মডেল
HQ-SVC এবং YingMusic-SVC: কন্টেন্ট, F0, শক্তি এবং গানের ভয়েস রূপান্তরের টিমব্রে ভেঙে ফেলা
Singing Voice Conversion / Technology Comparison
Singing Voice Conversion / Technology Comparison
© 2026 টেলকনেট। সর্বস্বত্ব সংরক্ষিত।
গানের কণ্ঠ রূপান্তর
SVC লক্ষ্য রেফারেন্সকে উৎসের সঙ্গে মেশায় না। কণ্ঠবর্ণের পরিসংখ্যান বদলানোর সময় এটিকে উৎসের গানের কথা, সময়বিন্যাস ও সুর অক্ষুণ্ণ রাখতে হয়। বিষয়বস্তু ফাঁস হলে তা উচ্চারণের ভুল বা পটভূমির শব্দ ঢুকে পড়া হিসেবে প্রকাশ পায়।
পিচকে সেমিটোনে p=69+12log₂(f₀/440) হিসেবে প্রকাশ করা যায়। কণ্ঠসীমার বড় পার্থক্যে স্বয়ংক্রিয় রেঞ্জ স্থানান্তর সহায়ক, তবে F0-এর ভুল গ্লাইড, শ্বাস ও হারমোনিকে ভুল সুরের সংকেতে পরিণত করে।
HQ-SVC-এর মডেল কার্ডে ইনফারেন্স কোড, FACodec, RMVPE ও ভোকোডার সম্পদ একসঙ্গে রয়েছে। YingMusic-SVC প্রকাশ করেছে F0-সচেতন অ্যাডাপ্টার, শক্তির ভারসাম্যযুক্ত ফ্লো ম্যাচিং এবং বাস্তব পরিবেশের হারমোনিক দূষণের জন্য প্রশিক্ষণ। অভিন্ন পরীক্ষণ সেট ছাড়া প্রকাশ্য উপকরণ দুটি প্রকল্পের মধ্যে একক বিজয়ী নির্ধারণের পক্ষে যথেষ্ট নয়।
উৎসে সঙ্গতের শব্দ ফাঁস হলে রূপান্তরের সময় তার কণ্ঠবর্ণও বদলে যায়, আর লক্ষ্য নমুনার রিভার্ব বা পটভূমির শব্দকে পরিচয়ের অংশ বলে ভুল হতে পারে। প্রধান কণ্ঠের উৎস ও লক্ষ্য রেফারেন্স—দুটিই পরিষ্কার হওয়া উচিত, এবং রূপান্তরিত অডিও যে কৃত্রিম তা স্পষ্টভাবে জানাতে হবে।
গানের কণ্ঠ রূপান্তর কোনো পরিবেশনার কথা ও সুর ধরে রেখে কণ্ঠবর্ণ-সম্পর্কিত উপস্থাপন বদলে দেয়। HQ-SVC উচ্চমানের রূপান্তর শৃঙ্খলের ওপর জোর দেয়; YingMusic-SVC বিষয়বস্তু, F0 ও গায়ক-নির্ভর শর্তায়নের আরেকটি নকশা দেয়। সংশ্লেষণের বিপরীতে, এখানে ইনপুট হলো আগে থেকেই থাকা একটি গাওয়া পরিবেশনা।
SVC বর্ণালি ম্যাপিং থেকে বিষয়বস্তু এনকোডার, সুস্পষ্ট F0, উৎপাদক ডিকোডার ও শক্তিশালী গায়ক-উপস্থাপনের দিকে এগিয়েছে। বিচ্ছিন্নকরণ এখনো অসম্পূর্ণ: উৎসের উচ্চারণভঙ্গি, ডায়নামিক্স ও ফরম্যান্ট ফাঁস হতে পারে, আবার লক্ষ্য রেফারেন্সের ঘরের শব্দও অনুলিপি হতে পারে।
ŷ=G(c(x_src),F0(x_src),E(x_src),e(x_ref))c(x_src)ভাষাগত বিষয়বস্তুF0,Eসুর ও শক্তিe(x_ref)লক্ষ্য কণ্ঠবর্ণের শর্তবিষয়বস্তু, F0 ও শক্তি আসে উৎস পরিবেশনা থেকে; লক্ষ্য কণ্ঠবর্ণ আসে রেফারেন্স থেকে। অসম্পূর্ণ বিচ্ছিন্নকরণ উৎসের পরিচয় রেখে দেয় বা ঘরের ধ্বনিবর্ণ স্থানান্তর করে।
সম্পূর্ণ মিক্সের জন্য প্রথমে প্রধান কণ্ঠের একটি পরিষ্কার স্টেম দরকার। পৃথকীকরণে ফাঁস হওয়া শব্দ রূপান্তরে নতুন কণ্ঠবর্ণ পায় এবং অপসারণ আরও কঠিন হতে পারে, তাই দুই ধাপ একসঙ্গে যাচাই করতে হবে।
HQ-SVC / YingMusic-SVC / YingMusic-SVC নিবন্ধের মাধ্যমে নিবন্ধ, কোড ও ওজন দেখা যাবে।
প্রতিটি সারি নিজ উৎসের স্থাপত্য, মেট্রিক বা কাজের সংজ্ঞা অক্ষুণ্ণ রাখে; অভিন্ন প্রোটোকলবিহীন ফলাফল আলাদা থাকে।
| মডেল | স্থাপত্য বা প্রমাণ | পরিধি |
|---|---|---|
| HQ-SVC | উচ্চমানের ডিফল্ট শৃঙ্খল | বিশ্বস্ততা, স্বচ্ছতা ও উচ্চ কণ্ঠসীমার স্থিতিশীলতা |
| YingMusic-SVC | বিষয়বস্তু/F0/কণ্ঠবর্ণ তুলনা | গায়ক ও ভাষা পেরিয়ে বৈশিষ্ট্য ধরে রাখা |
| উৎস পৃথকীকরণ + SVC | মিশ্র ইনপুটের সম্পূর্ণ পথ | পৃথকীকরণের শব্দ ফাঁস রূপান্তরে ছড়িয়ে পড়ে |
প্রথমে গানের কথা ও তাল, তারপর পিচের লাফ, সিবিল্যান্ট, শ্বাসমিশ্রতা এবং উচ্চ কণ্ঠসীমায় ভাঙন যাচাই করুন। স্বয়ংক্রিয় ট্রান্সপোজিশন কণ্ঠের চাপ বদলে দেয় এবং গড় সাদৃশ্য দিয়ে এর সারসংক্ষেপ করা যায় না।
উপযোগী কণ্ঠসীমা আছে এমন শুষ্ক, একক ও সঙ্গতবিহীন লক্ষ্য রেফারেন্স ব্যবহার করুন। রিভার্বযুক্ত ছোট নমুনা ঘরের ধ্বনিবর্ণকে আপাত পরিচয়ে পরিণত করতে পারে।
রূপান্তর কপিরাইট বা পরিবেশকের অধিকার মুছে দেয় না। প্রকাশ্যে প্রকাশের জন্য উৎস পরিবেশনা ও লক্ষ্য পরিচয়—উভয়ের অনুমোদন দরকার।
সিস্টেম নাম-পরিচয় গোপন করার নিশ্চয়তা দেয় না; উৎসের বৈশিষ্ট্য থেকে যেতে পারে, তাই SVC কোনো গোপনীয়তা ফিল্টার নয়।
মডেলের নাম, সংখ্যা ও সীমাবদ্ধতার উৎস নিচের নিবন্ধ, রিপোজিটরি বা মডেল কার্ড।