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.