Руководство по использованию
Руководство по приёмке ElevenLabs Music v2 перед запуском: создаём таблицу прослушивания для кандидатов на музыкальное сопровождение
На этой странице
Зачем готовить таблицу прослушивания до запуска модели
Самая частая причина провала оценки музыки — не слабость модели, а отсутствие единого подхода. После запуска каждый надевает свои наушники и ставит свой фрагмент: кто-то слушает первые восемь секунд вступления, кто-то — припев на повторе, и в итоге вывод сводится к «вроде нормально» или «что-то странное» — такие выводы невозможно ни воспроизвести, ни проследить.
До того как модель станет общедоступной, — это как раз лучшее окно для подготовки资产 приёмки: нет давления готового продукта и нет принуждения «сначала запустим, потом разберёмся», команда может спокойно записать, «что значит работоспособно», в таблицу, которую можно отмечать галочками, оценивать и сравнивать. Когда модель заработает, достаточно действовать по таблице, и оценка превратится из спора в сверку.
Сначала нужно чётко обозначить границы: ElevenLabs Music v2 сейчас находится в статусе **скоро запуск (coming soon)**, эта статья не содержит никаких результатов тестирования и не приводит примеров вызова. Здесь описаны методические материалы — как выглядит таблица прослушивания, как фиксировать дефекты, как сравнивать версии. Как только модель запустится, достаточно заполнить таблицу кандидатными аудио.
У заблаговременной подготовки есть и скрытая выгода: когда критерии приёмки записаны, команда обнаруживает, что многие разногласия происходят на самом деле из-за несогласованности сценариев, а не из-за самого качества звука. Чем раньше это обнаружится, тем лучше.

Сначала определяем сценарии использования музыки и критерии приёмки
Гранулярность объекта приёмки должна соответствовать финальному продукту, а не «нравится ли слушать отдельный музыкальный фрагмент». Рекомендуется брать выборку по реальным способам использования в готовом продукте:
- Заставка/вступление: первые секунды должны зацепить, важно, насколько чётко начало и нет ли неэффективного вступления.
- Фоновая подложка: длительное прослушивание с низким вниманием, важно, насколько это выносимо и не перебивает ли голос или закадровый текст.
- Переход/смена секции: смотреть, насколько естественно соединяются эмоции и можно ли завершить переход за заданное время.
- Циклический фрагмент: смотреть, соединяются ли начало и конец бесшовно и не появляется ли заметная механическая повторяемость после нескольких циклов.
Затем каждый сценарий раскладывается на наблюдаемые критерии, чтобы избежать слов вроде «красиво» и «на уровне»:
- Структурная целостность: есть ли различимые завязка, развитие, кульминация и развязка или всё равномерно размазано.
- Бесшовность цикла: нет ли щелчков, разрывов или ритмического сбоя при возврате последнего кадра к первому.
- Динамический диапазон: присутствует ли контраст громкости и тихого в разумных пределах, не слишком ли сильна компрессия.
- Стилистическая согласованность: соответствует ли фактическое звучание стилю и инструментовке, описанным в промпте.
- Плотность пригодности: какую долю от общей длительности занимают фрагменты, которые можно напрямую использовать в готовом продукте.
Критериев должно быть от пяти до семи: слишком много — оценщики не заполнят, слишком мало — не понять, где проблема. Для каждого критерия нужно описание оценки — что считается проходным, а что дефектом, — зафиксированное заранее.
Структура таблицы прослушивания: поля и критерии оценки
Суть таблицы прослушивания не в «красоте», а в том, чтобы разные оценщики по одному и тому же аудио получали сопоставимые результаты. Поля можно разделить на четыре группы:
Идентификационные поля
Сценарий (вступление/подложка/переход/цикл), номер кандидата, длительность, дата генерации. Эти столбцы отвечают на вопрос «для какого места подготовлено это аудио».
Входные поля
Исходный текст промпта (дословно, без переписывания), ключевые параметры (длительность, описание стиля и т. д.). Промпт необходимо сохранять как есть, любое сокращение сделает последующее воспроизведение невозможным.
Поля оценки
Каждый критерий приёмки оценивается по единой трёхбалльной шкале, например «прошёл / с натяжкой / не прошёл», с возможностью оставить комментарий. Три уровня стабильнее пяти или десятибалльной шкалы, суждения оценщиков легче согласовать; чем мельче шкала, тем больше субъективного шума.
Поля заключения
Тег дефекта (выбирается из заранее заданного словаря, свободные формулировки не допускаются) + пояснение в одно предложение + рекомендация по кандидату (оставить / переделать / отклонить).
Два практических момента:
- По одной строке на кандидата, не помещайте несколько кандидатов в одну строку, иначе сравнение версий невозможно.
- В таблице предусмотрите столбец «повторная оценка», чтобы зафиксировать, изменилось ли суждение во втором раунде, — сам факт переворота суждения ценен: он указывает на нечёткость определения какого-то критерия.
Критерии оценки должны быть прописаны в шапке таблицы: на каком оборудовании слушать, сколько раз, можно ли ставить на паузу. Эти, казалось бы, мелочные договорённости определяют, будут ли данные пригодны.

Фиксация дефектов: воспроизводимость и классификация
Запись дефекта, которую невозможно воспроизвести, равна отсутствию записи. Минимальный набор информации должен включать четыре пункта:
- Исходный текст промпта: полный, без прикрас, включая пунктуацию.
- Параметры: длительность и настройки стиля данной генерации, описанные текстом, без расплывчатых «по умолчанию».
- Условия оценки: наушники или колонки, диапазон громкости, было ли циклическое воспроизведение.
- Описание явления: в какой момент, что слышно, что ожидалось.
В описании явления избегайте нагромождения прилагательных. «Примерно на 12-й секунде низкие частоты резко истончаются, что не согласуется с первой половиной» — пригодно; «звук слабоват» — непригодно.
Классификацию дефектов рекомендуется строить по причинной атрибуции, а не по восприятию:
Структурные
Отсутствие секции, резкий переход, обрыв в конце, смещение точки цикла. Обычно связаны с требованиями к длительности и структуре.
Согласованность
Дрейф стиля, скачок инструментовки, слишком большой разброс при многократной генерации по одному промпту.
Сведение
Нарушение баланса громкости, перекомпрессия, заглушение голоса или закадрового текста.
Пригодность
Слишком низкая доля пригодного в целом, множество фрагментов нельзя напрямую вставить в готовый продукт.
Для каждой категории заранее заготовьте от пяти до восьми тегов, оценщики выбирают из словаря, а не придумывают на месте. Когда словарь стабилизируется, можно будет вести статистику по базе дефектов и отвечать на вопрос «какую долю составляют проблемы этого типа».
Сравнение версий: меняем только одну переменную
Самая частая ошибка при сравнении версий — смешивать различия моделей с различиями промптов. Например, в первом раунде использовался короткий промпт, во втором — длинный, да ещё и другая длительность, и вывод звучит «новая версия лучше» — методически такой вывод несостоятелен.
Три правила контроля переменных:
Тот же промпт, та же длительность
При сравнении результатов двух раундов исходный текст промпта и длительность должны полностью совпадать. Если промпт необходимо изменить, выделите это в отдельную группу экспериментов и не смешивайте с сравнением версий в одной таблице.
Слепое прослушивание
Оценщики не должны заранее знать, какой кандидат к какой версии относится, иначе ожидания загрязнят суждение. Номера кандидатов распределяются случайно, информация о версии есть только у организатора.
Случайный порядок
Порядок прослушивания одной партии кандидатов нужно перемешивать, чтобы избежать эффекта позиции «то, что слушали раньше, лучше». Перед каждым раундом оценки перемешивайте заново.
Результат сравнения — не «A лучше B», а различия по критериям: уменьшилось ли число структурных дефектов, улучшилась ли бесшовность цикла, изменилась ли плотность пригодности. Только спустившись на уровень критериев, различия смогут указать следующий шаг — менять стратегию промптинга или ждать итерации модели.
Если по итогам двух раундов результаты по нескольким критериям одерживают победу вперемешку, не стоит насильно выставлять общий балл. Зафиксировать «в каком сценарии кто больше подходит» полезнее, чем один общий балл.
Процесс оценки и выходы заключений
Оценка требует участников, раундов и выходов, иначе она будет тянуться бесконечно.
Кто оценивает
Нужны как минимум две роли: пользователь (тот, кто реально монтирует и подбирает музыку) и контролёр (тот, кто отвечает за качество готового продукта). Пользователь оценивает плотность пригодности, контролёр — нижнюю границу. Не рекомендуется привлекать всех: чем больше людей, тем сильнее расходится подход.
Сколько раундов
Двух раундов достаточно. В первом раунде таблица заполняется независимо, без обсуждений; во втором пересматриваются только кандидаты, по которым в первом раунде возникли разногласия, — сами разногласия и указывают на критерии, требующие уточнения. Если раундов больше двух, обычно это значит, что критерии недостаточно чётко определены, и вернуться к правке таблицы эффективнее, чем продолжать совещания.
Выходы заключений
Каждый кандидат и каждый сценарий должны попасть в одну из трёх категорий заключения:
- Пригоден: можно напрямую вставить в готовый продукт, теги дефектов пусты или остались только замечания уровня записи.
- Условно пригоден: пригоден для конкретного сценария или требует лёгкой ручной обрезки, склейки; условия обязательно указываются.
- Непригоден: основные критерии не пройдены или дефект нельзя исправить на постобработке.
«Вроде нормально» не относится ни к одной категории и должно быть определено. Последующие действия, соответствующие трём категориям, также нужно оговорить заранее: пригодные попадают в библиотеку материалов, условно пригодные — с инструкцией по обработке, непригодные — в базу дефектов как регрессионные образцы.
Наконец, дайте общей приёмке письменное закрытие: какие сценарии уже соответствуют требованиям, в каких остаются систематические дефекты, на что обратить внимание в следующем раунде. Этот абзац важнее любой оценки.
Как использовать эти активы приёмки после запуска
После того как модель станет общедоступной, эти активы не отправляются в архив, а переходят в постоянную эксплуатацию:
- Таблица прослушивания становится постоянной формой при каждой новой стратегии промптинга или новой версии, поля не меняются, меняются только кандидаты.
- База дефектов становится набором регрессионных образцов, при каждой итерации сначала прогоняются эти образцы, чтобы проверить, воспроизводятся ли старые проблемы.
- Определения критериев незначительно редактируются вслед за изменениями бизнеса, но правки должны иметь номер версии, иначе исторические данные будут несопоставимы.
Практичный подход: хранить таблицу прослушивания, словарь дефектов и записи повторных оценок в одном месте; новые участники сначала читают шапку таблицы, а затем слушают образцы — это гораздо быстрее, чем устная передача критериев оценки.
Актуальный статус запуска и информацию о подключении ElevenLabs Music v2 смотрите на странице модели; после того как модель станет доступна, заполните первую партию кандидатных аудио по приведённой выше таблице — и процесс приёмки можно считать отработанным.
Похожие статьи
Все статьи →-
Руководство по использованию
Руководство по началу работы с gpt-6.2-sol: границы возможностей, интеграция через API и тарификация токенов
Ключевые моменты принятия решений и практики интеграции для инженерных команд
-
Руководство по использованию
Руководство по началу работы с gpt-6.2-astra: границы возможностей текстовой модели, ключевые моменты интеграции и контроль затрат
-
Руководство по использованию
Руководство по началу работы с Tripo H3.1: три способа ввода, параметры и как выбрать тариф
Практическое руководство для разработчиков по принятию решений и контролю затрат при интеграции генерации 3D