Suno v5.5: zestawy danych dla swojego głosu

Generowanie wokalu w Suno v5.5: tworzenie zbiorów danych dla barwy i stylu

Opcja „Your Voice” w Suno v5.5 umożliwia generowanie wokalu na podstawie własnych zbiorów danych użytkownika. System rozdziela głos na barwę, intonację i artykulację. Barwa zależy od budowy aparatu głosowego, intonacja od zmian wysokości dźwięku z wibrato i melizmatami, artykulacja od pracy języka i warg. To zapewnia elastyczność: model barwy łączy się z intonacją i artykulacją pod dowolny język.

Rozpoznawalność głosu zależy od równowagi tych elementów. Jeśli generacja nie przypomina oryginału, sprawdź, który składnik jest zniekształcony.

Klasyfikacja barw głosu

Do opisu barwy w śpiewie stosuje się kategorie:

• Power (Mocny): donośny głos z formantem śpiewnym ~2,5 kHz, typowy dla opery.
• Normal (Neutralny): bez napięcia, neutralny.
• Breathy (Zadyszany): z westchnieniem, blisko szeptu z nutami.

Systemy jak Synth-V dodają styl: Soft, Power, Bright, Dark. Vocaloid skupia się na Breathiness, Dynamics, Opening.

Przygotowanie zbiorów danych głosowych

Testy przeprowadzono na 11 zbiorach danych (ZD) trwających 6 sek. – 4 min. Wokale bez tuningu, mowy w różnych stylach. Generacje w 9 stylach z Weirdness 0–90, Style/Audio Influence 50–100.

Pierwsze 7 ZD:

• Rower (wokal, power).
• Normal (wokal).
• Theater (mowa, teatralna).
• Crying (płacz).
• Mixed (zbiór 1–4).
• Speech Expressive (wiersz z ekspresją).
• Speech Inexpressive (monotonny wiersz).

Dodatkowe 4 ZD dla precyzji:

• Breathy (zadyszany, niskie częstotliwości usunięte).
• RVC ZD (wokal/mowa po rosyjsku i angielsku).
• One Song (jedna piosenka z power/normal/breathy).
• Song Set (fragmenty 8 piosenek).

ZD z wyraźną intonacją (Crying, RVC) lub barwą (Power, Breathy) dają rozpoznawalny efekt. Zbiory mowy zapewniają precyzyjny recytatyw z emocjami i rytmem.

Aranżacja z własną melodią

Do aranżacji utwórz szkic MIDI: melodia, rytm, harmonia w formie suchej (bez efektów). Konwertuj na MP3, użyj trybu Cover + Your Voice + Lyrics + Style.

Wskazówki do szkicu:

• Proste nuty: ćwierćnuty dla akordów/basów pozwalają na wariacje (ósemki, triole).
• Melodia: GM Clarinet lub Lead 6 (voice); nucenie z tuningiem; Synth-V/Vocaloid.
• Harmonia: unikaj komplikacji (Am7/G, Csus2); system może zaokrąglać do durowej/molowej.

Testowano na 8 ZD: piosenka ludowa, „Make Me Feel”, „Red Hair Girl”. Wysoki Audio Influence wzmacnia podobieństwo.

Gotowe utwory jako szkic ograniczają swobodę stylu i jakość.

Kluczowe czynniki zachowania barwy

Co najważniejsze:

• Zakres wysokościowy szkicu pasuje do ZD; system rozszerza, ale morfuje przy braku danych.
• Prompt/Style dopasowany do ZD: R&B doda melizmaty, nieodpowiednie dla power-głosów.
• Wysoki Audio Influence dla dominacji ZD.

Ogranicz zmienność w Lyrics, zmieniając zwrotki dla kontroli melodii.

Co najważniejsze

• Rozdział na barwę, intonację i artykulację umożliwia elastyczną syntezę.
• Kilka ZD na style: uniwersalny nie obejmuje wszystkich piosenek.
• Prosty suchy szkic maksymalizuje wariacje aranżacji.
• Wysoki Audio Influence i pasujący Style zachowują rozpoznawalność.
• Zbiory mowy dają profesjonalny recytatyw z emocjami.

— Editorial Team