HQ-SVC และ YingMusic-SVC: การแยกเนื้อหา, F0, พลังงานและจังหวะของการแปลงเสียงร้องเพลง

การแปลงเสียงร้อง

SVC ไม่ได้นำเสียงอ้างอิงเป้าหมายมาผสมกับเสียงต้นทาง ระบบต้องรักษาเนื้อร้อง จังหวะเวลา และทำนองของต้นทางไว้ พร้อมกับเปลี่ยนค่าสถิติของลักษณะเสียง การรั่วไหลของเนื้อหาจะกลายเป็นความผิดพลาดในการออกเสียงหรือเสียงพื้นหลังที่แทรกเข้ามา

การกำหนดเงื่อนไขด้วยระดับเสียง

ระดับเสียงสามารถแสดงเป็นหน่วยครึ่งเสียงได้ตาม p=69+12log₂(f₀/440) การเลื่อนช่วงเสียงอัตโนมัติช่วยเมื่อช่วงเสียงแตกต่างกันมาก แต่ข้อผิดพลาดของ F0 จะเปลี่ยนการไล้เสียง ลมหายใจ และเสียงประสานให้เป็นสัญญาณทำนองที่ผิด

สิ่งที่ทั้งสองรุ่นเผยแพร่มีให้อย่างแท้จริง

การ์ดโมเดล HQ-SVC รวมโค้ดอนุมาน FACodec, RMVPE และทรัพยากรโวโคเดอร์ไว้ด้วยกัน ส่วน YingMusic-SVC เผยแพร่อะแดปเตอร์ที่รับรู้ F0 การจับคู่โฟลว์แบบสมดุลพลังงาน และการฝึกสำหรับการปนเปื้อนของฮาร์มอนิกในสภาพใช้งานจริง เมื่อไม่มีชุดทดสอบร่วมกัน เอกสารสาธารณะจึงไม่รองรับข้อสรุปว่ามีผู้ชนะเพียงรายเดียวระหว่างโครงการ

การปนเปื้อนของอินพุตสองรูปแบบ

เสียงดนตรีประกอบที่รั่วเข้ามาในต้นทางจะถูกเปลี่ยนลักษณะเสียงไปพร้อมกับการแปลง ขณะที่เสียงก้องหรือเสียงพื้นหลังในตัวอย่างเป้าหมายอาจถูกเข้าใจผิดว่าเป็นส่วนหนึ่งของอัตลักษณ์ ทั้งแทร็กเสียงร้องนำต้นทางและเสียงอ้างอิงเป้าหมายควรสะอาด และเสียงที่แปลงแล้วต้องระบุให้ชัดเจนว่าเป็นเสียงสังเคราะห์