AI hudební prompty: jak psát text-to-music prompty, které skutečně znějí dobře

Co Suno, Udio a další text-to-music modely skutečně čtou?

Text-to-music modely nečtou angličtinu jako člověk — tokenizují váš prompt, extrahují žánr, tempo, instrumentaci a náladové signály a váží tyto tokeny proti referenčnímu stylu v tréninkových datech.

Nejčastější začátečnická chyba je prompt typu „píseň o ztracené lásce s skvělými vokály“. Model netuší, co znamená „skvělé vokály“, nemá kotvu pro „ztracenou lásku“ a žádné vodítko pro tempo, tóninu nebo aranžmá. Výsledkem je vágní, nezajímavá čtyřtaktová smyčka znějící jako stock music bed. Oprava je psát prompty tak, jak je model skutečně interpretuje: s konkrétním žánrem, tempem, instrumentací, vokálním stylem a klíčovými slovy nálady. Suno v4 (vydané koncem 2025) a Udio v2 (začátek 2026) používají mírně odlišné tokenizační schémata, ale oba sledují stejný princip: prompt je seznam vážených klíčových slov a krátkých frází, ne přirozený odstavec. Riffusion, založený na Stable Diffusion, zachází s promptem spíš jako s image promptem, takže funguje lépe s adjektivy a vizuálními mood slovy („cinematic“, „warm“, „ethereal“) než s konkrétními žánrovými labely. Stable Audio 2 od Stability AI je blíže přístupu Suno, ale s větším důrazem na technické deskriptory (BPM, key signature, sample rate). Očekávání pro rok 2026: dobře napsaný prompt produkuje 60 až 90sekundový klip v produkční kvalitě už při první nebo druhé generaci. Špatně napsaný prompt produkuje 15 až 30sekundový klip znějící AI generovaně i po desáté generaci. Dovednost, která oddělí užitečný prompt od zbytečného, není kreativní psaní — je to přesné použití klíčových slov, která model rozpoznává. Je to blíž psaní search dotazu než psaní písně.

Formule žánr + tempo + nálada + instrumentace

Spolehlivá struktura promptu pro Suno, Udio a Stable Audio v roce 2026 má čtyři části v tomto pořadí: žánr a subžánr, tempo a tónina, nálada a vokální styl, konkrétní instrumentace.

Struktura, která v roce 2026 produkuje konzistentní výsledky: žánr, tempo, nálada, instrumentace. Příklad: „trap, 140 BPM, minor key, melancholic mood, female vocal, 808 sub-bass, ambient pad, lo-fi texture, soft hook, verse-chorus structure, 90 seconds.“ Tento prompt dává modelu dost informací pro obhajitelná rozhodnutí o každém prvku výstupu. Porovnejte s vágním promptem „trap song with sad vibes“ — model musí hádat tempo, vokální styl, instrumentaci a strukturu a bude hádat nejstatističtějším směrem, což produkuje generický výstup. Každá složka formule má specifickou roli. Žánr (s subžánrem) kotví aranžmá, zvukovou paletu a strukturální konvence. Tempo a tónina kotví rytmus a harmonické pole. Nálada kotví akordovou progresi a emoční směr. Instrumentace kotví skutečné zdroje zvuku. Vokální styl je volitelný, ale silný — „female vocal, breathy delivery“ nebo „male rap, aggressive delivery“ produkuje dramaticky odlišné výsledky. Strukturální signály jako „verse-chorus“, „build-drop“ nebo „intro-verse-chorus-bridge-outro“ říkají modelu, kam umístit přechody a jak dlouhé mají být sekce. Běžné failure modes, kterým se vyhněte: nedávejte jméno umělce do promptu („in style of Drake“) — Suno a Udio to nyní explicitně blokují a Udio filtr prompt rovnou odmítne. Nezahrnujte explicitní obsah. Nepožadujte píseň delší než 4 minuty v jednom promptu; model ztrácí koherenci po 2,5 až 3 minutách a dostanete vágní outro. Neskládejte víc než 8 až 10 deskriptorů — poté model začne prompt brát jako šum.

Suno vs Udio vs Riffusion: který model pro který styl promptu?

Suno v4 je nejsilnější pro pop, hip-hop a elektroniku s generováním vokálů; Udio v2 pro rock, metal a komplexní instrumentaci; Riffusion pro ambient, experimentální a čistě instrumentální výstup.

Tři dominantní text-to-music platformy v roce 2026 mají každá jinou specialitu a styl promptu, který funguje na jedné, ne vždy funguje na druhé. Suno v4 je nejuživatelsky přívětivější a produkuje nej„radio-ready“ výstup pro pop, hip-hop, R&B a EDM. Jeho prompt parser toleruje přirozený jazyk, ale lepší výsledky dává s formulí žánr-tempo-nálada. Suno voice synthesis je nejpřirozenější ze tří, s realistickým dechem, pitch correction a timingem. Nevýhoda: Suno arrangement šablony jsou poměrně rigidní — má silné názory na song structure a moc neodchýlí od verse-chorus-verse. Udio v2 je silnější pro full-band žánry: rock, metal, jazz, country, blues. Jeho vocal synthesis je hrubší než Suno, ale instrument separation a mix quality je lepší pro live znějící materiál. Udio prompt parser je literálnější než Suno, takže formule žánr-tempo-nálada dává předvídatelnější výstup. Hlavní omezení: Udio blokuje všechny reference na style major-label umělců a vynucuje content filter odmítající prompty s explicitním obsahem nebo chráněnými brand jmény. Udio také nabízí „stem export“ na placených plánech, což je mezi třemi platformami unikátní. Riffusion je výjimka. Je založen na spectrogram diffusion modelu, ne tokenizovaném audio modelu jako Suno nebo Udio. Styl promptu je spíš jako image prompt: vizuální adjektiva, mood slova, popisy scény. Riffusion je nejlepší pro ambient, cinematic a instrumentální výstup. Slabý na vokály — voice synthesis není produkční kvality. Zdarma tier je štědrý a model běží v reálném čase, což z něj dělá užitečný sketching nástroj. Riffusion není správná volba pro producenta potřebujícího plnou píseň s vokály, ale exceluje pro textury, beds a sound design startovní body.

Psaní promptů pro verse vs hook (jiné struktury)

Verse a hook potřebují odlišné prompt strategie — verse profitují z deskriptivních, scénu nastavujících klíčových slov, zatímco hook z krátkých, úderných, repetition-friendly signálů sladěných s jádrovou melodickou myšlenkou písně.

Pokud generujete celou píseň v jednom promptu, struktura je: intro cue, verse deskriptory, pre-chorus deskriptory, chorus deskriptory, bridge deskriptory, outro cue. Nejužitečnější jediný trik je použít termín „build“ před chorus sekcí — říká modelu, aby přidal energii, lift a dynamický rozsah přesně tam, kde chcete payoff. Příklad promptu pro verse 1: „trap, 140 BPM, A minor, verse section, sparse drums, sub-bass, atmospheric pad, introspective vocal, 16 bars.“ Pro chorus: „trap, 140 BPM, A minor, chorus section, full drums, layered vocals, melodic hook, build energy, 8 bars.“ Model tyto sekce oddělí a aplikuje vhodné aranžmá. Pokud generujete verse a hook zvlášť a šijete je dohromady (což dává víc kontroly), workflow je: nejdřív generujte chorus, protože melodie je kotva písně, pak verse, pak použijte „extend“ funkci v Suno nebo Udio pro bridge. To produkuje koherentnější píseň než generování celé stopy najednou, ale vyžaduje ruční editing v DAW pro sešití sekcí. Trade-off stojí za to u jakékoli stopy plánované k komerčnímu releasu. Konkrétní prompt technika fungující v roce 2026: zahrňte termín „humanized“ nebo „human feel“, pokud chcete, aby model přidal mírné nedokonalosti výkonu — půltakt rytmické volnosti, dech před frází, jemný pitch waver na držené notě. Bez tohoto signálu model produkuje příliš perfektní výstup znějící synteticky. S ním výstup projde jako kompetentní demo nahrávka. „Humanized“ cue je rozdíl mezi demem, které přehrajete jednou, a demem, které dostane callback.

Extend, remix a stem export: produkční workflow pro AI výstup

Extend, remix a stem-export funkce Suno a Udio promění jednu generaci v plnou produkční session — cílem je použít AI jako songwriting spolupracovníka, ne generátor hotových stop.

Profesionální workflow v roce 2026 bere AI generaci jako songwriting krok, ne produkční krok. Typický pipeline: generujte 10 až 20 variací chorus, dokud nenajdete melodii, která funguje, generujte verse varianty ladící s vybraným chorusem, extendujte bridge sekci, pak exportujte stemy (Udio na placeném plánu nebo přes third-party stem splitter) do DAW. Odtud producent znovu nahraje nebo nahradí lead vocal, vymění reálné drum sample nebo nahrané bubny a bere AI výstup jako kvalitní demo aranžmá spíš než finální master. „Extend“ funkce v Suno a Udio je nejužitečnější. Vezmete 30sekundovou generaci, která se vám líbí, kliknete extend a model pokračuje píseň z posledních 10 sekund se stejnými žánrovými, tempo a style signály. Extendovat můžete až na 4 minuty celkem a specifikovat, kam nová sekce patří (nový verse, bridge, outro). Trik: extension je jen tak dobrá jako prompt, který pro ni napíšete. Extend bez přepsání promptu model vyplní generickým obsahem. Nový section prompt („bridge section, stripped back, piano and vocal only, builds to final chorus“) produkuje koherentní přechod. Stem export je funkce, která otáčí AI výstup v použitelnou produkci. Udio placený plán exportuje čtyř-stemové splity (vocals, drums, bass, other) jako 24bit WAV. Splity nejsou perfektní — je bleed, zejména v hustých aranžmá — ale jsou použitelné. Pro kvalitnější splity protáhněte AI výstup third-party stem splitterem jako RipX DAW, Audioshake nebo LALAL.ai, které produkují čistší separaci za cenu extra kroku. Jakmile máte stemy v DAW, můžete nahradit jakýkoli prvek (re-record vocal, swap kick, change bass patch) a zbytek AI generace funguje jako backing track. Toto je workflow produkující commercial-quality výstup z text-to-music modelů v roce 2026.

Iterace promptů: 5-generační refinement loop

Spolehlivý proces iterace promptů v roce 2026 má pět generací: první průchod pro žánr a feel, druhý pro uzamčení chorus melodie, třetí pro aranžmá úpravy, čtvrtý pro vokální styl, pátý pro finální polish.

Producenti s nejlepšími výsledky z text-to-music berou generaci jako refinement loop, ne one-shot proces. 5-generační loop v roce 2026: generace 1 je široký prompt establishing žánr, tempo a core feel. Generujete 4 až 8 variací, vyberete tu s nejsilnějšími prvními 8 takty a zbytek ignorujete. Generace 2 bere vítěze a produkuje variace chorus — promptujete „chorus section, repeat, full energy“ pro 4 až 6 chorus variant. Vyberte nejsilnější hook. Generace 3 je aranžmá refinement. Vezměte vybraný chorus, extendujte zpět do verse se stejným prompt stylem a upravte instrumentační signály (vyměňte „atmospheric pad“ za „warm Rhodes“, pokud chcete jinou texturu). Generace 4 je vocal style refinement. Pokud vokál zní příliš čistě, přidejte „raw vocal“ nebo „live room sound“. Pokud chcete harmonie, přidejte „layered background vocals, call and response“. Generujte 4 až 6 variant a vyberte nejpřesvědčivější výkon. Generace 5 je finální polish pass — extend na plnou délku písně, přidejte outro a vyprodukujte master verzi pro DAW. 5-generační loop trvá zhruba 45 až 90 minut na píseň. Ve srovnání s psaním, nahráváním a mixováním od nuly je to 5× až 10× zrychlení songwriting kroku. Produkční krok (nahrazení AI vokálů reálnými, mix, mastering) stále trvá stejných 8 až 20 hodin, takže čistá úspora času je reálná, ale omezená. Největší chyba producentů s tímto loopem je přeskakování generací — jít z vágní generace 1 rovnou na finální export. Kvalita přichází z mezilehlých generací.

Srovnání text-to-music modelů (2026)

Napište produkčně připravený Suno nebo Udio prompt

1. Vyberte žánr a subžánr: Začněte konkrétním žánrovým labelem: „trap“, „lo-fi hip-hop“, „synthwave“, „Afrobeat“, „drum and bass“. Subžánry produkují dramaticky odlišný výstup než deštníkové žánry („hip-hop“ dává vágní výsledky; „trap“ produkuje 808-driven aranžmá s hi-hat rolly).
2. Nastavte tempo a tóninu: Zahrňte BPM jako číslo („140 BPM“) a tóninu („A minor“). Tempo a tónina jsou dvě nejsilnější kotvy pro aranžmá a harmonický směr. Většina žánrů má typický tempo rozsah; držení se v něm produkuje idiomičtější výstup.
3. Přidejte náladu a vokální styl: Vyberte jedno mood slovo („melancholic“, „aggressive“, „euphoric“, „introspective“) a jeden vokální deskriptor („female vocal breathy“, „male rap aggressive“, „duet call and response“). Nálada kotví akordovou progresi; vokální deskriptor kotví výkon.
4. Vyjmenujte konkrétní instrumentaci: Zahrňte 3 až 5 konkrétních nástrojů: „808 sub-bass, lo-fi piano, ambient pad, trap hats, layered vocal chops“. Víc než 8 nástrojů způsobí špatný mix modelu; méně než 3 nechá příliš mnoho na algoritmus.
5. Specifikujte strukturu: U plných písní zahrňte pořadí sekcí: „intro, verse, chorus, verse, chorus, bridge, chorus, outro“. U částečných generací pojmenujte sekci: „chorus section only“ nebo „verse section, 16 bars“.
6. Přidejte humanize cue: Zahrňte „human feel“, „humanized“ nebo „live room sound“ pro jemné nedokonalosti výkonu. Bez tohoto cue výstup zní příliš čistě a synteticky. S ním projde jako kompetentní demo nahrávka.
7. Generujte 4 až 8 variant: Spusťte prompt a generujte 4 až 8 variací. Vyberte tu s nejsilnějšími opening bary a nejkoherentnějším chorusem. První generace zřídka je nejlepší — druhá a třetí obvykle zlepší první, protože model má víc kontextu ze stejného promptu.