PANDUAN Audio AI

Sintesis Suara Bernyanyi

Sintesis suara nyanyian (SVS) adalah teknologi yang mengubah partitur musik, yang berarti lirik ditambah nada dengan nada dan pengaturan waktu, menjadi rekaman suara yang menyanyikannya.

Dengarkan panduan iniDiceritakan oleh AI · ~8 min

Di halaman ini9 menit baca
  1. Ikhtisar
  2. Poin-poin utama
  3. Menyelam Lebih Dalam
  4. Menelusuri satu frasa yang dinyanyikan melalui saluran neural SVS
  5. Implementasi Dunia Nyata
  6. Masa Depan Sintesis Suara Bernyanyi
  7. Mempraktikkannya
  8. Sumber dan bacaan lebih lanjut
  9. Terus Menjelajah
  10. Pertanyaan yang sering diajukan

Ikhtisar

Teknologi ini berevolusi dari VOCALOID berbasis sampel Yamaha pada tahun 2004 menjadi sistem saraf seperti DiffSinger dan VISinger, dan kini mendukung alat produksi musik sekaligus menimbulkan pertanyaan baru tentang hak suara dan deepfake.

Poin-poin utama

  1. Sintesis suara nyanyian menghasilkan audio yang dinyanyikan dari sejumlah lirik, nada, dan durasi nada, bukan dari teks biasa.
  2. VOCALOID Yamaha, pertama kali dijual pada tahun 2004 dengan voicebank Leon dan Lola, membuat lagu dengan menggabungkan sampel pendek yang direkam dari penyanyi sungguhan.
  3. Sistem saraf modern memprediksi durasi fonem, kurva nada, dan spektogram mel, kemudian menggunakan vocoder untuk menghasilkan bentuk gelombang akhir.
  4. Trik difusi dangkal DiffSinger mulai menghilangkan prediksi kasar dan memotong waktu inferensi sebesar 45,1% sekaligus meningkatkan peringkat pendengar.
  5. Detektor yang dilatih untuk deepfake lisan memiliki kinerja yang buruk pada nyanyian sintetis dalam studi SingFake tahun 2023, sehingga nyanyian memerlukan model pendeteksiannya sendiri.

Menyelam Lebih Dalam

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.

04Contoh yang berhasil

Menelusuri satu frasa yang dinyanyikan melalui saluran neural SVS

  1. Tuliskan skor untuk lirik 'halo' pada dua nada seperempat, C4 lalu E4, dengan kecepatan 120 ketukan per menit, sehingga setiap nada berdurasi 0,5 detik.

  2. Ubah lirik menjadi fonem seperti h, e, l, ou dan tetapkan h dan e pada nada pertama dan l dan ou pada nada kedua.

  3. Biarkan model durasi membagi setiap not 0,5 detik menjadi beberapa frame, berikan konsonan pendek beberapa frame dan vokal sisanya.

  4. Minta model nada menghasilkan kurva F0 yang berada di dekat 261,6 Hz untuk C4, meluncur ke atas, dan menetap di dekat 329,6 Hz untuk E4 dengan vibrato ringan.

  5. Masukkan fonem, jumlah bingkai, dan F0 ke dalam model akustik untuk menghasilkan spektogram mel 80 bin yang mencakup satu detik.

  6. Meneruskan mel-spektogram ke vocoder saraf untuk merender bentuk gelombang.

Apa yang ditunjukkannya

Outputnya adalah sekitar satu detik audio dari suara yang dipilih menyanyikan 'halo' pada dua nada. Periksa dengan menjalankan pelacak nada pada audio dan mengonfirmasi kecocokan F0 dengan C4 dan E4 dalam beberapa sen, dan dengan mendengarkan pengaturan waktu konsonan yang bersih pada perubahan nada.

Implementasi Dunia Nyata

Crypton Future Media merilis perpustakaan suara Hatsune Miku untuk mesin VOCALOID2 Yamaha pada tanggal 31 Agustus 2007, memungkinkan pengguna menghasilkan lagu yang dinyanyikan oleh karakter virtual dengan mengetikkan catatan dan lirik.

Proyek VOCALOID:AI Yamaha menciptakan kembali suara mendiang penyanyi Jepang Misora ​​Hibari untuk acara spesial NHK 2019 yang menandai 30 tahun sejak kematiannya.

VOCALOID6, yang dirilis oleh Yamaha pada tahun 2022, menambahkan mesin berbasis AI ke lini produk yang sudah berjalan lama, dan voicebank AI baru menyusul pada tahun 2024.

Sistem Sinsy dari Institut Teknologi Nagoya dimulai dengan model HMM statistik dan dibangun kembali di sekitar jaringan neural dalam, dengan pengembangnya melaporkan akurasi waktu, vibrato, dan nada yang lebih baik pada tahun 2021.

Para peneliti merilis SingFake pada tahun 2023, kumpulan data 28,93 jam nyanyian nyata dan 29,40 jam nyanyian yang dihasilkan AI dari 40 penyanyi, untuk melatih detektor nyanyian deepfake.

Masa Depan Sintesis Suara Bernyanyi

Arahan penelitian yang terlihat dalam karya terbaru mencakup sistem end-to-end yang melewatkan vocoder terpisah, seperti yang dilakukan VISinger pada tahun 2022 dan sebagaimana penulis DiffSinger terdaftar sebagai karya masa depan; suara multibahasa dan lintas bahasa, yang mana VOCALOID3 dimulai secara komersial pada tahun 2011 dengan lima bahasa; dan kontrol ekspresif yang lebih halus sehingga musisi dapat membentuk napas, vibrato, dan timbre tanpa harus menggambar setiap lengkungan dengan tangan. Data masih menjadi hambatan, sehingga metode yang belajar dari jam kerja penyanyi yang lebih sedikit atau dari rekaman campuran yang dipisahkan oleh alat pemisah sumber merupakan area yang aktif. Produk komersial telah beralih ke mesin AI. Yamaha merilis VOCALOID6 dengan mesin berbasis AI pada tahun 2022 dan mendistribusikan VX-beta eksperimental sebagai add-on VOCALOID6 gratis pada tahun 2024, menurut sejarah resminya. Secara paralel, penelitian pendeteksian semakin berkembang: penulis SingFake (2023) melaporkan bahwa penyanyi, bahasa, codec, dan konteks musik yang tidak terlihat masih sulit untuk dideteksi. Bagaimana persetujuan, perizinan, dan atribusi untuk suara nyanyian sintetis akan ditangani, terutama jika suaranya menyerupai artis yang masih hidup atau sudah meninggal, merupakan pertanyaan terbuka bagi industri dan regulator.

Mempraktikkannya

Mengapa itu penting

  • Akses dan jangkauan. Ini meningkatkan aksesibilitas melalui transkripsi, narasi, dan antarmuka suara.
  • Biaya dan anggaran. Tim media dapat mengirimkan audio yang bagus lebih cepat dengan anggaran lebih kecil.
  • Kecepatan dan skala. Sistem yang berhubungan dengan pelanggan dapat memproses interaksi lisan dalam skala yang lebih besar.

Hati-hati

  • Risiko penyalahgunaan suara dan peniruan identitas meningkat jika tidak ada persetujuan.
  • Akurasi dapat menurun pada aksen, dialek, atau lingkungan yang bising.
  • Audio sintetis dapat disalahartikan sebagai ucapan asli tanpa label yang jelas.

Langkah selanjutnya

  1. Dapatkan persetujuan eksplisit untuk pengambilan suara, kloning, dan penggunaan kembali.
  2. Uji kualitas di beragam speaker dan kondisi latar belakang.
  3. Tentukan kapan manusia harus meninjau atau menyetujui keluaran.
  4. Beri label pada audio sintetis dan simpan catatan asalnya untuk akuntabilitas.

Sumber dan bacaan lebih lanjut

  1. ISCA Archive (Interspeech 2007)VOCALOID - synthesizer nyanyian komersial berdasarkan rangkaian sampel
  2. Yamaha CorporationSejarah peringatan 20 tahun VOCALOID
  3. arXiv (IEEE/ACM TASLP 2021)Sinsy: Sistem Sintesis Suara Bernyanyi Berbasis Jaringan Syaraf Dalam
  4. arXivXiaoiceSing: Sistem Sintesis Suara Bernyanyi Berkualitas Tinggi dan Terintegrasi
  5. arXiv (AAAI 2022)DiffSinger: Menyanyikan Sintesis Suara melalui Mekanisme Difusi Dangkal
  6. arXiv (ICASSP 2022)VISinger: Inferensi Variasi dengan Pembelajaran Adversarial untuk Sintesis Suara Nyanyian End-to-End
  7. arXiv (ICASSP 2024)SingFake: Deteksi Deepfake Suara Bernyanyi

Terus Menjelajah

Buletin gratis

Dapatkan pengarahan AI harian

Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.

Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.

Uji diri Anda sendiri

Ikuti kuis Sintesis Suara Bernyanyi

Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.

Mulai kuis

Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan

Pertanyaan yang sering diajukan

Apa itu Sintesis Suara Bernyanyi?

Sintesis suara nyanyian (SVS) adalah teknologi yang mengubah partitur musik, yang berarti lirik ditambah nada dengan nada dan pengaturan waktu, menjadi rekaman suara yang menyanyikannya. Teknologi ini berevolusi dari VOCALOID berbasis sampel Yamaha pada tahun 2004 menjadi sistem saraf seperti DiffSinger dan VISinger, dan kini mendukung alat produksi musik sekaligus menimbulkan pertanyaan baru tentang hak suara dan deepfake.

Input inti apa yang digunakan oleh sistem suara nyanyian yang dikondisikan skor?

Lirik dan skor memberikan konten dan target waktu. Pengondisian identitas penyanyi bersifat opsional dan bergantung pada sistem.

Apa yang dikatakan Yamaha yang diumumkan secara publik pada tahun 2003?

Peneliti Yamaha Hideki Kenmochi menceritakan bahwa perusahaan tersebut mengumumkan pada tahun 2003 bahwa mereka sedang mengembangkan teknologi sintesis nyanyian yang disebut VOCALOID.

Apa yang diwakili oleh kontur F0 dalam nyanyian bersuara?

F0 melacak frekuensi dasar di seluruh frame bersuara; ini mewakili kontur nada dan bukan perkiraan nada pasti yang dijamin.

Dalam pengaturan sintesis nyanyian saraf dua tahap yang dijelaskan, apa yang dapat dihasilkan model akustik sebelum vocoder?

Dalam desain dua tahap ini, model akustik memprediksi spektogram mel dan vocoder mengubah representasi tersebut menjadi audio bentuk gelombang.

Bagaimana DiffSinger menggunakan difusi dalam model akustiknya?

DiffSinger memperkenalkan mekanisme difusi dangkal untuk menghasilkan fitur akustik nyanyian dari kondisi skor musik; ini menjelaskan model makalah ini, tidak semua sistem SVS.