После перехода Suno на новое поколение v6 часть пользователей столкнулась с неожиданной проблемой: полный трек может звучать вполне прилично, но после разделения на стемы вокал становится мутным, фазовым и заметно менее естественным. В сообществах появляются сообщения о «размазанной» стереокартине, двойных транзиентах, металлических согласных и потере чёткости. Мы изучили пользовательские сравнения, официальную документацию Suno и возможные технические причины происходящего.
9 сентября 2026 года Suno представила новое поколение музыкальных моделей v6. Компания назвала его крупнейшим шагом вперёд и заявила о более высокой скорости, выразительности и качестве генерации. Новая линейка включает основную модель v6, более экспериментальную v6-wild и облегчённую v6-mini. При этом закрыла доступ к модели Suno 5.5
Однако практически сразу после релиза в сообществах Suno начала накапливаться противоположная реакция. Пользователи стали жаловаться на более мутный звук, потерю высокочастотной детализации, ухудшение вокала и проблемы при дальнейшем профессиональном использовании сгенерированных композиций. Особенно заметной оказалась проблема со стемами.
Для обычного пользователя это может быть второстепенной функцией. Но для музыкантов, продюсеров и звукорежиссёров возможность получить отдельно вокал, ударные, бас, гитару или инструментальную фонограмму часто является ключевой частью рабочего процесса. Именно здесь v6 для некоторых пользователей преподнесла неприятный сюрприз.
Жалобы появились практически сразу после выхода v6
Уже в день релиза на Reddit появились крупные обсуждения, посвящённые качеству новой модели. В одном из наиболее популярных сообщений пользователь характеризовал звук v6 как приглушённый и тусклый, а ведущий вокал как слишком глубоко утопленный в аранжировке. Другие пользователи описывали похожие ощущения: отсутствие прежней прозрачности, слишком синтетический характер вокала и потерю высокочастотной детализации.
Похожие отзывы начали появляться и в последующие дни. Пользователь, преимущественно создающий rock и metal, отметил, что в v6 голос значительно сильнее смешивается с остальными инструментами, чем это происходило в v5.5. Другие сообщали о metallic vocals, hiss, чрезмерной реверберации и ощущении, что звук стал менее естественным.
Негативная реакция стала достаточно заметной, чтобы на неё обратило внимание издание MusicRadar. Оно отдельно написало о серьёзном недовольстве пользователей после выхода v6 и привело характерные жалобы на muffled audio и потерю выразительности по сравнению с предыдущими моделями.
Разумеется, это не означает, что v6 звучит хуже абсолютно во всех случаях. Некоторые пользователи получают хорошие результаты, особенно в определённых жанрах. В обсуждениях встречаются сообщения о более хорошем низкочастотном диапазоне или удачных результатах v6-wild. Но количество однотипных претензий позволяет говорить уже не об одной неудачной генерации, а о заметной тенденции.
Наиболее серьёзные претензии относятся к стемам
Пользователи отмечают, что скачанный после Split from Mix результат оказался практически непригоден к работе из-за выраженных фазовых проблем. Вокал и инструменты, по его описанию, звучали так, будто подверглись сильному phase cancellation.
Кроме того, другой пользователь заметил странное поведение стереополя: ударные постепенно смещались вправо, тогда как громкие тарелки оставались преимущественно слева. При этом он отдельно сравнил ситуацию с v5.5 и заявил, что предыдущая версия давала ему значительно более качественное разделение.
Это важное наблюдение. Если бы проблема состояла исключительно в эквализации или уменьшении высоких частот, её относительно легко можно было бы компенсировать последующей обработкой. Фазовые ошибки исправлять значительно сложнее. Если информация между левым и правым каналами уже получила различные временные смещения, фильтрацию или генеративную реконструкцию, обычный EQ не возвращает исходный сигнал.
Пользователи говорят о phase smearing и двойных транзиентах
Ещё более серьёзные утверждения появились в обсуждении от 15 сентября. Один из пользователей заявил, что v6-stems содержат несколько характерных дефектов:
короткие slapback-подобные задержки;
сильное phase smearing;
дублирование транзиентов;
фантомные двойные удары барабанов.
Пользователь назвал систему «mathematically broken».
Особенно неприятен transient duplication. Транзиент представляет собой очень короткую начальную часть звука, например момент удара палочки по малому барабану, щелчок медиатора или начало согласной в вокале. Если нейросеть создаёт рядом с настоящим транзиентом ещё один слабый временно смещённый компонент, звук начинает восприниматься как менее чёткий.
У барабана появляется эффект двойного удара. У вокала это может проявляться как странное произношение «т», «к», «с», «ш» или «ж». Именно поэтому некоторые дефекты нейросетевого разделения могут быть значительно заметнее на изолированном вокале, чем внутри полного микса.
Одно из самых интересных сравнений v5.5 и v6
Через несколько дней после выхода v6 пользователь Reddit опубликовал более подробное техническое сравнение вокала v5.5 и v6. Он исследовал две версии одной композиции и отдельно сравнил полученные vocal stems.
Результаты оказались интереснее простого утверждения «v6 стало глуше». Громкость двух вокальных стемов оказалась практически одинаковой: примерно −18,3 LUFS для v5.5 и −18,2 LUFS для v6. То есть проблему нельзя объяснить тем, что новый вокал просто тише.
При этом изменилась пространственная структура. Автор измерил L/R-корреляцию около 0,922 для v5.5 и 0,885 для v6. Соотношение Side/Mid изменилось примерно с −13,9 до −12,2 dB. Иными словами, в его конкретном сравнении относительно больше вокальной информации v6 оказалось распределено в боковой составляющей стереосигнала.
В диапазоне примерно 2-4 кГц, который особенно важен для разборчивости речи и вокальных согласных, Side-компонент относительно Mid оказался приблизительно на 3 dB выше, чем у v5.5.
Для слуха это может иметь очень характерный эффект. Вокал не обязательно становится существенно тише. Вместо этого исчезает ощущение, что певец находится точно по центру непосредственно перед слушателем. Голос становится более пространственным, размазанным и погружённым внутрь микса. Это довольно точно совпадает с термином, который сам автор использовал для описания проблемы: spectral haze, спектральная дымка.
Высокочастотная структура тоже меняется
В том же исследовании автор обратил внимание, что основные мелодические и временные характеристики вокала остаются достаточно похожими. Песня по-прежнему узнаваема, высота нот близка, ритмическая структура сохраняется. Но на уровне мелких спектральных деталей различия становятся значительно сильнее.
Это очень важный момент. Человеческий голос определяется не только фундаментальной частотой и формантами. Ощущение естественности создают тысячи небольших деталей:
атаки согласных;
шумовая составляющая «с» и «ш»;
микроизменения гармоник;
дыхание;
нерегулярности амплитуды;
небольшие изменения фазы;
временная структура высокочастотного шума.
Если нейросеть воспроизводит основную ноту правильно, но синтезирует эту микроструктуру приблизительно, человек всё равно слышит, что с голосом что-то не так. Именно отсюда часто возникают характерные определения вроде «metallic», «watery», «AI sand» или «plastic vocals».
Ключевой факт: Suno не просто вырезает стемы из исходного микса
Чтобы понять возможную природу проблемы, необходимо знать одну необычную особенность современной системы Suno.
11 июня, за несколько месяцев до выхода v6, компания полностью переработала систему Stem Separation. Появились три варианта:
Auto Split разделяет композицию на набор стандартных категорий;
Split from Mix позволяет извлечь отдельный голос или инструмент;
Advanced Split позволяет выбирать почти из сотни инструментов.
Но важнее не количество режимов, а принцип их работы. Suno официально объясняет, что новый механизм работает иначе, чем традиционные программы source separation.
Классическая система пытается определить, какие части уже существующего waveform принадлежат вокалу, ударным, басу или другим инструментам. Suno выбрала другой путь. Компания прямо пишет, что её система анализирует композицию и заново генерирует каждый stem с помощью своей модели. Извлечённая гитара, например, является не просто частотным фрагментом master-файла, а новой генерацией, максимально похожей на присутствовавшую в исходной композиции.
Это принципиальное различие.
Традиционное разделение можно условно представить так:
готовый mix;
анализ;
выделение существующего vocal waveform;
vocal stem.
Современный подход Suno ближе к следующему:
готовый mix;
анализ содержания;
определение партии вокала;
нейросетевая реконструкция вокала;
новый vocal stem.
И вот здесь становится понятным, почему возможна странная ситуация: полный трек звучит хорошо, а скачанный vocal stem звучит хуже. Потому что это не обязательно буквально тот же вокальный сигнал, который был внутри master-файла.
Генеративное разделение имеет преимущества, но и риски
На бумаге технология Suno выглядит логично. Традиционные системы source separation действительно имеют известные проблемы: bleed между дорожками, остатки тарелок в вокале, «водяные» спектральные артефакты, потерю отдельных гармоник.
Если вместо физического разделения заново синтезировать инструмент, теоретически можно получить идеально чистую дорожку вообще без проникновения соседних инструментов. Именно это Suno и приводит в качестве преимущества своего подхода. Компания заявляет, что regenerated stems должны быть чистыми, чёткими и свободными от bleed.
Но существует обратная сторона. Нейросеть должна фактически угадать детали оригинального исполнения. Для гитары небольшое изменение отдельной гармоники может пройти почти незаметно. Для человеческого голоса требования значительно выше.
Человек чрезвычайно чувствителен к неправильной структуре речи. Поэтому даже очень небольшая ошибка генеративной реконструкции может проявиться как:
неестественная согласная;
металлическое шипение;
странное дыхание;
короткое эхо;
изменившийся тембр;
неправильная фаза;
нестабильная стереолокализация.
Иными словами, regenerated vocal может звучать «чище» с точки зрения отсутствия инструментального bleed, но одновременно менее естественно.
Возможно, v6 генерирует материал, который сложнее разделять
Это хорошо согласуется с общей волной жалоб на v6. Пользователи сообщают не только о плохих stems, но и о том, что уже внутри полного v6 mix вокал:
сильнее погружён в инструменты;
имеет меньше прямого высокочастотного присутствия;
становится более diffuse;
содержит больше реверберационной или пространственной информации;
хуже отделяется от других элементов аранжировки.
Если исходный вокал уже сильнее смешан с окружающим звуковым полем, любой separator получает более сложную задачу.
Возможная цепочка выглядит так: v5.5 generation → относительно хорошо локализованный вокал → stem reconstruction получает понятную исходную информацию → хороший результат.
Но: v6 generation → более сложная пространственная и спектральная структура → separator вынужден восстанавливать больше недостающей информации → больше генеративных ошибок.
В этом случае пользователь воспринимает ситуацию как «в v6 испортили stems», хотя реальная причина распределена между двумя этапами: генерацией исходного микса и последующим разделением.
Что ещё радикально изменилось в v6
При обсуждении качества нельзя игнорировать ещё один крупный фактор. v6 создавалась уже в принципиально другой юридической и технологической среде.
Suno официально объявила, что новая модель была разработана совместно с Warner Music Group, BMG и Believe.
TechCrunch сообщает ещё более существенную деталь: по данным самой Suno, v6 не обучалась на том же наборе данных, который использовался для предыдущих поколений моделей. Новое поколение было построено на новой базе, включающей лицензированные данные партнёров.
Это огромная перемена. Training dataset определяет не только способность модели сочинять мелодии. От него зависит сама статистика генерируемого звука:
типичная структура вокала;
характер компрессии;
стереокартина;
пространственная обработка;
соотношение прямого и отражённого сигнала;
высокочастотная микроструктура;
характер ударных;
плотность мастеринга.
Поэтому изменение training corpus вполне способно изменить характер генерируемого аудио даже без каких-либо намеренных ограничений качества.
Может ли ухудшение быть результатом новой защиты?
Именно здесь начинается одна из самых обсуждаемых пользовательских гипотез.
После выхода v6 Suno одновременно:
перешла на лицензированный training corpus;
заключила новые соглашения с крупными музыкальными компаниями;
изменила правила работы с контентом;
усилила механизмы защиты и контроля использования аудио.
Поэтому некоторые пользователи предположили, что ухудшение качества высоких частот или stems является намеренным элементом защиты.
Логика выглядит примерно так: новые соглашения с правообладателями → ограничения на точное воспроизведение материала → намеренное ухудшение сигнала или добавление защитного слоя.
Проблема в том, что доказательств такой схемы пока нет. Ни Suno, ни её партнёры не заявляли о намеренном добавлении phase smearing, metallic artifacts или ухудшении vocal stems.
Поэтому утверждать, что Suno специально «портит» стемы для защиты от копирования, было бы преждевременно.
Значительно лучше имеющимся фактам соответствует косвенная связь: новая модель регулирования авторских прав → новый лицензированный dataset → новое поколение модели → другой характер генерируемого сигнала → другие условия для работы stem reconstruction → изменение качества stems.
Связь с переходом на новую юридическую модель действительно может существовать, но совсем не обязательно в виде скрытого алгоритма намеренного ухудшения.
Почему проблема особенно опасна для профессиональной работы
Для обычного пользователя небольшой фазовый дефект может быть практически незаметен внутри готовой песни. Для профессиональной работы последствия значительно серьёзнее.
Предположим, пользователь хочет получить из Suno вокал и затем свести композицию самостоятельно. Он скачивает vocal stem, drums, bass и instrumental, после чего начинает применять:
компрессию;
эквализацию;
saturation;
stereo processing;
de-essing;
лимитирование.
Если исходный vocal уже содержит фазово нестабильные компоненты или скрытые повторные транзиенты, последующая обработка может сделать их ещё заметнее.
Компрессор поднимает тихие цифровые хвосты. Exciter усиливает искусственную высокочастотную структуру. Stereo widener увеличивает уже существующую декорреляцию. De-esser начинает бороться одновременно с настоящими согласными и нейросетевым шумом.
В итоге проблема, почти незаметная в исходном mix, превращается в явный цифровой артефакт.
Именно поэтому качество stem separation нельзя оценивать только фразой «вроде звучит нормально». Для профессиональной работы важна сохранность исходной временной, фазовой и спектральной структуры.
Альтернатива: не использовать Suno для разделения
У нынешней ситуации есть довольно очевидное практическое следствие. Если полный Suno v6 mix звучит хорошо, совсем не обязательно получать стемы средствами самой Suno.
Можно скачать исходный WAV и выполнить разделение независимо. В последние годы особенно быстро развивались модели семейства RoFormer, включая BS-RoFormer и MelBand RoFormer. Их подход фундаментально отличается от Suno regenerated stems. Они анализируют существующий аудиосигнал и пытаются извлечь содержащийся в нём вокал, а не заново исполнить его.
Для вокала это может оказаться принципиальным преимуществом.
Для Windows такой подход можно реализовать через Ultimate Vocal Remover и современные separation-модели. Для более глубокой ручной очистки можно использовать RipX DAW или SpectraLayers.
Это не гарантирует идеального результата: любой source separation оставляет собственные артефакты. Но появляется важное преимущество: исходной точкой остаётся тот waveform, который пользователь действительно слышит в master-файле.
Что можно считать доказанным, а что пока остаётся гипотезой
На текущий момент картина выглядит следующим образом:
Факт: после выхода v6 появилась заметная волна пользовательских жалоб на ухудшение звука, особенно вокала. Это подтверждается многочисленными обсуждениями и публикациями профильных СМИ.
Факт: существуют конкретные сообщения о значительно худшем Split from Mix после перехода на v6, включая жалобы на phase cancellation и нестабильное стереополе.
Факт: есть пользовательское техническое сравнение v5.5 и v6, в котором обнаружены измеряемые различия в L/R correlation и Mid/Side структуре вокала.
Факт: современный механизм Suno Stem Separation действительно использует генеративную реконструкцию stem, а не только классическое выделение существующего сигнала. Это прямо подтверждено самой Suno.
Факт: v6 создана на новом наборе данных, отличном от использовавшегося в предыдущих поколениях.
Не доказано: что непосредственно 9 сентября Suno заменила separator на технически худшую модель.
Не доказано: что ухудшение stems специально внедрено как механизм защиты авторских прав.
Не доказано: что причиной является какой-либо скрытый аудиоводяной знак.
Главная загадка Suno v6
Самая интересная часть этой истории заключается в том, что пользователи сталкиваются с весьма необычным эффектом: master звучит лучше, чем его отдельные stems.
Для обычного звукозаписывающего процесса это выглядит странно. Если студийный проект содержит настоящий вокал, ударные и гитару, то экспорт отдельного вокального канала не должен неожиданно сделать исполнителя другим.
В генеративной системе всё иначе. Если stem создаётся повторной нейросетевой интерпретацией исходной композиции, тогда разделение становится ещё одним актом генерации. А каждая новая генерация способна слегка изменить исходный материал.
И чем сложнее человеческий сигнал, тем заметнее эти изменения. Вокал здесь оказывается самым чувствительным элементом.
Что делать пользователям Suno прямо сейчас
Если вы используете Suno v6 для дальнейшего сведения, ремастеринга или публикации, имеет смысл изменить рабочий процесс:
Всегда сохраняйте лучший исходный full mix в максимально качественном формате.
Не считайте автоматически vocal stem Suno эталонной версией вокала.
Сравнивайте stem с исходным mix на хороших наушниках, особенно по согласным, дыханию, пространству вокруг голоса и стабильности стереоцентра.
Попробуйте сделать альтернативное разделение исходного WAV внешней моделью.
Сравните как минимум Suno Split from Mix, MelBand RoFormer и BS-RoFormer.
Если Suno-stem действительно подвергается заметной генеративной реконструкции, разница обычно проявляется достаточно быстро.
Как должен выглядеть настоящий тест
Чтобы окончательно разобраться в проблеме, одних субъективных отзывов недостаточно. Необходим публичный контролируемый эксперимент.
Для такого теста нужно получить:
v5.5 master;
v6 master;
v5.5 vocal stem;
v6 vocal stem;
внешний RoFormer vocal stem из v5.5;
внешний RoFormer vocal stem из v6.
Затем сравнить их по следующим параметрам:
LUFS;
True Peak;
L/R correlation;
Mid/Side ratio;
phase coherence;
spectral flux;
HNR;
transient response;
HF energy distribution;
спектральная микроструктура согласных.
Кроме того, необходимо выполнить null/residual analysis, например:
Original Mix − Sum of Suno Stems.
Если полученный residual содержит значительную музыкальную информацию, временные смещения или дополнительные атаки, можно будет гораздо точнее понять природу процесса.
Вывод
История со стемами Suno v6 пока не выглядит как простой программный баг с одним очевидным объяснением.
Скорее всего, одновременно произошло несколько фундаментальных изменений:
Suno полностью сменила поколение музыкальной модели;
изменила используемый training corpus;
перешла к новой системе взаимодействия с музыкальной индустрией;
продолжила использовать генеративный принцип advanced stem separation, при котором отдельные дорожки фактически создаются заново.
На этом фоне сообщения пользователей о фазовой нестабильности, потере вокальной чёткости и изменении высокочастотной структуры выглядят технически правдоподобно.
Но пока важно не смешивать наблюдения и доказательства.
Есть достаточно оснований говорить о реальной проблеме качества, которую замечает значительная часть пользователей. Есть основания предполагать, что генеративная природа stem separation способна усиливать дефекты. Есть измерения отдельных пользователей, показывающие реальные спектральные и пространственные различия между v5.5 и v6.
Но пока нет оснований утверждать, что Suno намеренно ухудшает звук ради защиты контента.
Возможно, причина значительно прозаичнее: большой технологический переход изменил сразу слишком много компонентов системы, а профессиональное разделение музыки оказалось одной из областей, где компромиссы нового поколения стали особенно заметны.
Для пользователя главный вывод сегодня довольно практичен: если исходный Suno v6 master звучит хорошо, не спешите использовать скачанный Suno vocal stem как единственный источник. Сохраните исходный WAV и сравните его с внешним разделением. В некоторых случаях именно master может содержать значительно более качественный вокал, чем regenerated stem, который Suno предлагает после команды Get Stems.