KI & Musik

Vom Bild zum Song

1. Idee und Bild. Am Anfang steht ein Bosch-Gemälde und eine Frage: Welches Laster zeigt Bosch hier, und wo begegnet es uns heute?
2. Der Text. Der Songtext wird von Hand geschrieben, oft in vielen Fassungen. Lateinische Zeilen geben jedem Song einen mittelalterlichen Klangraum.
3. Der Klang wird beschrieben. Im Prompt steht keine Melodie, sondern eine Beschreibung: Stilrichtung, Tempo, Instrumente, Stimmen, Stimmung. Etwa Mönchsgesang, Orgel und Glocken, kombiniert mit Darkwave-Synthesizern oder Soul; eine Frauen- und eine Männerstimme im Wechsel; tiefe Streicher, die sich steigern.
4. Viele Versuche. Die KI liefert zu jedem Prompt mehrere Varianten. Die meisten passen nicht: falsche Betonung, falsche Stimmung, verschluckte Silben. Erst nach vielen Durchgängen entsteht eine Fassung, die trägt.
5. Auswählen, schneiden, kombinieren. Aus den besten Teilen entsteht der fertige Song. Eigene Samples und Bearbeitungen fließen ein.
6. Die menschliche Entscheidung. Welche Version erzählt die Geschichte am besten? Diese Frage kann keine KI beantworten.

Beispiel: Wie „Der Tempel fällt“ entstand

Wie viel Arbeit in einem KI-Song steckt, zeigt sich am besten an einem konkreten Beispiel. Hier ist der Weg von „Der Tempel fällt“, von der ersten Idee bis zur fertigen Aufnahme.

1. Die Idee. Der Song soll erklären, nicht anklagen: Wie zerstören radikale Kräfte eine demokratische Ordnung? Die Zuhörerin, der Zuhörer soll den Zusammenhang selbst erkennen. Ausgangspunkt in Boschs Bildwelt sind dämonische Kräfte, brennende Städte und einstürzende Mauern. Parteinamen fallen bewusst nicht.
2. Der Text. Der Text entstand in mehreren Durchgängen. Strophe 1 beschreibt die Methode (Versprechen, Feindbilder, Angst), Strophe 2 das Paradox der Demokratie („Frei gewählt, mit Mehrheit / Zerbrechen sie das Recht“), Strophe 3 Beispiele aus anderen Ländern. Der Schluss wurde mehrfach umgeschrieben, bis er einen Appell enthielt, ohne in eine „Die da oben“-Rhetorik zu kippen: „Wach auf aus dem Trott … Bevor der Tempel fällt“.
3. Die Klangidee. Als Vorbild für Aufbau und Stimmung diente ein atmosphärischer, hypnotischer Elektropop-Song: durchkomponiert, ohne klassischen Pop-Refrain, mit langem instrumentalem Ausklang. Daraus wurden konkrete Vorgaben: etwa 84 bis 96 BPM, D-Dur mit starkem h-Moll-Anteil, eine helle, weiche Männerstimme, eine Frauenstimme, die im Refrain leise begleitet, ein langsamer Synthesizer-Teppich, dessen Harmonie nur alle zwei Takte wechselt – und metallische Hammerschläge auf einen Amboss in den Instrumentalteilen.
4. Der Prompt. Musik-KIs erhalten keine Noten, sondern Beschreibungen. Bei Suno gibt es dafür ein Feld für den Stil, ein Feld für Ausschlüsse und das Textfeld mit Regieanweisungen in eckigen Klammern. Ein wichtiger Unterschied: Suno lässt keine Namen echter Künstlerinnen und Künstler zu. Der Sound muss deshalb umschrieben werden. MakeBestMusic akzeptiert solche Referenzen dagegen.

   Stil (Auszug)dark ethereal electropop, icy Scandinavian art-pop, driving hypnotic electronic groove, 96 BPM, D major with strong B minor modal feel, verse male voice bright soft slightly nasal no vibrato, chorus led by the male voice with a female voice softly accompanying underneath, sustained synthesizer pad with harmony shifting every two bars, bright ringing hammer-on-anvil metallic strikes in instrumental transitions, tubular bells on key phrases, large dark hall reverb, ominous and urgent

   Ausschlüsse (Auszug)church organ, pipe organ, monastic choir, four-on-the-floor, aggressive drums, booming bass drums, upbeat, distorted guitars, slow tempo, sluggish

   Textfeld (Auszug)[Verse 1 - male voice only, almost alone, no drums]
   Sie versprechen Macht und Reinheit
   …
   [Instrumental transition - bright ringing hammer strikes on anvil]
   
   [Chorus - male lead voice soaring, female voice softly in harmony, heavy reverb]
   Unsere Ordnung wankt …

5. Versuch und Irrtum. Die ersten Ergebnisse passten nicht. Variante 1 hatte viel zu viel Orgel. Variante 2 klang besser, war aber zu langsam. Die Ursache war überraschend: Die Angabe „cathedral reverb“ (Kathedralenhall) hatte die KI dazu gebracht, von sich aus eine Orgel einzubauen. Die Lösung: Orgel ausdrücklich ausschließen, „large dark hall reverb“ statt Kathedrale, Tempo erhöhen und „slow tempo, sluggish“ in die Ausschlüsse aufnehmen.
6. Grenzen der Werkzeuge. Ein Versuch, eine gelungene Fassung nur um eine Frauenstimme im Refrain zu ergänzen, scheiterte: Die Cover- und Referenzfunktionen erzeugen den Song neu, statt ihn zu erhalten. Das lange Intro fiel weg, die Länge schrumpfte von 4:49 auf 3:29 Minuten, der Charakter kippte. Die Merkregel daraus: Cover ändert den Klang, für eine neue Struktur muss neu generiert werden.
7. Varianten. Parallel entstand eine zweite Fassung mit einer hellen, ätherischen Frauenstimme, die einzelne Silben lang zieht („Der Tempel fäääällt“), und später eine Ergänzung mit einem klagenden Saxophon im Refrain und als Solo vor dem Schluss. Aus vielen Durchgängen wurde am Ende die Fassung ausgewählt, die die Geschichte am besten erzählt.
8. Eigene Klänge. Die KI liefert nicht alles. Für den Song wurden eigene Aufnahmen eingearbeitet: neun Schläge eines Hammers auf einen Amboss und eine Aufnahme von Polizeisirenen. Der Hammer sitzt im instrumentalen Zwischenteil bei etwa 2:52 Minuten, die Sirenen erklingen gefiltert und leise schon zu Beginn als ferne Vorahnung und später deutlich unter der dritten Strophe.
9. Mix und Mastering. Lautstärken, Übergänge und Klang wurden in Logic Pro abgestimmt, bevor der Song für die Veröffentlichung fertig war.