Como gerar letras de música com LLMs de forma estruturada · creatune

Gerar uma letra cantável com um LLM — estrofe, refrão e ponte reconhecíveis, rima consistente e sílabas que caibam na melodia — é mais difícil do que parece. Pedidos soltos como "escreva uma música sobre saudade" devolvem texto bonito e instável: a conta de sílabas não fecha, a rima é forçada, o refrão não se repete.

O exemplo em Python usa qualquer API de chat compatível com o formato OpenAI: prompt por seção, JSON, auditoria de sílabas (heurística aproximada).

Por que a estrutura importa

Estrofe (verse): avança a história.
Pré-refrão (opcional): sobe a tensão até o gancho.
Refrão (chorus): gancho memorável e repetível.
Ponte (bridge): quebra o padrão — outro ângulo ou ritmo.

Se o modelo inventa a forma, mistura estrofe e refrão ou escreve várias estrofes sem gancho. Trate cada seção como um bloco com restrições próprias: função narrativa, esquema de rima, número de versos e meta de sílabas.

Anatomia de um prompt útil

Separe regra permanente (system) e tarefa desta geração (user). No system, fixe idioma (pt-BR ou en), papel de cada seção, esquema de rima (ABAB, AABB, ABCB…), meta de sílabas por verso, formato de saída (JSON puro) e proibições: não citar letras existentes, evitar clichês que você listar. No user, descreva só esta música: tema, ponto de vista, tempo verbal, tom, algumas imagens concretas e a sequência (verse, verse, chorus, bridge, chorus). Peça poucas seções por chamada se o modelo degradar no fim do JSON.

Rima e metrificação: português e inglês

Em português, a tradição poética conta sílabas poéticas, não sílabas gramaticais. Duas regras mudam o número:

Sinalefa / elisão: vogais em fronteira de palavra podem se fundir ("me ama" pode valer duas sílabas, não três).
Lei da última tônica: a contagem vai até a última sílaba tônica; átonas finais de paroxítonas e proparoxítonas ficam de fora do cômputo clássico.

Um LLM que "conta sílabas" em português quase sempre improvisa. Trate qualquer syllables vindo do modelo como hipótese, não como medição.

Em inglês, letra pop raramente segue pé métrico rígido: importa o número aproximado de sílabas e, mais ainda, onde cai o acento. Comece com AABB ou ABAB e confira a terminação — rima consoante em português coincide a partir da vogal tônica ("noite/açoite" rima; "noite/sorte" não). Use metas de 6, 8 ou 10 sílabas, com tolerância de ±1.

Saída em JSON (schema)

Peça um objeto com seções e linhas tipadas:

{"title": "string", "language": "pt-BR",
 "sections":[{"type": "verse", "rhyme_scheme": "ABAB",
   "lines":[{"text": "string", "rhyme_key": "A", "syllables_target": 8}]}]}

type pode ser verse, prechorus, chorus ou bridge. O refrão repetido deve trazer o mesmo text. Se a API tiver modo JSON (response_format: {"type": "json_object"}), use. Mesmo assim, faça json.loads com tratamento de erro — o modelo ainda envolve o objeto em cercas ou corta colchetes.

Exemplo em Python e auditoria de sílabas

O cliente openai funciona com qualquer endpoint /chat/completions. Troque a URL base e o nome do modelo. silabas_aprox não implementa métrica poética — não trata sinalefa, ditongos crescentes nem a lei da última tônica — e só flagra versos longos ou curtos demais.

import json, os, re
from openai import OpenAI

MODEL = "seu-modelo"
client = OpenAI(
    base_url=os.environ.get("OPENAI_BASE_URL", "https://api.openai.com/v1"),
    api_key=os.environ["OPENAI_API_KEY"],
)
SYSTEM = (
    "Letrista em pt-BR. Cumpra rima e meta de sílabas. "
    "Não reproduza letras existentes. Só JSON: title, language, "
    "sections[{type, rhyme_scheme, lines[{text, rhyme_key, syllables_target}]}]."
)
user = (
    "Tema: partir de uma cidade litorânea de madrugada, tom sereno. "
    "Seções: verse (4 linhas, ABAB, 8 sílabas), "
    "chorus (4 linhas, AABB, 8 sílabas). "
    "Evite 'coração', 'destino' e 'saudade'."
)
resp = client.chat.completions.create(
    model=MODEL, temperature=0.8,
    response_format={"type": "json_object"},
    messages=[{"role": "system", "content": SYSTEM},
              {"role": "user", "content": user}],
)
data = json.loads(resp.choices[0].message.content)

VOGAIS = "aeiouyáéíóúâêôãõàü"

def silabas_aprox(texto: str) -> int:
    # aproximada por grupos de vogais; não é métrica poética
    s = re.sub(r"[^a-zà-ü]", "", texto.lower())
    n = len(re.findall(rf"[{VOGAIS}]+", s))
    return n if n else (1 if s else 0)

def auditar(data, tolerancia=1):
    avisos = []
    for sec in data.get("sections", []):
        for j, line in enumerate(sec.get("lines", [])):
            n = silabas_aprox(line["text"])
            line["syllables_approx"] = n
            alvo = int(line["syllables_target"])
            if abs(n - alvo) > tolerancia:
                avisos.append(f"{sec.get('type')}/{j}: alvo {alvo}, aprox {n}")
    return avisos

temperature um pouco mais alta ajuda a variar imagens; restrições de forma ficam no system. Sem response_format, seja mais rigoroso no parse. Se a auditoria apontar desvio, reenvie só aquelas linhas.

Como avaliar o resultado

Cante ou fale no tempo da música. Métrica no papel não garante encaixe.
Confira o refrão. Precisa funcionar isolado e repetido; se o modelo reescreveu o gancho, descarte a variação.
Olhe ponto de vista e tempo verbal. Misturar "eu" e "você", ou presente e pretérito, sem intenção, é defeito comum.
Leia as terminações em voz alta. "Tinha/caminha" funciona; "amor/dor" é rima pobre e desgastada.
Peça ouvido humano se a letra for para uso real.

Armadilhas

Clichês. Sem lista de exclusão, o modelo recai em estoques: coração/paixão, destino, "fogo e gelo", moon/June, "olho no céu". Bloqueie três ou quatro muletas por geração e troque a lista a cada música.

Repetição. Além do refrão (que deve repetir), o modelo repete imagens e verbos nas estrofes. Conte n-gramas de 2–3 palavras entre seções que não sejam o refrão e regenere só o bloco repetitivo.

Direitos autorais de letras existentes. Letras publicadas são, em regra, obras protegidas. Não cole uma canção conhecida no prompt para continuar, traduzir ou versionar, nem peça imitação de uma faixa específica: o modelo pode devolver trechos memorizados. Tema, gênero e clima bastam. Se uma linha sair idêntica a algo que você reconhece, descarte. Isto não é aconselhamento jurídico.

Se não quiser montar o pipeline

Se você quer partir de um tema e chegar a estrofes e refrão, o AI Lyrics Generator gera versos e refrão a partir de um tema. Para transformar essa letra numa música completa com vocais, o AI Music Generator é uma ferramenta online que parte da letra e devolve a faixa.

Conferir rima, repetição e sílabas — ainda que de forma aproximada — é o que separa um texto "com jeito de letra" de uma letra que dá para cantar.