モデル
SoulX-Singer および YingMusic-Singer-Plus: スコアドライブとメロディリファレンス、2 つの歌声合成ルート
歌唱合成・ルート比較
歌唱合成・ルート比較
© 2026 TelkNet。無断転載を禁じます。
歌声合成
SoulX の楽譜モードは MIDI から生成されたメタデータを入力とする。YingMusic-Singer-Plus は、旋律を提供する歌唱クリップと目標の歌詞を入力とする。一方には音符と歌詞のアラインメントが必要で、もう一方は音声から旋律をエンコードする。
生成経路は dx_t/dt = v_θ(x_t,t | l,m,r) に従い、速度場は歌詞、旋律、音色参照を条件とする。アラインメントがずれると、この積分経路は発音、リズム、声の同一性の間で不十分な妥協点へ曲げられる。
SoulX は MIDI を分割されたメタデータに変換するため、音節と音符の開始位置が一致していなければならない。YingMusic は明示的な MIDI を使わないが、伴奏の漏れが旋律表現を汚染するため、クリーンな歌唱旋律が必要になる。
SoulX-Singer の中心となる入力は MIDI、歌詞、音色プロンプトである。YingMusic-Singer-Plus はさらに、音符単位のアノテーションを使わない柔軟な歌詞操作と旋律ガイドを重視している。比較では、両システムを一つの歌唱スイッチにまとめず、音高、長さ、アーティキュレーション、参照音色を分けて扱う必要がある。
入力仕様は、歌声システムに何ができるかを決める。SoulX-Singer はゼロショット音色と歌声生成を重視し、YingMusic-Singer-Plus は歌詞に旋律または楽譜の条件を組み合わせる。どちらも歌声を出力するが、一方は参照音声への依存度が高く、もう一方は構造化された音楽情報への依存度が高い。
歌声合成は、連結方式と音響モデルから、ニューラルボコーダー、コーデックトークン、大規模生成モデルへ発展してきた。音素、音符の長さ、ビブラート、ブレス、音色のアラインメントは、今も一貫した課題である。流暢に聞こえる一つのサビでも、歌詞が誤っていたり、小節をまたいでずれていたりする場合がある。
ŝ=G(lyrics, pitch, duration, e_timbre, c_style)pitch音高または旋律輪郭duration音符の長さe_timbre許諾を得たプロンプトから抽出した音色SoulX-Singer は歌詞、MIDI／メタデータ、音色プロンプトを使用し、YingMusic-Singer-Plus はより柔軟な旋律ガイドを受け付ける。音高と長さは編集可能な楽譜条件だが、旋律参照には演奏表現に関する追加情報も含まれる。
音高の精度、長さ、歌詞の明瞭さ、音色の類似度、ブレスは、それぞれ別の検証項目である。選び抜いた一つの高音サンプルだけでは、曲全体にわたる安定性は証明できない。
論文、コード、重みは、SoulX-Singer／SoulX-Singer 論文／YingMusic-Singer-Plus から参照できる。
各行は、それぞれの出典にあるアーキテクチャ、指標、タスク定義を維持している。共通の評価手順を使わない結果は、別々に扱う。
| モデル | アーキテクチャまたは根拠 | 対象範囲 |
|---|---|---|
| SoulX-Singer | 参照駆動のゼロショット歌声生成 | 声の同一性、歌詞、長形式での安定性 |
| YingMusic-Singer-Plus | 歌詞と旋律／楽譜 | アラインメント、音域、テンポ |
| 従来型の歌声合成パイプライン | 明示的な音響特徴とボコーダー | 制御は明確だが、ドメインをまたぐ自然さに限界がある |
すべての単語について、脱落、子音の不明瞭化、繰り返し、子音のタイミングを比較し、その後で音高の入り、スライド、ビブラートを確認する。自然さは内容の正確さに代わるものではない。
調、BPM、拍子、参照部分の切り出し位置を固定する。参照に含まれる伴奏や残響が、出力へコピーされる場合がある。
歌手のクローン生成には明示的な許可が必要であり、なりすまし、欺瞞、権利の回避を支援してはならない。
モデルは編曲やボーカルディレクションの代わりにはならない。音域、発音、感情、言語ごとの歌唱習慣には、引き続き人の手が必要である。
モデル名、数値、制約は、以下の論文、リポジトリ、モデルカードに基づく。