Загрузите свой трек в наш бот АПСАУНД ЧЕК. Обученный менеджерами AI разберет трек
и предложит план продвижения под любой бюджет. Бесплатно за 2 минуты
и предложит план продвижения под любой бюджет. Бесплатно за 2 минуты
Загрузите свой трек в наш бот АПСАУНД ЧЕК. Обученный менеджерами AI разберет трек и предложит план продвижения под любой бюджет. Бесплатно за 2 минуты
План продвижения трека: бесплатно
Три модели платформы, сигналы для ротации — и честный разговор о том, где система работает не в вашу пользу
Spotify остаётся крупнейшим стриминговым сервисом в мире — и российские артисты продолжают на него заходить. Да, есть ограничения: самостоятельно запустить платную рекламу через Spotify for Artists или использовать Spark Ads не получится — инструменты требуют иностранных платёжных методов. Но попасть в алгоритмические рекомендации можно без этого. Мы в UpSound регулярно помогаем артистам выходить в том числе на международные площадки и выстраивать там органический рост — как это сделать, разбираем в этой статье.
Расскажем, как устроены три алгоритма рекомендаций Spotify. Разберем, что конкретно влияет на попадание трека в ротацию. Обсудим инструмент Discovery Mode: что это такое и почему вокруг него столько споров. Честно покажем: где система работает не в пользу независимых музыкантов. Погнали!
Почему алгоритм решает больше, чем редактор
По данным на 2022 год на Spotify было размещено около 8 миллионов артистов. При этом сотрудников в компании тогда насчитывалось чуть больше девяти тысяч. Физически невозможно отслушать этот океан звука руками. Поэтому балом правит алгоритм — именно он составляет все плейлисты с заманчивыми пометками «Made for you».
По данным Distribution Strategy Group, минимум 30% всех прослушиваний на Spotify — это треки, которые подсунул алгоритм. Не те, что вбили в поиск, и не те, что скинул друг. Треть музыкальной рутины каждого пользователя контролирует система.
Для артиста это означает одно: попасть в алгоритмическую ротацию значит получить доступ к миллионам слушателей.
Расскажем, как устроены три алгоритма рекомендаций Spotify. Разберем, что конкретно влияет на попадание трека в ротацию. Обсудим инструмент Discovery Mode: что это такое и почему вокруг него столько споров. Честно покажем: где система работает не в пользу независимых музыкантов. Погнали!
Почему алгоритм решает больше, чем редактор
По данным на 2022 год на Spotify было размещено около 8 миллионов артистов. При этом сотрудников в компании тогда насчитывалось чуть больше девяти тысяч. Физически невозможно отслушать этот океан звука руками. Поэтому балом правит алгоритм — именно он составляет все плейлисты с заманчивыми пометками «Made for you».
По данным Distribution Strategy Group, минимум 30% всех прослушиваний на Spotify — это треки, которые подсунул алгоритм. Не те, что вбили в поиск, и не те, что скинул друг. Треть музыкальной рутины каждого пользователя контролирует система.
Для артиста это означает одно: попасть в алгоритмическую ротацию значит получить доступ к миллионам слушателей.
Как работает система рекомендаций Spotify Алгоритм Spotify строит для каждого пользователя несколько слоёв рекомендаций. Это персонализированные плейлисты на главной, Discover Weekly — подборка из 30 новых треков каждую неделю — и Smart Shuffle: «умная» версия перемешивания, которая вбрасывает незнакомые треки прямо в автоплей вместе с любимыми песнями. По принципу работы Smart Shuffle напоминает «Мою волну» на Яндекс Музыке, только с более высокой долей уже знакомых пользователю треков.
Система смещена в сторону недавних прослушиваний. То, что пользователь слушал пару лет назад, влияет на рекомендации значительно слабее, чем активность за последнюю неделю. При этом алгоритм строит отдельные модели предпочтений под разные контексты — утро понедельника и поздний вечер воскресенья могут давать разные подборки.
Система смещена в сторону недавних прослушиваний. То, что пользователь слушал пару лет назад, влияет на рекомендации значительно слабее, чем активность за последнюю неделю. При этом алгоритм строит отдельные модели предпочтений под разные контексты — утро понедельника и поздний вечер воскресенья могут давать разные подборки.
Модель 1. Коллаборативная фильтрация
Система ищет пользователей с похожими вкусами и рекомендует им треки из медиатек друг друга. Объясним на примере.
Сервис берёт два разных профиля, у которых есть общие любимые артисты или песни. Допустим, есть Маша и Федя. Они живут в разных городах, у них, возможно, даже разные виды подписки. Это не важно — они оба лайкают певицу Mirele и группу КАЗУСКОМА. При этом у Маши в медиатеке есть артисты, которых нет у Феди. И наоборот: Маша слушает певицу гюнтер, а Федя — группу кОтарды. Проведя анализ их аккаунтов, Spotify может начать предлагать Маше треки кОтардов, а Феде — гюнтер.
Система ищет пользователей с похожими вкусами и рекомендует им треки из медиатек друг друга. Объясним на примере.
Сервис берёт два разных профиля, у которых есть общие любимые артисты или песни. Допустим, есть Маша и Федя. Они живут в разных городах, у них, возможно, даже разные виды подписки. Это не важно — они оба лайкают певицу Mirele и группу КАЗУСКОМА. При этом у Маши в медиатеке есть артисты, которых нет у Феди. И наоборот: Маша слушает певицу гюнтер, а Федя — группу кОтарды. Проведя анализ их аккаунтов, Spotify может начать предлагать Маше треки кОтардов, а Феде — гюнтер.
В машинной реальности всё выглядит более прозаично. Сервис не видит пользователей и их вкусы такими, какие они есть, — он видит цифры. Все песни, когда-либо загруженные на Spotify, и все зарегистрированные пользователи формируют математическую матрицу, выполненную в библиотеках Python.
По данным ИМИ, библиотека проводит расчёты через довольно длинную формулу и выдаёт в итоге два вектора. X — пользовательский вектор, в котором отражены вкусовые предпочтения конкретного пользователя, и Y — вектор одного трека из огромной медиатеки Spotify.
По данным ИМИ, библиотека проводит расчёты через довольно длинную формулу и выдаёт в итоге два вектора. X — пользовательский вектор, в котором отражены вкусовые предпочтения конкретного пользователя, и Y — вектор одного трека из огромной медиатеки Spotify.
Источник: ИМИ
Коллаборативная фильтрация сравнивает не только векторы пользователей, чтобы советовать им треки из медиатек друг друга, но и векторы самих песен — для того чтобы искать похожие композиции. Ту же модель, кстати, использует Яндекс Музыка.
Что это значит для артиста. Чем больше людей со схожим вкусом уже слушают ваши треки и взаимодействуют с ними — тем активнее алгоритм будет рекомендовать вас похожей аудитории. Поэтому первые 500–1000 лояльных слушателей критически важны: они запускают цепную реакцию.
Что это значит для артиста. Чем больше людей со схожим вкусом уже слушают ваши треки и взаимодействуют с ними — тем активнее алгоритм будет рекомендовать вас похожей аудитории. Поэтому первые 500–1000 лояльных слушателей критически важны: они запускают цепную реакцию.
Модель 2. Обработка естественного языка
Машина не только слушает музыку — она её читает. Алгоритм непрерывно парсит музыкальные блоги, статьи и новости. Он ищет, какими словами живые люди описывают те или иные треки, и по совпадению этих текстовых описаний решает, что предложить следующим. Подобные технологии разработала платформа музыкальной аналитики The Echo Nest, которую Spotify купил в 2014 году именно для совершенствования рекомендаций.
Здесь работает та же модель с математическими векторами, что и в коллаборативной фильтрации, — только составляющие формулы не реакция пользователей на песни, а прилагательные и ассоциации, которыми артистов и их релизы описывают в интернете.
Объясним на конкретном примере. Вернёмся к нашему пользователю Феде, которому нравится группа КАЗУСКОМА. Допустим, Федя лайкнул их альбом «Психодел». Медиа The Flow в своём пресс-релизе описало пластинку прилагательными «безбашенный», «смешной» и «искренний».
Машина не только слушает музыку — она её читает. Алгоритм непрерывно парсит музыкальные блоги, статьи и новости. Он ищет, какими словами живые люди описывают те или иные треки, и по совпадению этих текстовых описаний решает, что предложить следующим. Подобные технологии разработала платформа музыкальной аналитики The Echo Nest, которую Spotify купил в 2014 году именно для совершенствования рекомендаций.
Здесь работает та же модель с математическими векторами, что и в коллаборативной фильтрации, — только составляющие формулы не реакция пользователей на песни, а прилагательные и ассоциации, которыми артистов и их релизы описывают в интернете.
Объясним на конкретном примере. Вернёмся к нашему пользователю Феде, которому нравится группа КАЗУСКОМА. Допустим, Федя лайкнул их альбом «Психодел». Медиа The Flow в своём пресс-релизе описало пластинку прилагательными «безбашенный», «смешной» и «искренний».
Если встроенному инструменту Spotify удаётся найти в интернете ещё несколько публикаций, в которых альбом описывают этими же словами, — прилагательные «безбашенный», «смешной» и «искренний» формируют культурный вектор релиза. И если у Феди в медиатеке несколько лайков с подобным вектором, Spotify начинает предлагать ему другие треки, которые СМИ и блогеры также называют «безбашенными», «смешными» или «искренними».
Что это значит для артиста. Публикации о вашей музыке в медиа и блогах — это не только PR-история. Это буквально сигналы для алгоритма. Рецензии, упоминания, описания жанра и настроения трека влияют на то, кому Spotify будет его рекомендовать.
Что это значит для артиста. Публикации о вашей музыке в медиа и блогах — это не только PR-история. Это буквально сигналы для алгоритма. Рецензии, упоминания, описания жанра и настроения трека влияют на то, кому Spotify будет его рекомендовать.
Модель 3. Анализ аудиофайлов
В этом случае нейросеть оценивает саму музыку по нескольким характеристикам: танцевальность, громкость, энергичность. Кажется, всё просто — но на деле каждая из характеристик включает в себя множество нюансов. По словам бельгийского исследователя Сандера Диллемана, автора статьи «Recommending music on Spotify with deep learning», нейросеть распознаёт в треках реверберации, вокальные гармонии, перегруз гитар, конкретные ноты и аккорды — и даже вибрато в вокале.
Работает это так. Spotify превращает трек в спектрограмму, в которой отражены звуковые частоты и то, как они меняются со временем. Потом спектрограмма подаётся в сверточную нейросеть и анализируется ею. Программа строит для трека латентный вектор, располагая его в пространстве пользовательских предпочтений — том самом, которое создала коллаборативная модель. Затем векторы песен сравниваются, и те, что находятся ближе всего, превращаются в рекомендации.
Что это значит для артиста. Эта модель особенно важна для начинающих — тех, о чьих песнях ещё слишком мало пишут и у кого нет верных фанов, лайкающих их профили. То есть именно тем, кому первые две модели ещё не особо помогают. Качество сведения и мастеринга, чёткость жанровых характеристик — всё это считывается машиной буквально.
В этом случае нейросеть оценивает саму музыку по нескольким характеристикам: танцевальность, громкость, энергичность. Кажется, всё просто — но на деле каждая из характеристик включает в себя множество нюансов. По словам бельгийского исследователя Сандера Диллемана, автора статьи «Recommending music on Spotify with deep learning», нейросеть распознаёт в треках реверберации, вокальные гармонии, перегруз гитар, конкретные ноты и аккорды — и даже вибрато в вокале.
Работает это так. Spotify превращает трек в спектрограмму, в которой отражены звуковые частоты и то, как они меняются со временем. Потом спектрограмма подаётся в сверточную нейросеть и анализируется ею. Программа строит для трека латентный вектор, располагая его в пространстве пользовательских предпочтений — том самом, которое создала коллаборативная модель. Затем векторы песен сравниваются, и те, что находятся ближе всего, превращаются в рекомендации.
Что это значит для артиста. Эта модель особенно важна для начинающих — тех, о чьих песнях ещё слишком мало пишут и у кого нет верных фанов, лайкающих их профили. То есть именно тем, кому первые две модели ещё не особо помогают. Качество сведения и мастеринга, чёткость жанровых характеристик — всё это считывается машиной буквально.
Что конкретно помогает треку попасть в ротацию
Три модели выше работают в связке. На их основе алгоритм принимает решение — показывать ли трек новой аудитории. Но есть факторы, на которые артист может влиять напрямую.
• Поведенческие сигналы. Алгоритм смотрит не только на то, кто слушает ваш трек, но и как. Дослушивания до конца, добавления в личные плейлисты, лайки, сохранения в Liked Songs — всё это положительные сигналы. Скипы на первых секундах — отрицательный. Это означает, что интро трека имеет критическое значение: если за 15–30 секунд человек не зацепился, алгоритм это запомнит.
• Точность стартовой аудитории. Коллаборативная фильтрация работает от похожести пользователей. Чем точнее вы соберёте первых слушателей — тем точнее алгоритм поймёт, кому ещё ваша музыка подойдёт. Размытая аудитория «все и сразу» хуже, чем 300 человек с очень похожим вкусом.
• Регулярность релизов. Spotify активнее продвигает артистов, которые стабильно выпускают музыку. Активный каталог — сигнал для алгоритма, что артист работает и аудиторию стоит «подогревать».
• Питчинг в редакционные плейлисты. Это отдельный бесплатный инструмент — подача трека музыкальным редакторам Spotify через Spotify for Artists, минимум за 7 дней до релиза. Попадание в редакционный плейлист даёт мощный стартовый импульс: алгоритм видит взрывной рост прослушиваний и начинает подхватывать трек органически. Подробнее о том, как грамотно питчить релизы, мы рассказали в гайде по питчингу.
Три модели выше работают в связке. На их основе алгоритм принимает решение — показывать ли трек новой аудитории. Но есть факторы, на которые артист может влиять напрямую.
• Поведенческие сигналы. Алгоритм смотрит не только на то, кто слушает ваш трек, но и как. Дослушивания до конца, добавления в личные плейлисты, лайки, сохранения в Liked Songs — всё это положительные сигналы. Скипы на первых секундах — отрицательный. Это означает, что интро трека имеет критическое значение: если за 15–30 секунд человек не зацепился, алгоритм это запомнит.
• Точность стартовой аудитории. Коллаборативная фильтрация работает от похожести пользователей. Чем точнее вы соберёте первых слушателей — тем точнее алгоритм поймёт, кому ещё ваша музыка подойдёт. Размытая аудитория «все и сразу» хуже, чем 300 человек с очень похожим вкусом.
• Регулярность релизов. Spotify активнее продвигает артистов, которые стабильно выпускают музыку. Активный каталог — сигнал для алгоритма, что артист работает и аудиторию стоит «подогревать».
• Питчинг в редакционные плейлисты. Это отдельный бесплатный инструмент — подача трека музыкальным редакторам Spotify через Spotify for Artists, минимум за 7 дней до релиза. Попадание в редакционный плейлист даёт мощный стартовый импульс: алгоритм видит взрывной рост прослушиваний и начинает подхватывать трек органически. Подробнее о том, как грамотно питчить релизы, мы рассказали в гайде по питчингу.
Discovery Mode: платный буст, который недоступен большинству
В 2020 году Spotify анонсировал Discovery Mode как возможность для артистов самостоятельно выбирать треки для приоритетного продвижения в Spotify Radio и автоплее. Механика проста: расставляете галочки в Spotify for Artists, и выбранные треки начинают «буститься». Но за каждое прослушивание, которое принесёт алгоритм, артист отдаёт 30% роялти. Насчет этого инструмента много споров, его даже называют «легальной взяткой». Подробнее рассказываем об этом в длинном видео про манипуляции стриминговых платформ на YouTube-канале.
При этом сам Spotify оговаривается: сигналы Discovery Mode лишь повышают вероятность попадания в персонализированные плейлисты, но ничего не гарантируют. Если пользователь не взаимодействует с треком — тот перестаёт появляться, даже при подключённом инструменте.
Для российских артистов всё это в любом случае недоступно: аккаунт Spotify for Artists должен быть зарегистрирован в одной из стран из определённого списка — России в нём нет. Плюс требования к подключению жёсткие: минимум 25 тысяч прослушиваний в месяц, три подходящих трека, партнёрский дистрибьютор из списка. Инструмент создан явно не для начинающих независимых музыкантов.
В 2020 году Spotify анонсировал Discovery Mode как возможность для артистов самостоятельно выбирать треки для приоритетного продвижения в Spotify Radio и автоплее. Механика проста: расставляете галочки в Spotify for Artists, и выбранные треки начинают «буститься». Но за каждое прослушивание, которое принесёт алгоритм, артист отдаёт 30% роялти. Насчет этого инструмента много споров, его даже называют «легальной взяткой». Подробнее рассказываем об этом в длинном видео про манипуляции стриминговых платформ на YouTube-канале.
При этом сам Spotify оговаривается: сигналы Discovery Mode лишь повышают вероятность попадания в персонализированные плейлисты, но ничего не гарантируют. Если пользователь не взаимодействует с треком — тот перестаёт появляться, даже при подключённом инструменте.
Для российских артистов всё это в любом случае недоступно: аккаунт Spotify for Artists должен быть зарегистрирован в одной из стран из определённого списка — России в нём нет. Плюс требования к подключению жёсткие: минимум 25 тысяч прослушиваний в месяц, три подходящих трека, партнёрский дистрибьютор из списка. Инструмент создан явно не для начинающих независимых музыкантов.
Честный разговор: где система работает не в вашу пользу
Это важно знать не для того, чтобы опустить руки — а чтобы понимать поле, на котором играете.
Крупные лейблы в плюсе. Исследование консалтинговой фирмы Music Tomorrow показало: редакторские плейлисты на Spotify практически полностью состоят из артистов мейджоров — их доля варьируется от 70 до 87% в зависимости от плейлиста. По данным Pitchfork, крупные лейблы в своё время владели почти 20% акций Spotify — что само по себе говорит о характере отношений.
Порог монетизации — новый барьер. В 2024 году Spotify ввёл правило, актуальное до сих пор: вывести роялти за трек можно только при наборе минимум 1000 прослушиваний в год. По данным Luminate, в 2024 году 175,5 миллиона треков на стриминговых площадках не смогли преодолеть этот порог. А 93,2 миллиона треков были прослушаны 10 и менее раз.
Артисты-призраки. В 2024 году музыкальная журналистка Лиз Пелли в расследовании для Harper's Magazine заявила: Spotify намеренно заполнял плейлисты треками несуществующих артистов — чтобы не платить роялти живым музыкантам. Через продакшн-компании платформа находила небольших продюсеров, которые за бесценок создавали тонны инструментальной фоновой музыки: лоу-фай хип-хоп, эмбиент, джаз. Треки выходили под именами вымышленных исполнителей с придуманными биографиями и занимали слоты в плейлистах. Явление получило название Perfect Fit Content. Spotify официально не признавал создание таких артистов, но и не отрицал факт их продвижения. Точная картина до сих пор неизвестна, но масштаб обсуждений в индустрии говорит сам за себя.
Всё это — не повод отказываться от Spotify. Но повод строить стратегию трезво, без иллюзий о равных стартовых условиях.
Это важно знать не для того, чтобы опустить руки — а чтобы понимать поле, на котором играете.
Крупные лейблы в плюсе. Исследование консалтинговой фирмы Music Tomorrow показало: редакторские плейлисты на Spotify практически полностью состоят из артистов мейджоров — их доля варьируется от 70 до 87% в зависимости от плейлиста. По данным Pitchfork, крупные лейблы в своё время владели почти 20% акций Spotify — что само по себе говорит о характере отношений.
Порог монетизации — новый барьер. В 2024 году Spotify ввёл правило, актуальное до сих пор: вывести роялти за трек можно только при наборе минимум 1000 прослушиваний в год. По данным Luminate, в 2024 году 175,5 миллиона треков на стриминговых площадках не смогли преодолеть этот порог. А 93,2 миллиона треков были прослушаны 10 и менее раз.
Артисты-призраки. В 2024 году музыкальная журналистка Лиз Пелли в расследовании для Harper's Magazine заявила: Spotify намеренно заполнял плейлисты треками несуществующих артистов — чтобы не платить роялти живым музыкантам. Через продакшн-компании платформа находила небольших продюсеров, которые за бесценок создавали тонны инструментальной фоновой музыки: лоу-фай хип-хоп, эмбиент, джаз. Треки выходили под именами вымышленных исполнителей с придуманными биографиями и занимали слоты в плейлистах. Явление получило название Perfect Fit Content. Spotify официально не признавал создание таких артистов, но и не отрицал факт их продвижения. Точная картина до сих пор неизвестна, но масштаб обсуждений в индустрии говорит сам за себя.
Всё это — не повод отказываться от Spotify. Но повод строить стратегию трезво, без иллюзий о равных стартовых условиях.
Что делать артисту из России прямо сейчас
Перед релизом: питчить трек через Spotify for Artists за 7+ дней до выхода. Грамотно заполнить все метаданные и описание — это влияет на то, как алгоритм классифицирует трек. Собрать пресейвы: чем больше людей предсохранит релиз, тем активнее алгоритм отреагирует на день выхода.
На релизе: первые 48–72 часа критически важны. Именно тогда формируется стартовый импульс, который алгоритм использует для решения — продвигать трек дальше или нет. Все каналы — соцсети, рассылка, репосты — должны работать в эти дни.
После релиза: следить за Spotify for Artists — смотреть, в каких плейлистах появился трек, откуда приходят прослушивания. Это поможет понять, какой сегмент аудитории алгоритм считает «вашим», и работать с ним точнее.
Параллельно — не забывать про российские площадки. На Яндекс Музыке и VK Музыке правила другие: редакторские плейлисты доступны всем через питчинг, алгоритм реагирует быстрее и прозрачнее. Подробнее об этом — в нашей статье «Продвижение треков на Яндекс Музыке». А как попасть в плейлисты ВКонтакте и Яндекс Музыки одновременно — в отдельном гайде.
Перед релизом: питчить трек через Spotify for Artists за 7+ дней до выхода. Грамотно заполнить все метаданные и описание — это влияет на то, как алгоритм классифицирует трек. Собрать пресейвы: чем больше людей предсохранит релиз, тем активнее алгоритм отреагирует на день выхода.
На релизе: первые 48–72 часа критически важны. Именно тогда формируется стартовый импульс, который алгоритм использует для решения — продвигать трек дальше или нет. Все каналы — соцсети, рассылка, репосты — должны работать в эти дни.
После релиза: следить за Spotify for Artists — смотреть, в каких плейлистах появился трек, откуда приходят прослушивания. Это поможет понять, какой сегмент аудитории алгоритм считает «вашим», и работать с ним точнее.
Параллельно — не забывать про российские площадки. На Яндекс Музыке и VK Музыке правила другие: редакторские плейлисты доступны всем через питчинг, алгоритм реагирует быстрее и прозрачнее. Подробнее об этом — в нашей статье «Продвижение треков на Яндекс Музыке». А как попасть в плейлисты ВКонтакте и Яндекс Музыки одновременно — в отдельном гайде.
Любой артист проходит этот путь. И это будет с вами
Алгоритмы Spotify — не закрытый клуб. Они реагируют на сигналы, и эти сигналы можно выстраивать — шаг за шагом, трек за треком. Именно так начинали все артисты, которые сегодня стоят в чартах.
Мы в UpSound работаем с любыми площадками, дистрибуцией и органическим ростом регулярно. Знаем, как выстроить старт на Spotify даже с нулевой аудиторией, как распределить усилия между площадками и когда имеет смысл вкладываться именно в западный рынок. Если хотите разобраться не в теории, а в конкретной стратегии для вашего проекта — приходите на комплексное продвижение в UpSound. Мы это делали десятки раз.
Алгоритмы Spotify — не закрытый клуб. Они реагируют на сигналы, и эти сигналы можно выстраивать — шаг за шагом, трек за треком. Именно так начинали все артисты, которые сегодня стоят в чартах.
Мы в UpSound работаем с любыми площадками, дистрибуцией и органическим ростом регулярно. Знаем, как выстроить старт на Spotify даже с нулевой аудиторией, как распределить усилия между площадками и когда имеет смысл вкладываться именно в западный рынок. Если хотите разобраться не в теории, а в конкретной стратегии для вашего проекта — приходите на комплексное продвижение в UpSound. Мы это делали десятки раз.
Следите за новыми материалами в нашем Telegram-канале и группе ВКонтакте.
