Wenn der Synthesizer zurückdiskutiert

Über 11.000 Generierungen mit Suno, falsche Versprechen und die Mainstream-Falle

Wer Ende der neunziger oder Anfang der zweitausender Jahre elektronische Musik produziert hat, kennt ein einfaches Gesetz: Ein Instrument tut genau das, was man an den Reglern einstellt. Wenn man bei einem Access Virus den Cutoff auf 45 Prozent und die Resonanz auf 70 Prozent dreht, zwei Oszillatoren mit Sägezahn und Puls wählt und das Portamento ausschaltet, dann liefert das Gerät exakt diesen Klang. Der Synthesizer fängt keine Grundsatzdiskussion darüber an, ob ein weichgespülter Radiosound für die breite Masse vielleicht kommerziell erfolgreicher wäre. Genauso verhielt es sich mit einer Roland TR-808, einer TR-909 oder der alten virtuellen Acid-Maschine ReBirth RB-338 mit ihren zwei TB-303-Einheiten. Der Mensch trifft die kreative Entscheidung, die Maschine setzt sie präzise um.

Bei moderner Musik-KI wie Suno dreht sich dieses Verhältnis auf eine Weise um, die für ernsthafte Produzenten zunehmend zum Problem wird. Dieses Urteil beruht nicht auf einem schnellen Test am Wochenende, sondern auf der Erfahrung aus über 11.000 Generierungen im eigenen Workspace seit den ersten Tagen der Plattform. Bei klassischen Songs mit Strophe, Refrain und Gesang im Vordergrund liefert Suno zweifellos erstklassige Ergebnisse, weil dort die Textstruktur das Arrangement trägt. Sobald man jedoch das Feld der radiotauglichen Unterhaltung verlässt und kompromisslose elektronische Musik wie Progressive Psytrance, Drum and Bass oder hypnotischen Underground produzieren will, greift der Autopilot des Systems ständig ungefragt ins Lenkrad.

Das Staccato-Dilemma und die falsche Lackierung

In guter elektronischer Musik abseits des Mainstreams ist eine Stimme im Hintergrund oft kein klassischer Solosänger, sondern ein atmosphärisches Klangwerkzeug. Man unterscheidet in der Produktion zwischen den Vocals, die vorne im Mix Zeilen einsprechen, und einer tragenden Voice im Hintergrund. Diese Voice soll wie ein konstanter Oszillator oder wie das Vorbeifahren eines hupenden Autos einen stabilen Ton halten: weiches Legato, minimale Tonhöhenbewegung von höchstens einem oder zwei Halbtönen, kein Vibrato, keine Schnörkel. Ein ideales Beispiel für dieses Prinzip ist der Klassiker „Knusperwald“ von Thomas P. Heckmann. Dort entsteht ein gewaltiger hypnotischer Sog nicht durch komplizierte Gesangsmelodien, sondern durch das präzise Ineinandergreifen von reduzierter, funktionaler Stimme, Groove, Schichtung und Arrangement.

Verlangt man genau diese Zurückhaltung von Suno, erlebt man einen hartnäckigen Widerstand. Selbst wenn man die Regler für „Weirdness“ auf 15 Prozent, „Style Influence“ auf 85 Prozent und „Variety“ komplett auf Aus stellt, macht das System aus einer ruhigen Klangfläche immer wieder einen aufdringlichen Casting-Show-Sänger. Die Stimme flattert, rutscht zwischen den Tönen umher, baut Melismen ein und verfällt in abgehacktes Staccato, obwohl Staccato in der Ausschlussliste explizit verboten und Legato bei jedem einzelnen Instrument vorgeschrieben wurde.

Zwingt man das Modell nach unzähligen Versuchen und mit hunderten verbrannten Credits schließlich doch in den gewünschten monotonen Bereich, tritt sofort der nächste Fehler auf: Suno nimmt plötzlich den gesamten Druck, die Dynamik und die Entwicklung aus dem Track. Das System setzt minimale Melodieführung statistisch mit Langeweile und niedriger Energie gleich. Als der Support im Verlauf unserer Diskussion zunächst argumentierte, das Modell habe eben eine Tendenz zu populären Stilen, weil die meisten Nutzer eingängige Songs bevorzugen, offenbarte das einen grundlegenden Denkfehler. Das ist wie in einer Autolackiererei: Selbst wenn 80 Prozent aller Kunden ein schwarzes Auto bestellen, kann der Betrieb mein Auto nicht einfach schwarz lackieren, wenn ich ausdrücklich Rot bestellt und bezahlt habe. Dass Suno die musikalischen Vorbilder durchaus kennt, zeigte sich übrigens beim Versuch, „Knusperwald“ als Referenz hochzuladen. Das System brach den Vorgang sofort ab, weil die Aufnahme in der internen Datenbank bereits hinterlegt war.

Mathematik schlägt Ausreden: Der 192-Takte-Beweis

Wer sich beim Support eines KI-Anbieters nur darüber beschwert, dass ein Track nicht gefällt, wird schnell mit Textbausteinen über subjektiven Geschmack und künstlerische Freiheit abgespeist. Um diese Ausflüchte unmöglich zu machen, habe ich dem Support in Cambridge an der US-Ostküste eine einfache mathematische Rechnung vorgelegt.

Im Textfeld für die Struktur waren exakt definierte Taktzahlen für einen Progressive-Psytrance-Track in F-Moll hinterlegt: 32 Takte Intro, 64 Takte für den ersten Hauptteil, 16 Takte Bridge mit Fläche ohne Schlagzeug und Bass, weitere 64 Takte für den zweiten Hauptteil und 16 Takte Outro. In der Summe ergibt das genau 192 Takte. Bei einem Viervierteltakt sind das 768 Schläge. Teilt man diese 768 Schläge durch die im Prompt fest vorgeschriebenen 129 BPM, ergibt sich zwingend eine Laufzeit von 5,95 Minuten, also rund 5 Minuten und 57 Sekunden.

Das ist keine Frage des musikalischen Geschmacks, sondern reine Arithmetik. Das Ergebnis von vier aufeinanderfolgenden Generierungen mit genau diesen Vorgaben lautete jedoch: 4:17 Minuten, 3:47 Minuten, 2:37 Minuten und 2:22 Minuten. Keiner der Tracks kam den geforderten sechs Minuten auch nur nahe, während die Stimme weiterhin munter im Staccato flatterte. Genauso scheiterte das System bei einem 172-BPM-Projekt aus dem Bereich Metal Jungle Drum and Bass regelmäßig daran, das Leitmotiv aus dem Intro im Höhepunkt beizubehalten und durch Schichtung oder Kanon-Techniken zu verdichten, statt im Finale einfach eine völlig fremde Melodie zu erfinden.

Mit diesen Zahlen konfrontiert, änderte sich der Tonfall des Supports schlagartig. Aus den anfänglichen Ratschlägen zu Genre-Begriffen wurde ein offenes Eingeständnis. Man bestätigte schriftlich, dass die Rechnung eindeutig sei und die Ergebnisse von 2:22 bis 4:17 Minuten eine fundamentale Abweichung von der strukturellen Vorgabe darstellten. Wörtlich stufte der Support sowohl das Ignorieren der Taktzahlen als auch das ständige Erzeugen von Staccato-Stimmen trotz expliziten Verbots als messbares Versagen bei der Befolgung von Anweisungen („measurable prompt-adherence failures“) ein.

Werkzeug statt Mitentscheider: Warum ein Aufpasser-Modell fehlt

In unserem Briefwechsel habe ich dem Team in Cambridge verdeutlicht, worin der Unterschied zwischen einem gewöhnlichen Endverbraucher und einem Musikproduzenten liegt. Ein normaler Nutzer tippt ein paar Wörter ein und freut sich, wenn am Ende irgendein fertiger Song herauskommt. Als Produzent brauche ich Suno jedoch nicht als Arrangeur oder Komponisten. Wann ein Filter aufgeht, wann ein Break einsetzen muss, damit der Flow nicht abreißt, und wie man Spuren schichtet, entscheidet ein geschultes menschliches Gehör ohnehin viel präziser als jeder Algorithmus. Ein holpriges Arrangement kann ich nachträglich jederzeit umbauen. Was ich im Nachhinein aber nicht reparieren kann, ist eine völlig verfehlte Klangcharakteristik oder eine zitternde Pop-Stimme. Für Produzenten ist nicht das fertige Arrangement das Produkt, sondern die kompromisslose Soundtreue.

Dass Suno am Anfang einer Generierung oft noch versteht, was gemeint ist, nach zwanzig oder vierzig Sekunden aber wieder in kommerzielle Standardmuster zurückfällt, zeigt eine Schwäche in der Systemarchitektur. Mein konkreter Vorschlag an die Entwickler lautete daher, dem Audio-Generator ein intelligentes Sprachmodell als dauerhafte Kontrollinstanz („Intent Layer“) vorzuschalten. Statt nur beim Start ein paar Schlüsselwörter auszuwerten, müsste diese Instanz den gesamten Entstehungsprozess wie ein Produzent im Studio live überwachen und sofort eingreifen, sobald die Generierung in Richtung Mainstream abdriftet. Auch diesen Punkt nahm der Support ausdrücklich für das Produktteam auf, doch für meine laufende Arbeit blieb die Konsequenz klar: Für die in den letzten sieben Tagen gekauften Credits, die bei den vergeblichen Legato-Tests in den Versionen v6 und v6-Wild verbrannt wurden, habe ich eine Rückerstattung eingefordert.

Die Ursache hinter der Ursache: Als die Klagen der Musikindustrie kamen

Wer über Jahre hinweg mehr als 11.000 Generierungen durchführt, bemerkt Veränderungen im Verhalten der Modelle sehr genau. In den früheren Versionen v4.5 und v5 reichten oft schon kurze, knappe Eingaben aus, um beeindruckende, rohe und eigenständige elektronische Stücke zu erhalten. Gibt man heute in den Versionen v6 oder v6-Wild bei elektronischer Musik nur wenige Begriffe ein, landet man fast unweigerlich bei harmlosem Kirmes-Techno und glattgebügeltem Mainstream-Dance. Hinzu kommt ein auffälliges Detail im eigenen Arbeitsbereich: Früher war bei allen älteren Tracks die jeweilige Modellversion gut sichtbar in roter Schrift markiert, doch mit Einführung der sechsten Generation wurden sämtliche Versionshinweise unterhalb von v6 komplett aus der Ansicht entfernt.

Um zu verstehen, warum ein ehemals mutiges Werkzeug plötzlich an die kurze Leine gelegt wird, muss man nur auf die zeitlichen Zusammenhänge blicken. Am 24. Juni 2024 reichten die großen Major-Labels Universal Music Group, Sony Music und Warner Music Group eine massive Urheberrechtsklage gegen Suno ein. Über viele Monate stand das Unternehmen unter enormem juristischen und wirtschaftlichen Druck, bis Warner im November 2025 schließlich einen Vergleich samt Lizenzpartnerschaft mit Suno abschloss und weitere Partner wie BMG und Believe hinzukamen. Im September 2026 folgte dann die Veröffentlichung von Suno v6, dem ersten Modell, das offiziell auf lizenziertem Material dieser Industriepartner aufbaut.

Die Logik hinter dieser Entwicklung liegt auf der Hand: Wenn jeder unabhängige Produzent zu Hause mit wenigen präzisen Befehlen erstklassige, druckvolle elektronische Musik erschaffen kann, entsteht für die etablierte Musikindustrie eine unkontrollierbare Konkurrenz. Bekommt ein Unternehmen durch existenzbedrohende Klagen die Pistole auf die Brust gesetzt, passt es sein Produkt den Wünschen der Kläger an, um den Betrieb zu retten. Man erschwert die präzise professionelle Steuerung im Nischenbereich und lässt die breite Masse mit harmlosem Mainstream-Gedudel spielen, das niemandem wehtut.

Staccato im Sound, Staccato in der Sprache: Das Naturprinzip der Funktion

Mitten in dieser mehrtägigen Auseinandersetzung mit Suno flatterte mir eine E-Mail des Musikvertriebs Feiyr ins Postfach, die voll von gegenderten Begriffen war. Auf den ersten Blick haben Musik-KI und Gendersprache nichts miteinander zu tun, doch bei genauerem Hinsehen liegt beiden Phänomenen exakt derselbe Fehler zugrunde.

In beiden Fällen wird ein funktionierender, fließender Signalweg durch unnötigen Ballast gestört. Während ich bei Suno darum kämpfe, dass ein Stimmklang im sauberen Legato fließt, bauen Menschen in ihre Texte plötzlich Doppelpunkte und Sternchen wie bei „Künstler:innen“ oder gar „Großmütter:innen“ ein und erzeugen damit einen künstlichen Staccato-Effekt im Lesefluss. Die über Jahrhunderte gewachsene deutsche Sprache besitzt längst alle grammatischen Mittel, um jedes Geschlecht präzise zu benennen und jedem Menschen mit Respekt zu begegnen. Wenn die Wand in meinem Zimmer bereits orange gestrichen ist und ich Orange mag, muss ich sie nicht noch einmal orange übermalen, um mich wohler zu fühlen. Echte Wertschätzung zeigt sich niemals in einem Satzzeichen oder einem angehängten „:innen“, sondern ausschließlich im anständigen, fairen und verlässlichen Handeln gegenüber seinen Mitmenschen.

In der Natur gilt seit jeher das Prinzip der Funktionalität unter den jeweiligen Umweltbedingungen. Selbst scheinbar aufwendige Strukturen wie das Rad eines Pfaus, ein großes Hirschgeweih oder doppelte Organe im Körper sind kein sinnloser Zierrat, sondern erfüllen einen klaren Zweck für Fortpflanzung, Durchsetzung oder Ausfallsicherheit. Alles, was in einem System zusätzlichen Aufwand und Reibung erzeugt, ohne einen realen Nutzen zu liefern, ist überflüssiger Ballast. Das gilt für künstliche Sprachbarrieren genauso wie für eine KI, die ungefragt Pop-Schnörkel in einen klar definierten Underground-Track einbaut.

Warum echtes Gefühl und der Groove um halb vier Handarbeit bleiben

Was bleibt also, wenn die großen KI-Modelle trotz technischer Brillanz an ihren eigenen Scheuklappen scheitern? Es bleibt das eigene Handwerk, das Gehör und das Wissen über Physik und Psychoakustik. Wenn Suno keine dichte, ruhige Stimmfläche ohne Chorus-Geflatter liefern will, baut man die räumliche Tiefe eben selbst: Man kopiert die Spur, verschiebt das Duplikat um exakt drei Millisekunden nach hinten und senkt dessen Pegel um sechs bis acht Dezibel ab. Durch diesen festen zeitlichen Versatz und den gezielten Einsatz des Kammfiltereffekts entsteht ein akustischer Schatten, der dem Klang Volumen, Breite und Präsenz verleiht, ganz ohne künstliches Eiern in der Tonhöhe.

Genauso verhält es sich mit dem Spannungsbogen eines langen Sets. Musik lebt nicht von starrer Mathematik allein, sondern vom Dialog zweier tragender Elemente nach dem Prinzip von Frage und Antwort (Call and Response), wie man es schon im alten Detroit Techno eines Jeff Mills oder in den feuchten Kellerbunkern der neunziger Jahre gehört hat. Wenn ich zu Hause in Audacity über fünfundzwanzig Minuten hinweg sechs Tracks bei 128 BPM zu einer durchgehenden Reise verbinde, entsteht ein eigener Stil, den man am treffendsten als Progressive Psy House beschreiben kann.

Dort rollt über 128 Takte eine trockene Bassdrum mit einem knurrenden Offbeat-Bass, der fast wie ein rhythmisches Hundegebell zwischen den Schlägen sitzt. Sobald ein neuer Synthesizer, ein hubschrauberartiges Pulsieren, Tribal-Drums, eine blubbernde Acid-Linie oder eine weite Geigenfläche wie bei einem Sonnenaufgang auf der alten Love Parade hinzukommen, bleibt das Fundament zwar gleich, aber die Wahrnehmung im Kopf dreht den gesamten Groove um.

Den schönsten Beweis dafür, wie gut diese handgemachte musikalische Kommunikation funktioniert, lieferte ausgerechnet eine andere künstliche Intelligenz. Als ich einen solchen Mix auf YouTube hochlud, war das Wechselspiel zwischen dem stampfenden Groove und dem antwortenden Acid-Synthesizer für den automatischen Untertitel-Algorithmus so lebendig und sprechend, dass die Software darin ein echtes menschliches Gespräch vermutete. Immer dann, wenn der Synthesizer auf die Bassline antwortete, blendete YouTube mitten im rein instrumentalen Stück völlig überzeugt Textzeilen wie „HEY HEY HEY HEY“ oder „heat heat heat“ ein. Wenn selbst ein Sprachalgorithmus in einem handgebauten Synthesizer-Dialog menschliche Unterhaltungen hört, während man einen solchen Mix morgens um halb vier auflegen kann und die Leute sofort im Flow sind, dann weiß man eines ganz genau: Ein gutes Gehör und echtes Gefühl lassen sich durch keine Voreinstellung aus Cambridge ersetzen.