiel: ein einzelner Transformer, der auf mehreren Strömen von Audio-Tokens arbeitet und durch Text oder eine Melodie gesteuert werden kann. Diffusionsansätze wie Stable Audio 3 Medium erzeugen Audio durch Entrauschen, ähnlich wie ein Diffusionsmodell für Bilder.

Einsatzzwecke

Hintergrundmusik für Videos, Podcasts und Spiele, schnelle Demos für Songwriter und Variationen eines Themas. Manche Tools können einen Clip verlängern, Spuren trennen oder einer gesummten Melodie folgen.

Verwandte Begriffe

Text-to-Music ist ein Geschwister von Text-to-Speech: Beide erzeugen Audio, aber Sprachmodelle zielen auf klare Wörter, Musikmodelle auf Rhythmus, Harmonie und Klangfarbe.

Grenzen

Lange Stücke können ihre Struktur verlieren, und Liedtexte können verstümmelt herauskommen. Die Rechtslage ist ungeklärt: Training auf urheberrechtlich geschützten Aufnahmen hat zu Klagen geführt, und die Bedingungen für die kommerzielle Nutzung der Ausgabe unterscheiden sich je nach Dienst, also lies sie vor dem Veröffentlichen.

Verwandte Begriffe

Text-to-Speech
Text-to-Speech (TTS, Sprachsynthese) ist Software, die geschriebenen Text in gesprochenes Audio verwandelt. Modernes TTS nutzt neuronale Netze, die aus dem Text den Klang der Sprache vorhersagen und ihn dann als Wellenform ausgeben.
Diffusionsmodell
Ein Diffusionsmodell (Diffusion Model) ist ein generatives Modell, das lernt, zufälliges Rauschen in Daten wie ein Bild zu verwandeln, indem es über viele Schritte jeweils ein wenig Rauschen entfernt.
Autoregressives Modell
Ein autoregressives Modell erzeugt eine Sequenz Stück für Stück, indem es jedes nächste Token aus allen vorherigen Tokens vorhersagt und diese Ausgabe wieder einspeist. Die meisten großen Sprachmodelle arbeiten so.
Voice Cloning
Voice Cloning (Stimmklonen) ist der Einsatz von KI, um ein Text-to-Speech-System mit der Stimme einer bestimmten Person sprechen zu lassen, gelernt aus einer Aufnahme dieser Person. Manche Systeme brauchen nur eine kurze Probe.
Modelllizenz
Eine Modelllizenz sind die rechtlichen Bedingungen, unter denen die Gewichte eines Modells, manchmal auch sein Code und seine Daten, genutzt, verändert und weitergegeben werden dürfen. Die Bandbreite reicht von freizügigen offenen Lizenzen bis zu nicht-kommerziellen oder eigenen, eingeschränkten Lizenzen.

Quellen