Lyrics sind im KI-Workflow der unterschätzte Teil. Beim Sound entscheiden Genre-Tags und Kuration, beim Text entscheidet etwas anderes: ob eine Zeile hängen bleibt. Ein Sprachmodell schreibt in Sekunden reimende Strophen — aber es schreibt sie für niemanden. Genau da beginnt die eigentliche Arbeit.
Warum generierte Lyrics generisch klingen
Modelle mitteln über Millionen Songtexte. Ohne Vorgaben liefern sie deshalb den Durchschnitt aller Popsongs: Herzen, Nächte, Lichter, Fliegen. Das ist kein Fehler des Modells, sondern ein fehlender Input. Ein Text wird konkret, wenn der Prompt konkret ist — eine Situation, ein Widerspruch, ein Detail, das nur zu diesem Song gehört. „Schreib einen Song über Verlust" produziert Floskeln. „Schreib aus der Sicht von jemandem, der die Wohnung des verstorbenen Vaters ausräumt und in der Jackentasche einen Parkschein von 2009 findet" produziert eine Szene.
Hook zuerst: eine Zeile trägt den Song
Der größte Fehler ist, einen kompletten Text zu generieren und dann zu hoffen, dass irgendwo eine Hook drinsteckt. Effizienter ist die umgekehrte Reihenfolge: erst die eine Zeile finden, die den Song trägt, dann den Rest darum bauen. Praktisch heißt das: 20 bis 30 Hook-Varianten generieren lassen — kurz, singbar, mit dem Songtitel darin — und hart aussortieren. Der Test ist simpel: Die Zeile laut sprechen. Wenn sie gesprochen schon Rhythmus hat, funktioniert sie gesungen fast immer.
Struktur als Gerüst, bevor generiert wird
Sprachmodelle halten Struktur nur, wenn man sie vorgibt. Wer Abschnitt für Abschnitt arbeitet statt „schreib mir einen Songtext", behält die Kontrolle:
- Verse 1: Szene aufmachen, konkretes Detail, noch keine Auflösung
- Pre-Chorus: Spannung hochziehen, kürzere Zeilen, Tempo rein
- Chorus: die Hook, maximal zwei Gedanken, wiederholbar
- Verse 2: Perspektive drehen oder Zeit springen — nie Verse 1 paraphrasieren
- Bridge: der eine Satz, der vorher nicht gesagt werden durfte
Jeder Abschnitt bekommt einen eigenen Prompt mit dem bisherigen Text als Kontext. So bleibt die Erzählung durchgehend, statt dass jede Strophe dasselbe in anderen Reimen erzählt.
Der Edit-Pass: 80 Prozent Maschine, 20 Prozent Mensch
Die 20 Prozent Handarbeit entscheiden über die Qualität. Drei Regeln haben sich bewährt: Erstens jede Zeile streichen, die in jedem beliebigen Song stehen könnte. Zweitens perfekte Reime aufbrechen — saubere Reimketten über acht Zeilen klingen maschinell, Halbreime klingen menschlich. Drittens laut mitsingen: Silben, die sich gegen die Betonung stellen, fliegen raus oder werden umgestellt. Gerade bei deutschen Texten stolpern Gesangsmodelle über Konsonantencluster; kurze, offene Silben an betonten Stellen retten die Verständlichkeit.
Die KI schreibt Optionen, kein Ergebnis. Wer den Erstentwurf veröffentlicht, veröffentlicht den Durchschnitt aller Songs, die je geschrieben wurden.
Vom Text zum Track
Für Musikgeneratoren lohnt es sich, den fertigen Text mit Struktur-Markern zu versehen — [Verse], [Chorus], [Bridge] — und die Hook wörtlich zu wiederholen statt sie umschreiben zu lassen. Wiederholung ist im Songtext kein Stilfehler, sondern das Werkzeug, mit dem sich ein Refrain festsetzt. Wer pro Song zwei, drei Textvarianten generiert und gegeneinander anhören lässt, merkt schnell: Der beste Text ist selten der eleganteste, sondern der, den man nach einmal Hören mitsingen kann.
Wie der Text danach in Produktion, Auswahl und Release läuft, zeigt der Beitrag zum kompletten KI-Musik-Workflow von der Idee zum fertigen Track.