Google 4. septembra oznámil, že jeho najnovší hudobný generatívny model Lyria 3.5 prichádza do aplikácie Gemini a do Gemini API. Hudobná AI sa tak z experimentálneho prostredia Flow Music, kde sa objavila koncom júla, presúva priamo k bežným používateľom a vývojárom — globálne, na webe aj v mobilnej aplikácii.
Čo Lyria 3.5 dokáže
Podľa oficiálneho oznámenia prináša výraznejšie vokály a bohatšie aranžmány. V aplikácii Gemini stačí:
- vybrať alebo opísať žáner a zvoliť vokálnu či inštrumentálnu verziu,
- použiť nové šablóny — od hudby na pozadí po narodeninovú skladbu na mieru,
- zvoliť kratšiu alebo dlhšiu stopaž; maximum je približne tri minúty.
Model generuje stereo zvuk v kvalite 44,1 kHz. Zaujímavosť: promptovať možno aj obrázkami — k textu priložíte až 10 fotografií a model zloží hudbu zodpovedajúcu ich atmosfére. Promptovanie v konkrétnom jazyku má podľa dokumentácie viesť k textom v ňom; či dobre zvláda slovenčinu, zatiaľ nie je potvrdené.
Pre vývojárov: dva varianty v API
Dokumentácia Gemini API rozlišuje dva modely cez Interactions API:
- Clip — vždy 30-sekundová ukážka, vhodná na slučky a rýchle skúšanie promptov,
- plná verzia — viacminutové skladby so slokami, refrénmi a bridge-ami, s výstupom MP3 aj WAV.
Texty piesní viete štruktúrovať značkami ako [Verse] a [Chorus] a časovými značkami určiť, kedy ktorý nástroj vstúpi. API vráti okrem audia aj text a JSON rozpis štruktúry skladby.
Limity, ktoré treba poznať
- Žiadne dodatočné upravovanie. Ide o jednokolové generovanie — ak sa vám nepáči refrén, musíte regenerovať celú skladbu. Chýba aj seed na reprodukovanie výsledku.
- Žiadne napodobňovanie interpretov. Požiadavky typu „spievaj ako Taylor Swift“ blokuje bezpečnostný filter; treba opísať štýl namiesto mena.
- Latencia. Trojminutová skladba sa generuje desiatky sekúnd — na okamžité interaktívne použitie to nie je.
- Cena zatiaľ nejasná. Google v oznámení samostatný cenník neuvedie; pred nasadením do produktu si overte aktuálne sadzby Gemini API.
- Komerčné podmienky. Google k Lyrii zatiaľ nepublikoval osobitné komerčné licencie — pri platenom produkte si overte podmienky použitia.
Vodeň na mlyny konkurencie?
Voči Suno či Udio je Lyria 3.5 podľa dostupných hodnotení v rovnakej kvalitnej triede — jej výhoda je distribúcia. Ak už vo vašom produkte voláte Gemini API na text či obraz, pridať hudbu znamená len ďalší endpoint v rovnakej fakturácii, nie nového dodávateľa. Každá vygenerovaná skladba nesie nepočuteľný vodoznak SynthID odolný voči kompresii, čo Google rámuje ako nástroj na dohľadanie pôvodu. Firma tvrdí, že model trénovala na licencovaných dátach, ku ktorým mala práva — ide o jej vyhlásenie, detailné zloženie datasetu nezverejnila.
Praktický tip na vyskúšanie: v Gemini appke popíšte žáner, tempo a náladu („pomalý lo-fi beat, 75 BPM, daždivá nedela“) a porovnajte krátku a dlhú verziu. Rozdiel v štruktúre je najlepšia ukážka toho, čo model oproti predchodcovi zlepšil.
