Modelo
SoulX-Singer y YingMusic-Singer-Plus: unidad de partitura y referencia de melodía, dos rutas de síntesis de voz cantada
Síntesis de canto / comparación de rutas
Síntesis de canto / comparación de rutas
© 2026 TelkNet. Todos los derechos reservados.
SÍNTESIS DE CANTO
El modo de partitura de SoulX utiliza metadatos derivados de MIDI. YingMusic-Singer-Plus utiliza un fragmento cantado que aporta la melodía, junto con la letra de destino. El primero necesita alinear notas y letra; el segundo codifica la melodía a partir del audio.
La ruta generativa sigue dx_t/dt = v_θ(x_t,t | l,m,r), con un campo de velocidad condicionado por la letra, la melodía y una referencia de timbre. Una alineación deficiente desvía esa trayectoria integrada hacia un compromiso poco satisfactorio entre pronunciación, ritmo e identidad.
SoulX convierte el MIDI en metadatos segmentados; las sílabas deben coincidir con los inicios de las notas. YingMusic evita el MIDI explícito, pero necesita una voz melódica limpia, ya que la filtración del acompañamiento contamina su representación de la melodía.
SoulX-Singer se articula en torno a MIDI, letra y una indicación de timbre. YingMusic-Singer-Plus también destaca la manipulación flexible de la letra y la guía melódica sin anotación nota por nota. La comparación debe separar altura, duración, articulación y timbre de referencia, en vez de reducir ambos sistemas a un único interruptor de canto.
El contrato de entrada determina lo que puede hacer un sistema de canto. SoulX-Singer pone el acento en el timbre zero-shot y la generación de canto; YingMusic-Singer-Plus combina la letra con condiciones de melodía o partitura. Ambos producen canto, pero uno depende más del audio de referencia y el otro de música estructurada.
La síntesis de canto pasó de la concatenación y los modelos acústicos a los vocoders neuronales, los tokens de códec y los grandes generadores. El problema persistente es alinear fonemas, duración de las notas, vibrato, respiraciones y timbre. Un estribillo fluido puede ocultar una letra incorrecta y desviarse de un compás a otro.
ŝ=G(lyrics, pitch, duration, e_timbre, c_style)pitchaltura o contorno melódicodurationduración de la notae_timbretimbre de una indicación autorizadaSoulX-Singer utiliza letra, MIDI/metadatos y una indicación de timbre; YingMusic-Singer-Plus acepta una guía melódica más flexible. La altura y la duración son condiciones de partitura editables, mientras que una referencia melódica contiene información adicional de interpretación.
La precisión de la altura, la duración, la claridad de la letra, la similitud del timbre y la respiración son comprobaciones distintas. Una única muestra seleccionada de notas agudas no demuestra estabilidad a lo largo de una canción.
El artículo, el código y los pesos pueden consultarse en SoulX-Singer / artículo de SoulX-Singer / YingMusic-Singer-Plus.
Cada fila conserva la arquitectura, la métrica o la definición de tarea de su fuente; los resultados sin un protocolo común se mantienen separados.
| Modelo | Arquitectura o evidencia | Ámbito |
|---|---|---|
| SoulX-Singer | canto zero-shot guiado por referencia | identidad, letra y estabilidad de larga duración |
| YingMusic-Singer-Plus | letra más melodía/partitura | alineación, tesitura y tempo |
| cadena tradicional de síntesis de canto | características acústicas explícitas más vocoder | control claro, pero naturalidad limitada entre dominios |
Hay que comparar cada palabra para detectar omisiones, consonantes engullidas, repeticiones y errores de sincronía consonántica; después se revisan la entrada de altura, los deslizamientos y el vibrato. La naturalidad no sustituye a la exactitud del contenido.
La tonalidad, los BPM, el compás y el recorte de referencia deben mantenerse constantes. El acompañamiento y la reverberación de la referencia pueden copiarse en la salida.
La clonación de cantantes exige permiso explícito y no debe facilitar la suplantación, el engaño ni la elusión de derechos.
El modelo no sustituye a los arreglos ni a la dirección vocal. La tesitura, la dicción, la emoción y los hábitos lingüísticos siguen requiriendo trabajo humano.
Los nombres de los modelos, las cifras y las limitaciones se remontan a los artículos, repositorios o fichas de modelo que figuran a continuación.