Аудио AI РЪКОВОДСТВО

Пеещ гласов синтез

Синтезът на пеещ глас (SVS) е технология, която превръща музикална партитура, което означава текст плюс ноти с височина и време, в запис на глас, който я пее.

Чуйте това ръководствоAI-разказан · ~8 min

На тази страница9 минути четене
  1. Преглед
  2. Основни изводи
  3. Дълбоко гмуркане
  4. Проследяване на една изпята фраза чрез невронен SVS тръбопровод
  5. Внедряване в реалния свят
  6. Бъдещето на синтеза на пеене на глас
  7. Прилагайки го на практика
  8. Източници и допълнителна литература
  9. Продължете да изследвате
  10. Често задавани въпроси

Преглед

Той еволюира от базирания на семпъл VOCALOID на Yamaha през 2004 г. до невронни системи като DiffSinger и VISinger и сега захранва инструменти за музикално производство, като същевременно повдига нови въпроси относно гласовите права и deepfakes.

Основни изводи

  1. Синтезът на пеещ глас генерира изпят звук от партитура от текстове, височини и продължителност на нотите, а не от обикновен текст.
  2. VOCALOID на Yamaha, продаден за първи път през 2004 г. с гласовите банки на Leon и Lola, създава песни чрез свързване на кратки семпли, записани от истински певци.
  3. Съвременните невронни системи предсказват продължителността на фонемите, кривата на тона и мел-спектрограмата, след което използват вокодер, за да произведат крайната форма на вълната.
  4. Трикът с плитка дифузия на DiffSinger започва премахването на шума от грубо прогнозиране и намалява времето за извод с 45,1%, като същевременно подобрява оценките на слушателите.
  5. Детекторите, обучени на устни deepfakes, се представиха слабо при синтетичното пеене в проучването SingFake от 2023 г., така че пеенето се нуждае от собствени модели за откриване.

Дълбоко гмуркане

Singing voice synthesis is the singing counterpart of text-to-speech. Instead of only a sentence to read, the system receives a score: the lyrics, the note each syllable falls on, how long each note lasts, and often tempo, dynamics and expression marks. Its job is to produce audio of a specific voice singing that score in tune and in time. Singing is harder than speech for several reasons. Pitch must land on exact notes, vowels are stretched over long durations, vibrato and breath must sound natural, and the vocal range covered is much wider than in conversation.

Modern neural systems usually split the work into stages. First, a front end converts lyrics into phonemes (the individual speech sounds) and aligns each phoneme with a note. Second, a duration model decides how many audio frames each phoneme receives inside its note; consonants are short and vowels absorb most of the note length. Third, an acoustic model predicts a mel-spectrogram, a picture of how energy is spread across frequencies over time, along with the fundamental frequency (F0) curve that defines pitch, including vibrato and slides between notes. Fourth, a vocoder turns that spectrogram into an audio waveform. Some newer systems merge the last two stages and generate audio directly from the score.

The first commercial generation used concatenation. Yamaha began developing VOCALOID in 2000, revealed it at Musikmesse in Frankfurt in 2003, and shipped the first products, the English voicebanks Leon and Lola by Zero-G, at the NAMM Show in 2004. As described by Yamaha engineers Hideki Kenmochi and Hayato Ohshita at Interspeech 2007, VOCALOID stitched together short samples recorded from a real singer and adjusted their pitch and timing to match the score. Users edited pitch curves and expression parameters by hand in a piano-roll editor. VOCALOID2 and the Hatsune Miku voicebank arrived in 2007, and versions 3, 4 and 5 followed in 2011, 2014 and 2018, according to Yamaha's official timeline.

The second generation was statistical. The Sinsy project at Nagoya Institute of Technology modeled singing with hidden Markov models (HMMs), probabilistic models that generate smooth parameter trajectories. Statistical models needed less storage than sample libraries and could produce any note smoothly, but they tended to sound muffled. Its developers later rebuilt Sinsy around deep neural networks, reporting in IEEE/ACM Transactions on Audio, Speech, and Language Processing (2021) that the DNN version improved timing, vibrato and pitch accuracy and scored higher in listening tests. That version has four modules: a time-lag model, a duration model, an acoustic model and a pitch-robust neural vocoder called PeriodNet.

The third generation is deep generative modeling, borrowed largely from speech synthesis. XiaoiceSing (2020) adapted the FastSpeech text-to-speech architecture, adding note pitch and length to each phoneme, a residual connection so predicted pitch stays near the written note, and a loss that keeps the summed phoneme durations equal to the note length. Against a convolutional baseline, its authors reported mean opinion score (MOS, a 1 to 5 listener rating) gains of 1.44 for sound quality and 1.38 for naturalness. DiffSinger from Zhejiang University (AAAI 2022) used a diffusion model, which learns to turn random noise into a mel-spectrogram step by step, and introduced a "shallow diffusion" shortcut that starts from a rough prediction instead of pure noise. VISinger (ICASSP 2022) adapted the end-to-end VITS speech model to produce waveforms directly from lyrics and score.

The approaches trade off differently. Concatenative systems preserve the exact timbre of the recorded singer but can produce audible joins and need large, carefully recorded libraries. HMM systems are compact and controllable but sound buzzy or flat. Neural acoustic models produce far more natural output but need hours of clean, annotated singing; DiffSinger's PopCS dataset, for example, holds 117 Mandarin pop songs, 5.89 hours from one female vocalist, recorded in a studio and annotated with phoneme alignments and pitch. A separate family, singing voice conversion, takes an existing sung recording and changes whose voice it sounds like; it needs no score but depends on a human performance as input.

The limits are both technical and social. Data is scarce because singing must be recorded dry, without accompaniment, and labeled note by note. Models trained on one singer struggle with styles outside that data, such as growls, falsetto or extreme ranges. Pitch errors are easy to hear, which is why Sinsy added automatic pitch correction for out-of-tune training phrases. Expressive control is still often done by hand, as in the VOCALOID editors. On the social side, convincing synthetic singing enables voice cloning of real artists. The SingFake study (ICASSP 2024) found that four leading detectors built for spoken deepfakes performed poorly on singing, and that even detectors retrained on singing struggled with unseen singers, languages and audio codecs.

In practice, training a research model is modest by modern AI standards. DiffSinger's authors trained on one Nvidia V100 GPU, with about 16 hours for a warm-up stage and 12 for the main stage, and the model generated a second of mel-spectrogram in 0.191 seconds before vocoding. The harder cost is data: recording, cleaning and aligning hours of a consenting singer's voice. Commercial products bundle that work into voicebanks that musicians license and control through note editors inside digital audio workstations.

04Работен пример

Проследяване на една изпята фраза чрез невронен SVS тръбопровод

  1. Напишете партитура за песента „здравей“ на две четвърти ноти, C4 след това E4, при 120 удара в минута, така че всяка нота да продължава 0,5 секунди.

  2. Преобразувайте текста във фонеми като h, e, l, ou и присвоете h и e на първата нота, а l и ou на втората.

  3. Нека моделът на продължителността разделя всяка нота от 0,5 секунди на кадри, като дава на кратките съгласни няколко кадъра, а на гласните - останалите.

  4. Накарайте модела на височина да произведе крива F0, която е близо до 261,6 Hz за C4, плъзга се нагоре и се установява близо до 329,6 Hz за E4 с леко вибрато.

  5. Подайте фонеми, брой кадри и F0 в акустичния модел, за да произведете мелспектрограма от 80 бина, покриваща една секунда.

  6. Предайте мел-спектрограмата към невронен вокодер, за да изобразите формата на вълната.

Какво показва

Резултатът е около една секунда звук на избрания глас, пеещ „здравей“ на две ноти. Проверете го, като пуснете инструмент за проследяване на височината на звука и потвърдите, че F0 съвпада с C4 и E4 в рамките на няколко цента, и като слушате за чисто съгласно време при промяна на нотата.

Внедряване в реалния свят

Crypton Future Media released the Hatsune Miku voice library for Yamaha's VOCALOID2 engine on August 31, 2007, letting users produce songs sung by a virtual character by typing in notes and lyrics.

Yamaha's VOCALOID:AI project recreated the voice of the late Japanese singer Misora Hibari for a 2019 NHK special marking 30 years since her death.

VOCALOID6, released by Yamaha in 2022, added an AI-based engine to the long-running product line, and new AI voicebanks followed in 2024.

The Sinsy system from Nagoya Institute of Technology began with statistical HMM models and was rebuilt around deep neural networks, with its developers reporting better timing, vibrato and pitch accuracy in 2021.

Researchers released SingFake in 2023, a dataset of 28.93 hours of real and 29.40 hours of AI-generated singing from 40 singers, to train detectors for singing deepfakes.

Бъдещето на синтеза на пеене на глас

Изследователските посоки, видими в скорошната работа, включват системи от край до край, които пропускат отделния вокодер, както направи VISinger през 2022 г. и както авторите на DiffSinger посочиха като бъдеща работа; многоезични и междуезични гласове, които VOCALOID3 стартира в търговската мрежа през 2011 г. с пет езика; и по-фин експресивен контрол, така че музикантите да могат да оформят дъх, вибрато и тембър, без да рисуват ръчно всяка крива. Данните остават пречка, така че методите, които се учат от по-малко часове на певец или от смесени записи, разделени с инструменти за разделяне на източника, са активни области. Търговските продукти се насочиха към AI двигатели. Yamaha пусна VOCALOID6 с базиран на AI двигател през 2022 г. и разпространи експерименталната VX-бета като безплатна добавка VOCALOID6 през 2024 г., според официалната си история. Успоредно с това нарастват изследванията за откриване: авторите на SingFake (2023) съобщават, че невидимите певци, езици, кодеци и музикални контексти остават трудни за детекторите. Как ще се третират съгласието, лицензирането и приписването на синтетични певчески гласове, особено когато гласът прилича на жив или починал изпълнител, е открит въпрос както за индустрията, така и за регулаторите.

Прилагайки го на практика

Защо има значение

  • Достъп и обхват. Той подобрява достъпността чрез интерфейси за транскрипция, дикторски текст и глас.
  • Разходи и бюджет. Медийните екипи могат да доставят изпипано аудио по-бързо с по-малки бюджети.
  • Скорост и мащаб. Системите, насочени към клиента, могат да обработват устни взаимодействия в по-голям мащаб.

Внимавайте за

  • Рисковете от злоупотреба с глас и имитация се увеличават, когато липсва съгласие.
  • Точността може да спадне при акценти, диалекти или шумна среда.
  • Синтетичното аудио може да бъде сбъркано с автентична реч без ясно етикетиране.

Следващи стъпки

  1. Получете изрично съгласие за улавяне на глас, клониране и повторно използване.
  2. Тествайте качеството при различни високоговорители и фонови условия.
  3. Определете кога човек трябва да прегледа или одобри резултатите.
  4. Етикетирайте синтетичното аудио и поддържайте записи за произход за отчетност.

Източници и допълнителна литература

  1. ISCA Archive (Interspeech 2007)VOCALOID - комерсиален синтезатор за пеене, базиран на конкатенация на семпли
  2. Yamaha Corporation20-та годишнина на VOCALOID
  3. arXiv (IEEE/ACM TASLP 2021)Sinsy: Система за синтез на пеещ глас, базирана на дълбока невронна мрежа
  4. arXivXiaoiceSing: Висококачествена и интегрирана система за синтез на глас за пеене
  5. arXiv (AAAI 2022)DiffSinger: Синтез на пеещ глас чрез механизъм за плитка дифузия
  6. arXiv (ICASSP 2022)VISinger: Вариационен извод със съперничещо обучение за гласов синтез на пеене от край до край
  7. arXiv (ICASSP 2024)SingFake: Singing Voice Deepfake Detection

Продължете да изследвате

Безплатен бюлетин

Получавайте дневния AI бюлетин

Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.

Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.

Тествайте себе си

Направете теста Синтез на пеещ глас

Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.

Стартирай теста

Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение

Често задавани въпроси

What is Singing Voice Synthesis?

Синтезът на пеещ глас (SVS) е технология, която превръща музикална партитура, което означава текст плюс ноти с височина и време, в запис на глас, който я пее. Той еволюира от базирания на семпъл VOCALOID на Yamaha през 2004 г. до невронни системи като DiffSinger и VISinger и сега захранва инструменти за музикално производство, като същевременно повдига нови въпроси относно гласовите права и deepfakes.

What core inputs does a score-conditioned singing-voice system use?

The lyrics and score provide the content and timing target. Singer-identity conditioning is optional and depends on the system.

What did Yamaha say it announced publicly in 2003?

Yamaha researcher Hideki Kenmochi recounts that the company announced in 2003 that it was developing singing-synthesis technology called VOCALOID.

What does an F0 contour represent in voiced singing?

F0 tracks the fundamental frequency across voiced frames; it represents a pitch contour rather than a guaranteed exact pitch estimate.

In the described two-stage neural singing-synthesis setup, what can the acoustic model produce before the vocoder?

In this two-stage design, the acoustic model predicts a mel-spectrogram and the vocoder converts that representation to waveform audio.

Как DiffSinger използва дифузията в своя акустичен модел?

DiffSinger въвежда механизъм за плитка дифузия за генериране на пеещи акустични характеристики от условия на музикална партитура; това описва модела на хартията, а не всяка SVS система.

Продължавай да учиш

Свързани ръководства

Още ръководства, избрани за тази тема

Получете безплатен AI сертификатКратък безплатен курс и изпит. Без разходи, без карта. Около 2,5 часа.Започнете безплатно →