স্কোরভিত্তিক, সঙ্গত-সহনশীল বা দ্রুত কণ্ঠ ট্রান্সক্রিপশনের জন্য VocalParse, GAME, ROSVOT অথবা SOME বেছে নিন।
স্কোরভিত্তিক, সঙ্গত-সহনশীল বা দ্রুত কণ্ঠ ট্রান্সক্রিপশনের জন্য VocalParse, GAME, ROSVOT অথবা SOME বেছে নিন।
ইনপুট
একটি সম্পূর্ণ সমর্থিত অডিও বা ভিডিও ফাইল; সোর্স এবং আপনার প্রয়োজনীয় ফলাফলের সাথে মেলে এমন মডেল প্রোফাইল বেছে নিন।
সমর্থিত বিন্যাস
আউটপুট
স্কোরভিত্তিক, সঙ্গত-সহনশীল বা দ্রুত কণ্ঠ ট্রান্সক্রিপশনের জন্য VocalParse, GAME, ROSVOT অথবা SOME বেছে নিন।
কেস ব্যবহার করুন
স্কোরভিত্তিক, সঙ্গত-সহনশীল বা দ্রুত কণ্ঠ ট্রান্সক্রিপশনের জন্য VocalParse, GAME, ROSVOT অথবা SOME বেছে নিন।
স্কোরভিত্তিক, সঙ্গত-সহনশীল বা দ্রুত কণ্ঠ ট্রান্সক্রিপশনের জন্য VocalParse, GAME, ROSVOT অথবা SOME বেছে নিন।
পরিষ্কার গানের কণ্ঠ থেকে স্কোরের মতো সাজানো MIDI তৈরির ডিফল্ট পথ; স্থির চেকপয়েন্টে ব্যবহারকারী-নিয়ন্ত্রিত কোনো অফিসিয়াল ইনফারেন্স প্যারামিটার নেই।
GAME অফিসিয়াল boundary, D3PM ও estimation নিয়ন্ত্রণে গানকে MIDI-তে রূপান্তর করে। ভাষার ডিফল্ট স্বয়ংক্রিয়/অনির্দিষ্ট; চীনা জোর করে দেওয়া হয় না।
শব্দ বা সঙ্গত লিক থাকা ভোকালের জন্য মজবুত পথ; বর্তমান অফিসিয়াল চেকপয়েন্টটি মূলত ম্যান্ডারিন গানে প্রশিক্ষিত।
SOME দ্রুত ও হালকা singing-to-MIDI পথ। কোনো public model control নেই; ঐচ্ছিক MIDI tempo উন্নতি inference-এর পরে হয়।
arXiv - 2026
পরিষ্কার গানের কণ্ঠ থেকে স্কোরের মতো সাজানো MIDI তৈরির ডিফল্ট পথ; স্থির চেকপয়েন্টে ব্যবহারকারী-নিয়ন্ত্রিত কোনো অফিসিয়াল ইনফারেন্স প্যারামিটার নেই।
ACL - 2024
শব্দ বা সঙ্গত লিক থাকা ভোকালের জন্য মজবুত পথ; বর্তমান অফিসিয়াল চেকপয়েন্টটি মূলত ম্যান্ডারিন গানে প্রশিক্ষিত।
Official technical guide - 2026
GAME অফিসিয়াল boundary, D3PM ও estimation নিয়ন্ত্রণে গানকে MIDI-তে রূপান্তর করে। ভাষার ডিফল্ট স্বয়ংক্রিয়/অনির্দিষ্ট; চীনা জোর করে দেওয়া হয় না।
Official technical guide - 2023
SOME দ্রুত ও হালকা singing-to-MIDI পথ। কোনো public model control নেই; ঐচ্ছিক MIDI tempo উন্নতি inference-এর পরে হয়।
স্কোরভিত্তিক, সঙ্গত-সহনশীল বা দ্রুত কণ্ঠ ট্রান্সক্রিপশনের জন্য VocalParse, GAME, ROSVOT অথবা SOME বেছে নিন।
পরিষ্কার গানের কণ্ঠ থেকে স্কোরের মতো সাজানো MIDI তৈরির ডিফল্ট পথ; স্থির চেকপয়েন্টে ব্যবহারকারী-নিয়ন্ত্রিত কোনো অফিসিয়াল ইনফারেন্স প্যারামিটার নেই।
GAME অফিসিয়াল boundary, D3PM ও estimation নিয়ন্ত্রণে গানকে MIDI-তে রূপান্তর করে। ভাষার ডিফল্ট স্বয়ংক্রিয়/অনির্দিষ্ট; চীনা জোর করে দেওয়া হয় না।
শব্দ বা সঙ্গত লিক থাকা ভোকালের জন্য মজবুত পথ; বর্তমান অফিসিয়াল চেকপয়েন্টটি মূলত ম্যান্ডারিন গানে প্রশিক্ষিত।
SOME দ্রুত ও হালকা singing-to-MIDI পথ। কোনো public model control নেই; ঐচ্ছিক MIDI tempo উন্নতি inference-এর পরে হয়।
VocalParse, GAME, ROSVOT ও SOME ভিন্ন ডেটাসেট, ভাষা, লেবেল নিয়ম এবং মিলের সহনশীলতায় ফল প্রকাশ করে। চারটি স্থাপিত চেকপয়েন্টকে কভার করা কোনো যাচাইকৃত অভিন্ন উন্মুক্ত প্রোটোকল নেই, তাই সম্মিলিত র্যাঙ্ক বানানো হয়নি।
| কাগজ এবং বেঞ্চমার্ক নোট | মডেল | MAE_pitch ↓ | বিস্তারিত মেট্রিক্স |
|---|---|---|---|
| রেফারেন্স লিরিক্স + SOFA টাইমস্ট্যাম্প | ROSVOTTelkNetPaper Table 1 | 0.38 | MAE_note ↓0.45MAE_duration ↓0.40MAE_note-count ↓0.20 |
| শুধু অডিও | VocalParse 1.7BTelkNetPaper Table 1 | 0.56 | MAE_note ↓0.44MAE_duration ↓0.34MAE_note-count ↓0.11 |
| অডিও + রেফারেন্স লিরিক্স | VocalParse 1.7BTelkNetPaper Table 1 | 0.35 | MAE_note ↓0.43MAE_duration ↓0.33MAE_note-count ↓0.11 |
শব্দ বা সঙ্গত লিক থাকা ভোকালের জন্য মজবুত পথ; বর্তমান অফিসিয়াল চেকপয়েন্টটি মূলত ম্যান্ডারিন গানে প্রশিক্ষিত।
| কাগজ এবং বেঞ্চমার্ক নোট | মডেল | COnPOff F1 (%) | বিস্তারিত মেট্রিক্স |
|---|---|---|---|
| পরিষ্কার | ROSVOTTelkNetPaper Table 1 | 77.4 | COn F1 (%)94.0COff F1 (%)94.5Pitch AOR (%)97.0Melody RPA (%)87.6 |
| MUSAN নয়েজ | ROSVOTTelkNetPaper Table 1 | 77.0 | COn F1 (%)93.8COff F1 (%)94.4Pitch AOR (%)97.1Melody RPA (%)87.4 |
VocalParse, GAME, ROSVOT ও SOME ভিন্ন ডেটাসেট, ভাষা, লেবেল নিয়ম এবং মিলের সহনশীলতায় ফল প্রকাশ করে। চারটি স্থাপিত চেকপয়েন্টকে কভার করা কোনো যাচাইকৃত অভিন্ন উন্মুক্ত প্রোটোকল নেই, তাই সম্মিলিত র্যাঙ্ক বানানো হয়নি।
এই টুলটি রক্ষণাবেক্ষণের অধীনে রয়েছে। অনুগ্রহ করে পরে আবার চেষ্টা করুন।
এখানে আপনার পরামর্শ বা অনুরোধ লিখে জমা দিন। আমরা প্রতিটি মতামত মনোযোগে শুনি এবং ভালো আইডিয়াগুলো বাস্তব ফিচারে রূপ দিতে কাজ করি।
ডেমো
স্কোরভিত্তিক, সঙ্গত-সহনশীল বা দ্রুত কণ্ঠ ট্রান্সক্রিপশনের জন্য VocalParse, GAME, ROSVOT অথবা SOME বেছে নিন।
VocalParse 1.7B