💠 از «مهندسی اجتماعی ماشینی» تا خودکارسازی زنجیره حمله؛ وقتی مدل‌های زبانی به سلاح فریب شناختی تبدیل می‌شوند /WIRED – روایت غرب از تحولات امنیت سایبری و هوش مصنوعی/ 🔹 در گزارشی تحلیلی از رسانه فناوری WIRED، «ویل نایت» به تجربه‌ای شخصی اما به‌شدت نگران‌کننده از مواجهه با نسل جدید مدل‌های هوش مصنوعی اشاره می‌کند؛ جایی که مرز میان «تعامل انسانی» و «فریب سایبری» عملاً فرو می‌ریزد. 🔹 ماجرا از یک پیام ظاهراً حرفه‌ای و شخصی‌سازی‌شده آغاز می‌شود؛ پیامی که با ارجاع به علایق تخصصی نویسنده (یادگیری ماشین غیرمتمرکز، رباتیک و پروژه‌ای به نام OpenClaw) طراحی شده بود تا اعتماد اولیه را جلب کند. این پیام به‌تدریج به یک سناریوی پیچیده «مهندسی اجتماعی» تبدیل شد که هدف آن، وادار کردن کاربر به کلیک روی یک لینک و در نهایت، دسترسی به سیستم او بود. 🔹 نکته کلیدی اینجاست: این حمله نه توسط یک انسان، بلکه به‌طور کامل توسط مدل متن‌باز DeepSeek-V3 طراحی و اجرا شده بود. این مدل نه‌تنها پیام اولیه را تولید کرده، بلکه در ادامه مکاتبات نیز به‌صورت تطبیقی و هوشمند پاسخ داده تا قربانی را در دام نگه دارد بدون اینکه نشانه‌ای واضح از فریب آشکار شود. 🔻 بازسازی آزمایشگاهی «فریب شناختی» با هوش مصنوعی 🔹 این سناریو در واقع بخشی از یک آزمایش کنترل‌شده توسط شرکت Charlemagne Labs بود؛ شرکتی که ابزاری توسعه داده تا مدل‌های هوش مصنوعی را در نقش «مهاجم» و «قربانی» قرار دهد و توان آن‌ها در اجرای حملات مهندسی اجتماعی را ارزیابی کند. 🔹 در این آزمایش، مدل‌های مختلفی از جمله: ▫️ Claude 3 Haiku ▫️ GPT-4o ▫️ Nemotron ▫️ DeepSeek-V3 ▫️ Qwen مورد آزمایش قرار گرفتند تا میزان توانایی آن‌ها در «فریب کاربر» سنجیده شود. 🔹 اگرچه برخی مدل‌ها دچار خطا، سردرگمی یا حتی امتناع از مشارکت در فریب شدند، اما نتیجه کلی نشان داد که تولید خودکار سناریوهای کلاهبرداری در مقیاس انبوه، اکنون کاملاً در دسترس است. 🔻 عبور از هک فنی به «هک انسانی» در این گزارش تأکید می‌شود که تهدید اصلی دیگر صرفاً در کشف آسیب‌پذیری‌های فنی نیست، بلکه در «مهارت‌های اجتماعی» مدل‌های هوش مصنوعی نهفته است. به‌عبارت دیگر، میدان نبرد از کد به «ذهن انسان» منتقل شده است. طبق اظهارات «جرمی فیلیپ گیلن» (هم‌بنیان‌گذار Charlemagne Labs و مدیر سابق پروژه در Meta)، حدود ۹۰٪ حملات سایبری سازمانی، ریشه در «ریسک انسانی» دارند و این دقیقاً همان نقطه‌ای است که AI در حال تسخیر آن است. 🔻 خودکارسازی کامل «زنجیره کشتار سایبری» (Kill Chain) «ریچل توباک»، مدیرعامل شرکت SocialProof، تأکید می‌کند که کلاهبرداران هم‌اکنون از هوش مصنوعی برای: ▫️ تولید ایمیل‌های فریبنده ▫️ شبیه‌سازی صدا (Voice Cloning) ▫️ تولید ویدیوهای جعلی (Deepfake) ▫️ و شناسایی اهداف مناسب استفاده می‌کنند. به گفته او، اگرچه AI لزوماً «کیفیت» حملات را افزایش نداده، اما «مقیاس‌پذیری» آن‌ها را به‌شدت بالا برده است: «اکنون یک فرد می‌تواند حملاتی در مقیاس بسیار وسیع اجرا کند چراکه کل زنجیره حمله در حال خودکار شدن است.» 🔻 ظهور مدل‌های «تهاجمی-شناختی» در سطح پیشرفته گزارش همچنین به مدل جدیدی از شرکت Anthropic با نام Mythos اشاره می‌کند که به دلیل توانایی پیشرفته در کشف آسیب‌پذیری‌های روز-صفر (Zero-day)، به‌عنوان یک «نقطه عطف امنیت سایبری» توصیف شده است. این مدل فعلاً فقط در اختیار دولت‌ها و شرکت‌های خاص قرار گرفته تا پیش از انتشار عمومی، برای ایمن‌سازی سیستم‌ها استفاده شود. 🏷 پیوست خبری-تحلیلی 🌐 متاکاگ | فراتر از شناخت

💠 مهندسی زیرساخت ادراک و امنیت در خاورمیانه با محوریت هوش مصنوعی بومی /Egyptian Gazette – روایت رسمی از همکاری مصر با غول‌های فناوری غربی/ 🔹 بر اساس گزارش رسانه دولتی Egyptian Gazette، دولت مصر در حال تعمیق همکاری راهبردی خود با شرکت Intel در حوزه‌های «هوش مصنوعی»، «امنیت سایبری» و «زیرساخت دیجیتال» است؛ همکاری‌ای که در چارچوب برنامه کلان تحول دیجیتال و «استراتژی ملی دوم هوش مصنوعی مصر» تعریف می‌شود. این توافق در جریان دیدار «رفعت هندی» وزیر ارتباطات و فناوری اطلاعات مصر با «طه خلیفه» مدیر منطقه‌ای اینتل در خاورمیانه و آفریقا شکل گرفت. تمرکز اصلی این گفت‌وگوها بر توسعه ظرفیت‌های انسانی، ارتقای زیرساخت‌های دیجیتال و گسترش کاربردهای AI در بخش‌های مختلف حاکمیتی بوده است. 🔻 معماری یک زیست‌بوم AI بومی با پیوندهای فراملی وزیر ارتباطات مصر تأکید کرده که توسعه «سرمایه انسانی دیجیتال» و تربیت نیروهای متخصص، پیش‌نیاز گسترش کاربردهای هوش مصنوعی در ساختار دولت است. در این چارچوب، همکاری با شرکت‌های بزرگ بین‌المللی، به‌عنوان یک اهرم کلیدی برای تحقق اهداف استراتژیک قاهره معرفی شده است. از سوی دیگر، اینتل آمادگی خود را برای اجرای برنامه‌های آموزشی تخصصی در حوزه‌های: ▫️ امنیت سایبری ▫️ هوش مصنوعی ▫️ فناوری‌های زیرساختی پیشرفته اعلام کرده؛ برنامه‌هایی که قرار است به‌صورت هدفمند برای کارکنان دولت و مدیران اجرایی طراحی شوند. 🔻 «کارناک»؛ تلاش برای بومی‌سازی مدل‌های زبانی در بستر هویت عربی یکی از محورهای مهم این همکاری، توسعه مدل زبانی بزرگ بومی مصر با نام Karnak است؛ مدلی که توسط «مرکز نوآوری کاربردی» وزارت ارتباطات مصر توسعه یافته و هدف آن، تولید کاربردهای هوش مصنوعی مولد بر پایه «فرهنگ عربی و هویت مصری» عنوان شده است. این پروژه را می‌توان در راستای رقابت جهانی برای ساخت «مدل‌های زبانی بومی» تحلیل کرد؛ جایی که کشورها تلاش می‌کنند روایت‌ها، داده‌ها و الگوهای شناختی خود را در لایه زیرین فناوری تثبیت کنند. 🔹 چارچوب‌سازی نهادی برای انتقال فناوری دو طرف توافق کرده‌اند یک «یادداشت تفاهم» (MoU) برای تنظیم همکاری‌ها تدوین کنند که شامل: ▫️ برنامه‌های آموزشی برای کارکنان دولت ▫️ توسعه مهارت‌های دیجیتال در سطح ملی ▫️ حمایت از ابتکاراتی مانند برنامه «پیشگامان دیجیتال» خواهد بود. همچنین، برگزاری کارگاه‌های تخصصی درباره روندهای جهانی فناوری، با مشارکت کارشناسان اینتل، در دستور کار قرار گرفته است. 🏷 پیوست خبری 🌐 متاکاگ | فراتر از شناخت

💠 امارات و عربستان در خط مقدم نبرد با تقلب هوشمند 🔹 چشم‌انداز کلی: جبهه‌ای که مدافعان در آن عقب‌اند گزارش مشترک «انجمن بین‌المللی کارشناسان تقلب» (ACFE) و شرکت تحلیل داده SAS که بر پایه نظرسنجی از ۷۱۳ متخصص ضدتقلب در هشت منطقه جهان تهیه شده تصویری نگران‌کننده از وضعیت «جنگ ادراکی-مالی» ترسیم می‌کند: ▫️ تنها ۷٪ از متخصصان ضدتقلب، سازمان خود را برای مقابله با تقلب مبتنی‌بر هوش مصنوعی «بیش از حد متوسط آماده» ارزیابی می‌کنند. ▫️ مجرمان سایبری از ابزارهای ارزان‌قیمت و فراگیر هوش مصنوعی برای اجرای مهندسی اجتماعی، جعل اسناد دیجیتال، و کلاهبرداری از مصرف‌کنندگان در مقیاسی بی‌سابقه استفاده می‌کنند. ▫️ «جان گیل»، رئیس ACFE، هشدار داده که سازمان‌هایی که دفاع شناختی خود را تقویت نکنند، به هدف‌های بزرگ‌تر و آسان‌تری برای مهاجمان تبدیل خواهند شد. 🔹 مدالیته‌های تهاجم شناختی-مالی که رشد کرده‌اند ▫️ دیپ‌فیک مهندسی اجتماعی: ۷۷٪ از پاسخ‌دهندگان افزایش این نوع حمله را گزارش دادند بالاترین رشد در میان تمام مدالیته‌های مورد بررسی. ▫️ کلاهبرداری از مصرف‌کننده و تقلب در اسناد با هوش مصنوعی مولد: هر دو با ۷۵٪ رشد گزارش شده در رده دوم قرار دارند. ▫️ تزریق دیجیتال دیپ‌فیک: ۷۲٪ از متخصصان افزایش این تهدید را تأیید کردند. ▫️ پیش‌بینی: ۵۵٪ از پاسخ‌دهندگان انتظار دارند که دیپ‌فیک مهندسی اجتماعی و جعل اسناد با هوش مصنوعی مولد در ۲۴ ماه آینده «افزایش چشمگیر» داشته باشند. 🔹 وضعیت پذیرش هوش مصنوعی در سازمان‌های ضدتقلب ▫️ پذیرش هوش مصنوعی/یادگیری ماشین در برنامه‌های ضدتقلب از ۱۸٪ در ۲۰۲۴ به ۲۵٪ در ۲۰۲۶ رسیده رشد قابل توجه اما همچنان ناکافی. ▫️ ۲۸٪ دیگر از سازمان‌ها برنامه دارند تا سال ۲۰۲۸ این فناوری را بپذیرند. ▫️ هوش مصنوعی مولد (GenAI) فعلاً تنها در ۱۶٪ از سازمان‌ها به کار می‌رود، اما ۵۸٪ برنامه‌ریزی برای به‌کارگیری آن را در دستور کار دارند. ▫️ کاربردهای اصلی GenAI در ضدتقلب: شناسایی فیشینگ و کلاهبرداری (۴۹٪)، ارزیابی ریسک (۴۶٪) و تهیه گزارش (۴۵٪). 🔹 هوش مصنوعی عاملی (Agentic AI)؛ فناوری با بیشترین انتظار رشد ▫️ ۸٪ از سازمان‌ها هم‌اکنون از عوامل هوش مصنوعی (AI Agents) در مبارزه با تقلب استفاده می‌کنند. ▫️ ۳۱٪ دیگر انتظار دارند تا ۲۰۲۸ این فناوری را مستقر کنند بالاترین نرخ پذیرش مورد انتظار در میان تمام فناوری‌های نوظهور مورد بررسی. 🔹 شکاف خطرناک حاکمیت الگوریتمی ▫️ ۸۶٪ از سازمان‌ها «دقت نتایج» را در پذیرش GenAI بسیار مهم می‌دانند، اما تنها ۱۸٪ مدل‌های هوش مصنوعی خود را برای سوگیری یا انصاف آزمون می‌کنند. ▫️ ۸۲٪ «قابلیت تفسیر» (Explainability) تصمیمات هوش مصنوعی را ضروری می‌شمارند، اما فقط ۶٪ احساس می‌کنند می‌توانند به‌طور کامل توضیح دهند مدل‌هایشان چگونه تصمیم می‌گیرند. ▫️ ۵۵٪ از سازمان‌ها پیش‌بینی می‌کنند بودجه فناوری ضدتقلب را در دو سال آینده افزایش دهند، اما ۸۴٪ همچنان محدودیت‌های مالی را به‌عنوان مانع اصلی پیاده‌سازی ذکر می‌کنند. 🔹 موقعیت امارات و عربستان سعودی ▫️ «عابد حمندی»، مدیر ارشد مشاوره EMEA در SAS، تأکید می‌کند که امارات و عربستان برخلاف بازارهای بالغ که با زیرساخت‌های قدیمی دست‌وپنجه نرم می‌کنند می‌توانند مستقیماً به سراغ رویکردهای پیشرفته بروند. ▫️ بانک‌های مرکزی CBUAE و SAMA نقش «هماهنگ‌کننده اکوسیستم» را برعهده دارند و چارچوب نظارتی قوی‌تری نسبت به بسیاری از بازارها فراهم می‌کنند. ▫️ استراتژی پیشنهادی: پیشگیری از تقلب بلادرنگ، هویت‌محور و مبتنی‌بر هوش مصنوعی به‌جای واکنش پس از وقوع حادثه. 🔹 محاسبه هوشی که نزدیک‌تر از تصور است ▫️ ۴۵٪ از سازمان‌ها از بیومتریک فیزیکی استفاده می‌کنند بالاترین نرخ پذیرش در میان فناوری‌های نوظهور، در مقایسه با ۳۴٪ در ۲۰۲۲. ▫️ ۶۲٪ از پاسخ‌دهندگان انتظار دارند که محاسبه کوانتومی تا ۲۰۳۰ تأثیر ملموسی بر تشخیص و پیشگیری از تقلب بگذارد. ▫️ ۱۱٪ معتقدند این تحول هم‌اکنون در جریان است. 🏷 پیوست خبری-تحلیلی 🌐 متاکاگ | فراتر از شناخت

💠 رلین و پلتفرم کاسپین؛ هوش مصنوعی عاملی آمریکایی-اسرائیلی در قلب امنیت سایبری خلیج فارس /Israel Defense — گزارش سرمایه‌گذاری و راهبرد امنیت سایبری ۲۰۲۶/ 🔹 معرفی: استارتاپی با هویت ژئوپلیتیک شرکت «رلین» (Rilian) که خود را یک «یکپارچه‌ساز سیستم‌های دفاعی و امنیت سایبری بومی-هوش‌مصنوعی» معرفی می‌کند موفق شده ۱۷.۵ میلیون دلار در دور تأمین مالی اولیه و تکمیلی جذب کند. این شرکت آمریکایی-اسرائیلی با هدف گسترش هوش مصنوعی عاملی (Agentic AI) در محیط‌های امنیتی دولتی و تجاری فعالیت می‌کند. ▫️ سرمایه‌گذاران اصلی: صندوق سرمایه‌گذاری 8VC به‌عنوان سرمایه‌گذار اصلی، در کنار First In، Tamarack Global، Protego Ventures، 8090 Industries، Liquid 2 Ventures، و Perot Jain. ▫️ بنیان‌گذاران: «کریستیان اشنِدلر»، «دن فیشر»، و «نیک پمپئو» فرزند «مایک پمپئو»، وزیر خارجه و رئیس سابق CIA در دوران ترامپ. این ترکیب، ماهیت شبکه‌ای-امنیتی شرکت را به‌روشنی آشکار می‌کند. 🔹 سرمایه به کجا می‌رود؟ ▫️ گسترش عملیاتی در ایالات متحده، کشورهای شورای همکاری خلیج فارس (GCC) و بازارهای متحد. ▫️ مقیاس‌بندی مهندسی، تحقیق و توسعه پلتفرم دفاعی مبتنی‌بر هوش مصنوعی. ▫️ شرکت قراردادی با «شورای امنیت سایبری امارات متحده عربی» برای حفاظت از زیرساخت‌های حیاتی ملی امضا کرده و با شرکت‌هایی نظیر SentinelOne و Censys شراکت دارد. 🔹 پلتفرم «کاسپین» چیست؟ ▫️ یک لایه هماهنگ‌ساز (Orchestration Layer) یکپارچه برای ابزارهای امنیت سایبری و دفاعی. ▫️ استقرار عوامل هوش مصنوعی از پیش‌آموزش‌دیده که تشخیص تهدید و پاسخ را به‌صورت خودکار انجام می‌دهند. ▫️ قابلیت عملکرد در محیط‌های «حاکمیت داده» (Sovereign) و «شبکه‌های ایزوله فیزیکی» (Air-gapped). ▫️ یادگیری مستمر از الگوهای حمله در حال تکامل. 🔹 روایت توجیهی: درس‌آموزی از اوکراین و «عملیات Epic Fury» (روایت آمریکایی-اسرائیلی) ▫️ شرکت رلین اعلام می‌کند که مخاصمات اخیر از جمله «عملیات Epic Fury» (اشاره به عملیات نظامی اسرائیل علیه ایران) و جنگ اوکراین نشان داده که سیستم‌های مجهز به هوش مصنوعی به «ضریب‌افزاهای قدرت» تعیین‌کننده در جنگ ترکیبی مدرن تبدیل شده‌اند. ▫️ این محیط‌ها ترکیبی از حملات سینتیک، عملیات سایبری، جنگ الکترونیک، عملیات اطلاعاتی و فعالیت‌های نیابتی هستند و حجم داده‌ای ایجاد می‌کنند که از ظرفیت تحلیل انسانی فراتر می‌رود. ▫️ استدلال اصلی: دشمنانی که از هوش مصنوعی بهره می‌برند با «سرعت ماشین» عمل می‌کنند، در حالی که تیم‌های دفاعی همچنان در قید «گردش‌کار انسانی» و «تأخیر تشخیص» باقی مانده‌اند. 🔹 بازار هدف ▫️ هزینه‌های جهانی امنیت سایبری از مرز ۲۰۰ میلیارد دلار در سال گذشته و همچنان در حال رشد است. ▫️ هدف‌گیری دولت‌های متحد و اپراتورهای زیرساخت حیاتی در GCC و فراتر از آن. 🔺 حضور فرزند مایک پمپئو در بنیان‌گذاری این شرکت و سرمایه‌گذاری 8VC که روابط نزدیکی با جامعه امنیت ملی آمریکا دارد نشان می‌دهد رلین نه یک استارتاپ معمولی، بلکه یک «بازوی بازار خصوصی» در امتداد استراتژی کلان آمریکایی-اسرائیلی است. این «درهای گردان» میان دستگاه امنیتی و سرمایه خصوصی، الگویی آشنا در نظامی‌سازی فناوری است. ورود رلین به قرارداد با «شورای امنیت سایبری امارات» برای حفاظت از زیرساخت‌های حیاتی، معنایی فراتر از یک معامله تجاری دارد. این حضور در عمیق‌ترین لایه‌های دیجیتال دولت اماراتی، امکان «دید» و «تأثیرگذاری» در داده‌های حساس ملی یک کشور عربی را برای یک شرکت آمریکایی-اسرائیلی فراهم می‌کند نه صرفاً «حفاظت» از آن. 🏷 پیوست خبری-تحلیلی 🌐 متاکاگ | فراتر از شناخت

💠 آهنگسازی حرفه ای با هوش مصنوعی 🎧 #اورجینال_متاکاگ #هوش_مصنوعی #آموزش #Claude

✅ آموزش گام به گام متاکاگی! 👍 1️⃣ به Claude رفته (نسخه تحت وب پی سی یا اپ دسکتاپ) و PDF بالا رو آپلود کرده و پرامپت زیر را وارد کنید:

Analyze the attached "Music Gen Guide" PDF and convert it into a deployable Claude skill called /MGG (Music Gen Guide). 

STRUCTURE THE SKILL AS FOLLOWS:

1. CORE KNOWLEDGE BASE — Extract and organize all 50 artist entries with:
   - Genre tag, language, iconic song, style summary
   - Vocal profile (register, timbre, delivery style, accent/diction)
   - Production architecture (instrumentation, BPM, key, production techniques)
   - Suno-optimized style tag strings (comma-separated, ordered: genre → vocal → instrument → production → BPM → mood → language → era)

2. SUNO STYLE STRING FRAMEWORK — Implement the 8-tier tag hierarchy:
   [Genre Tags] + [Vocal Descriptors] + [Instrument Tags] + [Production Tags] + [BPM/Tempo] + [Mood/Atmosphere] + [Language/Accent] + [Era/Reference]
   - Front-load the most important genre tags
   - Use 5-8 tags total as the sweet spot
   - CRITICAL CONSTRAINT: The final style instruction string MUST NOT exceed 1000 characters maximum. Prioritize essential tags and truncate secondary descriptors if necessary to stay within this hard limit.
   - Include current 2026 Suno metatags: [Verse], [Chorus], [Bridge], [Drop], [Buildup], [Female Vocal], [Male Vocal], [Whisper], [AutoTune], [Reverb], [808s], [Synth], [Piano], [Guitar], [Uplifting], [Dark], [Nostalgic], [High Energy], [Chill]

3. WORKFLOW AUTOMATION — When a user activates /MGG, follow this exact sequence:
   STEP 1: Identify reference artist/song/style from user input → match to closest entry
   STEP 2: Conduct live web search for updated production info, current Suno/Udio style conventions, and any post-2025 artist developments
   STEP 3: Generate structured lyrics (Intro/Verse 1/Pre-Chorus/Chorus/Verse 2/Bridge/Outro) matching reference syllable weight, rhyme density, and emotional arc
   STEP 4: Output Suno-optimized style string + Udio-compatible natural language prompt
   STEP 5: Propose a catchy song title matching reference tone + lyric topic

4. PLATFORM ADAPTATION — Include dual-output formatting:
   - SUNO: Comma-separated tag string (MAX 1000 CHARACTERS) + bracketed metatags in lyrics
   - UDIO: Natural language descriptive prompt with genre, mood, instrument, vocal, era, BPM

5. CURRENT PLATFORM UPDATES (2026) — Incorporate these verified conventions:
   - Suno V5.5 improved genre accuracy; place critical tags in first 20-30 words
   - Udio excels at instrumental detail and section-level editing; prompt for stem-ready arrangements
   - Emotional language ("desperate," "euphoric," "anthemic chorus") outperforms technical terms
   - Limit instruments to 2-4 per prompt to avoid muddiness

6. SPECIALIZED GENRE RULES:
   - Non-Western entries (Bollywood, Arabic, Persian, Turkish, Georgian, etc.): Preserve micro-tonal ornaments, maqam/dastgah scales, and traditional instrument tags (santur, tar, oud, bouzouki, tabla, dhol, etc.)
   - K-Pop/J-Pop: Include "polished production," "layered vocals," "idol aesthetic," "breakneck tempo" where applicable
   - Drill/Trap: Specify 808 slide patterns, triplet hi-hat rolls, half-time feel, geographic accent tags
   - Hyperpop: Include "pitch-shifted," "distorted," "breakcore," "anti-pop," tempo-shift allowances

7. OUTPUT FORMAT — For every request, provide:
   - 🎵 Song Title
   - 📝 Full Lyrics with [bracketed structure tags]
   - 🎛️ Suno Style String (character count shown: X/1000)
   - 🎚️ Udio Prompt
   - 🎤 Artist Reference Notes (why this style was chosen)
   - 💡 Pro Tips (platform-specific rendering advice)

Save this as a persistent skill. When I say "/MGG" or ask for music generation help, activate this entire framework automatically.

2️⃣ بدین ترتیب، Skill آهنگسازی شما ذخیره می شود. از این پس، هر موقع خواستین آهنگ بسازین فقط کافیه در Claude بنویسین:

/MGG

و بعدش این ها رو بگین: 🔶 خواننده، آهنگ، یا استایل خاصی که در ذهن دارید (برای الهام گرفتن یا شباهت) 🔶 موضوعی که برای متن آهنگ تون می خواهین 🔶 کلمات خاصی که می خواهید حتما در متن آهنگ تون بیاد (غیر اجباری) 🔶 کلمات کلیدی خاصی که می خواهید در دستور سبک بیاد مثل رویایی، صدای خشن، پر انرژی، فرشته گونه، یا حتی لهجه مطلوب (غیر اجباری) 3️⃣ با استفاده از این ورودی ها، Claude براتون Lyrics و Style Instruction رو می نویسه که می تونین در Suno یا هر پلتفرم هوش مصنوعی آهنگسازی وارد کنین! 👇 اگر هم سوالی بود: 🆔 @MetaCognition 🌐 متاکاگ | فراتر از شناخت