Нейросеть написала музыку городов: как ИИ превращает данные в звук

Идея проекта: зачем нейросети писать музыку о городах

В 2026 году российский оператор связи Tele2 и разработчик решений для бизнеса на основе больших данных Platforma запустили необычный творческий эксперимент. Они предложили нейросети создать музыкальные композиции, которые отражали бы характер пяти крупных российских городов: Москвы, Санкт-Петербурга, Нижнего Новгорода, Архангельска и Казани. Результатом стали пять треков, каждый из которых, по замыслу авторов, передаёт уникальный «код» города через звук.

Инициатива не была чисто художественным жестом. Основная цель проекта — привлечь внимание к возможностям аналитики больших данных и продвинуть сервисы для оценки туристической привлекательности территорий. Созданные алгоритмы позволяют выявлять неявные места притяжения туристов, анализировать плотность застройки, посещаемость и другие параметры, которые трудно оценить традиционными методами. Музыка стала доступным и эмоциональным способом продемонстрировать мощь этих технологий широкой аудитории.

Как нейросеть превращает линию горизонта в мелодию

Техническая реализация проекта опиралась на два основных типа данных: фотографии линии горизонта города и геоданные оператора связи. Разработчики Platforma создали нейросеть в среде Pure Data — визуальном языке программирования для обработки звука и мультимедиа.

Первый шаг — преобразование изображения городского силуэта в звуковую волну. Линия крыш зданий, башен и куполов становилась формой волны, которая определяла тембр будущей композиции. Например, для Санкт-Петербурга использовали линию крыш Кронштадта и Исаакиевского собора, а для Москвы — очертания Красной площади и Кремля.

Второй шаг — работа с геоданными. Информация о плотности концентрации жителей в разных районах города преобразовывалась в секвенсор — устройство или программу, которая расставляет ноты во времени и задаёт ритм. Таким образом, места с высокой плотностью населения создавали более насыщенные ритмические рисунки, а малонаселённые окраины — разреженные паузы. В результате получалась композиция, которая буквально отражала пульс городской жизни.

Пять городов, пять звуковых портретов

Для проекта выбрали города, которые наиболее ярко демонстрируют ландшафтное разнообразие и архитектурное наследие России. Москва и Санкт-Петербург — признанные культурные столицы с узнаваемыми силуэтами. Казань сочетает восточные и западные мотивы в архитектуре. Нижний Новгород известен своими историческими ансамблями и расположением на слиянии двух рек. Архангельск — северный город с уникальной деревянной застройкой и суровой романтикой Белого моря.

Каждый трек, созданный нейросетью, стал основой для дальнейшей работы профессиональных музыкантов. Они интерпретировали алгоритмические заготовки в собственных жанрах, добавляя человеческое тепло и эмоциональную глубину. Так, Симфонический оркестр Санкт-Петербурга создал оркестровую версию, московский битмейкер CVPELLV — электронный бит, казанский инди-исполнитель Радиф Кашапов из лаборатории qaynar — атмосферную композицию, рэпер Ира PSP из Нижнего Новгорода — хип-хоп трек, а музыкант Михаил Карлос (Devilboy x Carlos) из Архангельска — экспериментальную работу. Все версии были опубликованы на стриминговом сервисе «Яндекс.Музыка».

Роль больших данных в создании музыки

Ключевая особенность проекта — использование реальных данных о жизни городов. Плотность застройки, посещаемость районов, туристические потоки — все эти показатели, собранные оператором связи, стали сырьём для алгоритма. Это не просто случайные ноты, а структурированная информация, преобразованная в звук.

Антон Мерзляков, директор по аналитике больших данных Tele2, подчеркнул, что в основе сервиса оценки туристической привлекательности лежат сложные алгоритмы аналитики. Проект музыки городов призван показать, что нейросети одинаково эффективны как в отображении «кода» города в нотах, так и в определении неявных мест притяжения туристов. Это важный шаг к тому, чтобы сделать аналитику больших данных более понятной и востребованной, в том числе среди представителей региональных администраций.

Генеральный директор Platforma Алексей Каштанов отметил, что у многих людей города ассоциируются с запахом или картинкой, но команда решила сгенерировать их уникальные звучания. Учёт множества показателей — от количества туристов до плотности застройки и линии горизонта — позволил получить неповторимое и ни на что не похожее звучание для каждого города.

Музыканты как соавторы: от алгоритма к искусству

Важным этапом проекта стало сотрудничество с локальными музыкантами. Нейросеть создала базовые треки, но именно люди придали им законченную художественную форму. Каждый из участников интерпретировал алгоритмическую основу через призму своего жанра и личного восприятия родного города.

Алексей Караганов, директор Симфонического оркестра Санкт-Петербурга, описал трек как музыкальный образ культурной столицы, который складывается из положительных и светлых эмоций. По его словам, в музыке слышны ассоциации с садами и парками в утреннем солнечном свете, каналами с теплоходами и видами с Петропавловской крепости. При этом композиция не носит прикладной характер, а рисует определённую картину города, созвучную его внутренней красоте и романтике.

Такой подход демонстрирует гибридную модель творчества: искусственный интеллект генерирует сырой материал на основе объективных данных, а человек наполняет его субъективным смыслом и эмоциональной глубиной. Это один из наиболее перспективных сценариев использования ИИ в искусстве, где машина выступает инструментом, а не заменой художника.

Практическое применение: оценка туристической привлекательности

За музыкальным экспериментом стоит реальный коммерческий продукт — сервисы для оценки туристической привлекательности городов на основе больших данных. Такие сервисы могут быть полезны администрациям регионов, туристическим операторам и инвесторам. Они позволяют выявлять места, которые притягивают посетителей, но не всегда очевидны при традиционном анализе.

Например, анализируя геоданные оператора связи, можно определить, где концентрируются туристы в разное время суток, какие районы популярны у гостей города, а какие остаются незамеченными. Это помогает планировать развитие инфраструктуры, создавать новые туристические маршруты и эффективнее распределять рекламные бюджеты.

Музыкальный проект стал своего рода витриной для этих технологий. Он показывает, что большие данные могут быть не только инструментом для бизнеса, но и источником вдохновения, способным создавать культурные артефакты. Это повышает интерес к аналитике среди широкой публики и потенциальных заказчиков.

Технологии и ограничения: что нужно знать о генеративной музыке

Создание музыки с помощью нейросетей — быстро развивающаяся область, но у неё есть свои ограничения. В проекте Tele2 и Platforma использовалась среда Pure Data, которая позволяет гибко настраивать алгоритмы преобразования данных в звук. Однако такой подход требует значительной ручной работы: выбор данных, настройка параметров, постобработка.

Современные генеративные модели, такие как MusicLM или Jukebox, способны создавать музыку по текстовому описанию, но их результаты часто нуждаются в доработке человеком. Кроме того, алгоритмы не понимают культурного контекста: они могут сгенерировать технически грамотную композицию, но не передать глубинный смысл, который вкладывает в музыку человек.

Важно также учитывать вопросы авторского права. Если нейросеть обучалась на существующих произведениях, результат может содержать элементы, напоминающие оригиналы. В проекте с городами эта проблема решалась за счёт использования уникальных данных (фото линии горизонта и геоданных), которые не являются объектами авторского права. Тем не менее, юридические аспекты генеративного творчества остаются предметом дискуссий.

Будущее алгоритмического творчества и городской аналитики

Проект «музыка городов» — лишь один из примеров того, как большие данные и искусственный интеллект могут пересекаться с культурой. В будущем можно ожидать появления аналогичных инициатив: визуализация городских данных в виде картин, создание звуковых инсталляций для общественных пространств, генерация музыки для туристических маршрутов.

Для региональных администраций такие проекты открывают новые возможности. Во-первых, они помогают привлечь внимание к городам и их уникальным особенностям. Во-вторых, они демонстрируют потенциал аналитики для принятия управленческих решений. В-третьих, они создают позитивный имидж территорий как современных и технологичных.

Однако важно помнить, что алгоритмы — это инструмент, а не замена человеческому суждению. Данные могут рассказать о том, где находятся люди, но не о том, почему они туда приходят и что чувствуют. Поэтому наиболее эффективные решения будут сочетать машинный анализ с экспертным мнением и обратной связью от жителей и туристов.

Как послушать музыку городов и что дальше

Все пять композиций, созданных в рамках проекта, доступны на платформе «Яндекс.Музыка». Пользователи могут послушать как оригинальные треки нейросети, так и интерпретации музыкантов. Это позволяет сравнить, как алгоритм видит город и как его воспринимает человек.

Для тех, кто интересуется технологией, стоит обратить внимание на среду Pure Data — она доступна бесплатно и позволяет экспериментировать с преобразованием данных в звук. Также полезно изучить документацию по аналитике больших данных и методам машинного обучения, чтобы понять, как строятся подобные системы.

Проект Tele2 и Platforma, вероятно, станет отправной точкой для новых экспериментов. Уже сейчас можно представить, как аналогичные подходы будут использоваться для создания музыки малых городов, исторических районов или даже целых регионов. Главное — чтобы технологии служили людям, помогая лучше понимать и чувствовать окружающий мир.

Вопросы и ответы