AI生成曲を「なんとなく」で選んでいない。Suno v6『Midnight Deploy』を音響解析してみた

こんにちは、黒パグです🐾

Suno v6の公開を記念して、Suno v5.5で最後に制作した『Midnight Deploy』を英語版として作り直しました。v5.5最後の曲を、v6最初の曲として送り出す形です。

曲の始まりは、金曜夕方の一言です。

“Just one line.”
That’s what you said.
Then you closed the door on Friday.

「一行だけだから」

そう言って変更した本人はログオフします。ところが時間がたってキャッシュが切れ、眠っていた経路が動き出し、待てない処理が再試行を始める。残された担当者は土曜の夜を返上し、昨夜の差分を一つずつ追うことになります。

かなり技術者寄りの題材です。

完成した曲は、温かいRhodes（柔らかな音色を持つ電気ピアノ）、低く丸いベース、少し拍の後ろへ置かれた女性ボーカルによるスローR&Bになりました。歌詞を知らずに聴けば、失われた週末と、すれ違った二人を歌う曲にも聞こえます。

今回採用した音源はこちらです。

https://suno.com/s/O5uxnFGcrltICGRQ

Suno v6で何が変わったのか？

2026年9月に公開されたv6では、単なる音質調整ではなく、モデルの構成とサービス全体が大きく変わりました。

まず、用途の異なる三つのモデルが用意されています。

・v6：狙った音楽を具体的に作るための標準モデル
・v6-Wild：予想外の展開や新しい発想を探すためのモデル
・v6-mini：無料で利用できる軽量モデル

Reutersの報道では、v6は具体的な制作目標に合わせた精密な生成、v6-Wildは探索とアイデア発見を重視すると説明されています。v6-miniは無料で提供されます。

The Vergeによると、v6は以前のモデルと同じ学習データを引き継いだ更新ではなく、新しいデータで一から学習されています。Warner Music Group、BMG、Believeなどから許諾された素材と、ユーザーが提供した素材が含まれるとされています。

生成面では、細かなジャンルの特徴を読み分ける能力が改善されています。チャットによる楽曲要素の編集、ライブラリ内にある出力の組み合わせ、テキストだけでなく画像・動画・音声を使った指示にも対応します。

一方で、v6なら常に完璧というわけではありません。The Vergeの試用では、意図的な音外しや不協和音のような「不完全さ」の再現には弱く、ボーカルにAI特有の音が残る場合もあると報告されています。

また、Sunoは旧モデルを段階的に終了し、v6世代へ移行する方針です。既存アーティスト本人の作風を直接指定する生成は、引き続き制限されています。

今回の『Midnight Deploy』では、78 BPM、低い女性声、Rhodes、抑えた歌唱、最後のサビを大音量にせず横へ広げる、と細かく指定しました。完成音源には、その多くが反映されています。

ただし、この一曲だけで「v5.5よりv6のほうが、すべての面で向上した」とは判断できません。同じ条件で十分な回数を生成した比較実験ではないためです。ここで確認できるのは、今回の出力が指示とよく整合したことまでです。

最初に耳で選び、そのあと数値で確かめる

Sunoは、同じ歌詞と指示から複数の候補を生成します。最終的にどの曲を残すか決めるのは人間です。

私の場合、最初から波形や数値を見て選ぶわけではありません。まず聴きます。メロディーの流れ、歌詞と強拍の位置、ブレス、声の距離、サビの着地、曲全体の感情の動きをまとめて判断します。

私は相対音感がかなり強く、高校時代は吹奏楽部でした。ピアノ、ギター、トロンボーン、チューバなどを経験しています。楽器が変わっても、基準音からの距離とフレーズの形で音を捉える癖があります。弾き方が分かれば、オタマトーンでもかなり忠実に再現できます。見た目はともかく、あれも音程を取る楽器です。

ただし、耳で選んだ理由を言葉だけで説明すると、「こちらのほうが良かった」で終わりがちです。

そこで採用後の音源を解析し、耳で感じた違いが音響特徴にも現れているか確認しました。

先に、この記事で使う言葉を説明です

専門用語の説明はここだけにまとめますねー。

実効ラウドネス（LUFS）：曲全体がどの程度の音量に感じられるかを表す値です。0に近いほど大きく聞こえます。

Loudness Range（LRA）：静かな部分と大きな部分の幅です。値が大きいほど、曲中の音量変化が広くなります。

True Peak：デジタル再生時に生じうる最大ピークです。0 dBFSを超える値は、環境によって歪みが生じる可能性を示します。

スペクトル重心：音の明るさや鋭さの目安です。高い周波数に成分が多いほど値も高くなります。

ステレオ相関：左右チャンネルの似ている度合いです。1に近いほど中央へ集まり、低くなるほど左右の違いが増えます。

解析対象は配信用MP3の完成ミックス（すべての音を重ねた完成音源）です。歌声、ベース、ドラムなどを個別に分離したデータではありません。

以下では、直接測定できた値、解析方法に依存する推定、そこから行う音楽的解釈を分けます。

直接確認できた値

ファイル情報とEBU R128方式（放送や配信で使われる音量測定の規格）による全曲測定では、次の値になりました。

曲の長さ：4分28.9秒
実効ラウドネス：-15.8 LUFS
LRA：8.0 LU
True Peak：-2.7 dBFS

ここで最も目立つのは、LRAが8.0 LUあることです。

イントロはかなり静かで、主要部分へ入ると音量がゆっくり上がります。最初から最後まで一定の圧で押す曲ではありません。小さな始まり、大きくなる感情、再び訪れる空白が、完成音源の振幅として確認できます。

True Peakには余裕があり、少なくとも測定上はピークを天井へ押しつけた仕上げではありません。

解析方法に依存する推定

同じファイルから拍の周期、周波数分布、左右チャンネルの関係を計算すると、次の傾向が出ました。

主拍：約74〜81 BPM
判定：指定した78 BPMと整合

スペクトル重心：通常区間で約300〜600 Hz
判定：低域寄り

展開点のスペクトル重心：約900 Hz前後
判定：一時的に輪郭が増える

ステレオ相関：0.928
判定：中央へ集まる傾向が強い

主拍には73.8 BPMと80.7 BPM付近の両方に強い候補がありました。スウィング（拍を均等に刻まず、わずかに跳ねさせるリズム）を含む音源では、解析範囲や拾う打点によって候補が揺れます。「78 BPMを厳密に証明した」とはせず、指定値と矛盾しない範囲にある、と判断します。

スペクトル重心とステレオ相関も、完成ミックス全体についての値です。歌声だけの帯域や位置を示すものではありません。ここから確認できるのは、低域を中心とした暗い音色と、左右へ過度に散らない構成です。

なお、調性の自動推定では候補が安定しませんでした。neo-soulで使われる拡張和音（基本の和音に別の音を加えたコード）、歌声の倍音、伴奏の混在によって結果が変わるため、今回の記事では調性を確定事項として扱いません。

数値を、曲の聴こえ方と照らし合わせる

ここからは解釈です。

この曲では、Rhodesとベースの温度を低い帯域に残し、展開が変わる瞬間だけ輪郭が立ちます。音像全体は中央へ寄り、近接した歌声と重なることで、ヘッドホンでは距離の近い歌として聞こえます。

歌詞には、次の一節があります。

One small change unravels my night
The whole town sleeps
I’m still caught here

一行の変更によって、静かな夜が端からほどけていく。その印象と、広い音量差、低域寄りの音色、中央へ集まるミックスはよく合っています。

これは数値だけから歌詞の意味を証明した、という話ではありません。先に耳で受け取った印象があり、その印象と矛盾しない音響上の特徴をあとから確認できた、という順序です。

別の二曲と比較する

同じ黒パグP名義の『Human On The Loop』と『Max Token Requiem（Remastered）』も、同じ方法で測定しました。

Midnight Deploy
実効ラウドネス：-15.8 LUFS
LRA：8.0 LU
True Peak：-2.7 dBFS
ステレオ相関：0.928

Human On The Loop
実効ラウドネス：-13.9 LUFS
LRA：3.3 LU
True Peak：-2.8 dBFS
ステレオ相関：0.755

Max Token Requiem（Remastered）
実効ラウドネス：-13.3 LUFS
LRA：4.4 LU
True Peak：+0.3 dBFS
ステレオ相関：0.689

ここまでが比較可能な値です。

『Human On The Loop』は、Agentが人間の仕事を静かに終わらせていく曲です。『Midnight Deploy』より左右差が大きく、曲全体の音量差は小さい。Slack、ダッシュボード、複数のAgentと人間が並ぶ組織の空間を描いた曲として、横への広がりを感じる仕上がりです。

『Max Token Requiem』は、計算資源と予算を使い切るキャラクター、幕島翔子の曲です。三曲で最も実効ラウドネスが高く、左右差も大きい。True Peakが+0.3 dBFSであるため、再生や変換の条件によってはピーク歪みが生じる可能性があります。実際に聞き取れる歪みがあるかどうかは、この値だけでは確定できません。

音響上の違いを作品の役割に重ねると、私は次のように解釈しました。

・『Midnight Deploy』は、一人へ近づく
・『Human On The Loop』は、チーム全体へ広がる
・『Max Token Requiem』は、空間を占領する

これは総合点による優劣ではありません。三曲は目的が違い、目的に合う音の形も違います。

古いR&Bの作法が、この歌詞には合っていた

『Midnight Deploy』は現在のオルタナティブR&Bとして作りましたが、骨格は昔ながらのスロージャムやネオソウルに近い曲です。

Rhodesを中心に置き、長いヴァースを取り、歌を少し拍の後ろへ置く。最後のサビも急に大音量へせず、和声と間で広げています。短い動画で一部分だけ切り取るより、4分半を通して夜の変化を聴かせる作りです。

この真面目な形式で、キャッシュ、経路、再試行、キュー、ロールバックを歌います。

新しい電子音で技術用語を目立たせるより、昔ながらのR&Bとして丁寧に歌ったほうが、失われた時間の感情が伝わりました。

The code rolls back, the data stays

コードは戻せても、失われたデータと土曜の夜は戻りません。

AI作曲で人間が担当するもの

AIが音源を生成すると、「人間はボタンを押しただけ」と見られることがあります。

実際の制作では、テーマを決め、歌詞を書き、ジャンル、テンポ、声、楽器、展開を指定し、複数の出力から作品に合う一曲を選びます。英語版では、意味だけでなく、自然な強勢、母音を伸ばせる位置、息継ぎ、行同士のつながりも調整しました。

AIは音源を生成できます。人間は、何を作らせ、どの出力を残し、どこを直し、どの状態を完成とするか判断します。

今回の解析で確認できたのは、私が耳で選んだ『Midnight Deploy』の暗さ、近さ、余白と、測定・計算した音響特徴に整合する部分があったことです。それだけで曲の良し悪しを客観的に証明できるわけではありません。

感覚で選んだように見えても、その感覚は突然生まれたものではありません。過去に聴いた音楽、演奏経験、相対音感、言葉へのこだわりが圧縮されています。

AIは曲を生成する。人間は、その曲が何を語っているのかを決める。

少なくとも今回の「OK」は、なんとなくではありませんでした。

参考資料

Reuters「Suno releases new AI music models in partnership with Warner Music, BMG」（2026年9月9日）
https://www.reuters.com/legal/litigation/suno-releases-new-ai-music-models-partnership-with-warner-music-bmg-2026-09-09/

The Verge「Suno releases its first AI music model made with record industry help」（2026年9月9日）
https://www.theverge.com/ai-artificial-intelligence/991977/suno-releases-its-first-ai-music-model-made-with-record-industry-help

Axios「Suno launches new AI music models with Warner, BMG」（2026年9月9日）
https://www.axios.com/2026/09/09/suno-v6-ai-music-warner-bmg

#Suno #SunoAI #AI音楽 #音楽生成AI #生成AI #作曲 #AI作曲 #オリジナル楽曲 #音楽制作 #クリエイター

それではまた！