2小時就能訓(xùn)練出一個明星？AI版孫燕姿技術(shù)分析
2023-05-22
近日，AI“孫燕姿”爆火，其翻唱的《發(fā)如雪》《下雨天》短短幾天就突破百萬播放量，一度登上各大平臺熱搜榜首位，成為“新晉頂流”。在B站在搜索框輸入“AI”后，第一個詞條就是“AI孫燕姿”。除了孫燕姿外，還有周杰倫、王心凌、許嵩、Lady Gaga等歌手也被網(wǎng)友制作出了「AI替身」。有人說，這是2023年最火的聲音，有人說，這是對真人歌手赤裸裸的侵權(quán)，還有人說，這是AI技術(shù)的新高度，AI將成為音樂創(chuàng)作的新工具。
元境科技人工智能專家解讀“AI孫燕姿”背后原理
“AI孫燕姿”憑什么能夠如此爆火，讓網(wǎng)友們喜愛不已，又是怎么做到如此擬真，實現(xiàn)接近原唱效果的呢？為了搞明白背后的技術(shù)原理，小編特意請教了元境科技人工智能方面的專家。了解到“AI孫燕姿”正是利用了當(dāng)下最熱門的人工智能技術(shù)，通過建立神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過大量音樂數(shù)據(jù)集訓(xùn)練，使得AI虛擬歌手的聲音與真人歌手無異。
“AI孫燕姿”使用的核心技術(shù)來源于Sovits4.0歌聲轉(zhuǎn)換模型，基于so-vits-svc的開源項目制作。歌聲轉(zhuǎn)換模型通過SoftVC內(nèi)容編碼器提取歌曲的音調(diào)、音高等特征，然后將每段音頻做成幾秒到十幾秒不等的切片，然后將翻唱者的聲音數(shù)據(jù)丟給算法拾取出來，再和歌曲的切片對應(yīng)。最后，再對生成的歌曲進(jìn)行后期優(yōu)化，比如加入混響或簡單修音，一首AI翻唱歌曲就制作完成了。
Sovits4.0模型介紹
Sovits4.0模型是一種歌聲轉(zhuǎn)換模型，它可以將一個人的聲音轉(zhuǎn)換成另一個人的聲音，具有極高的準(zhǔn)確性和逼真度。這意味著“AI孫燕姿”可以通過該模型學(xué)習(xí)并模仿孫燕姿的音色和唱腔特點，從而創(chuàng)造出逼真的孫燕姿風(fēng)格歌曲。
模型的核心技術(shù)是SoftVC內(nèi)容編碼器，它基于深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)技術(shù)，使用了一種稱為變分自動編碼器（Variational Autoencoder，VAE）的架構(gòu)，結(jié)合了條件生成對抗網(wǎng)絡(luò)（Conditional Generative Adversarial Network，CGAN）的思想。SoftVC內(nèi)容編碼器的目標(biāo)是學(xué)習(xí)并提取人聲中的內(nèi)容信息，即與語義相關(guān)的特征，而忽略與說話人個體有關(guān)的特征，這樣的分離可以確保在進(jìn)行歌聲轉(zhuǎn)換時，保留源音頻的音樂內(nèi)容，并將其轉(zhuǎn)換為目標(biāo)歌手的聲音特征。在這個過程中需要大量的訓(xùn)練數(shù)據(jù)和不斷反復(fù)迭代的訓(xùn)練，以使生成的效果盡可能接近目標(biāo)歌手。
外國模型遇到中文歌，多少有些“水土不服”
不過雖說Sovits4.0模型生成的音樂在專業(yè)人員的調(diào)音后，有著不錯的效果，但是模型本身未對中文歌曲做針對性優(yōu)化，在國內(nèi)使用多少有些“水土不服”。生成中文歌曲時不時會出現(xiàn)小瑕疵，需要大量的手工精調(diào)才能出曲，對于普通用戶來說門檻過高。如果想要實現(xiàn)比較好的效果，甚至還需要對模型進(jìn)行Fine tuning。同時也對訓(xùn)練的數(shù)據(jù)集要求非常嚴(yán)苛（需要歌手咬字清晰），一些唱法比較“飄逸”的歌手（不是在說咱周董哈~）學(xué)習(xí)效果就不是很理想了。
之所以“AI孫燕姿”成為最火的AI歌手，成功出圈，也正是因為孫燕姿的歌曲吐詞清晰，適合作為訓(xùn)練數(shù)據(jù)集，所以模仿的效果最好。目前Sovits4.0對訓(xùn)練數(shù)據(jù)集要求過嚴(yán)、使用門檻過高、中文歌曲生成效果不佳是該模型存在的顯著問題。
「MetaSurfing-元享智能云平臺」華語AI音樂最佳選擇
要說最了解咱們?nèi)A語音樂的，那自然還得是咱們中國人自己。正好最近天娛數(shù)科子公司元境科技的「MetaSurfing-元享智能云平臺」免費開放，其內(nèi)置的AI音頻模塊集成了元境科技自研的聲學(xué)模型，該模型學(xué)習(xí)了大量中文曲目，針對華語音樂做了海量優(yōu)化，把使用門檻降低到了“有手有嘴就行”（為此算法工程師小哥哥的頭發(fā)都快掉光了）。表現(xiàn)效果達(dá)到了世界第一梯隊水平。用了元享智能云平臺，AI版的你說不定就是下一個華語樂壇“新晉頂流”。
不過元享智能云平臺真的能達(dá)到無門檻的上手難度嗎？實踐是檢驗真理的唯一標(biāo)準(zhǔn)，小編決定親自體驗一番。沒想到從下載到生成歌曲，我這樣沒有任何音樂細(xì)胞和計算機(jī)基礎(chǔ)的新手小白竟然也能輕松玩轉(zhuǎn)。下面小編來教大家如何使用元享平臺創(chuàng)作AI歌曲。
小白教程
第一步 打開元享，錄制一段二十分鐘左右的文稿，這是為了給模型生成一段可以學(xué)習(xí)音色、音調(diào)等特征的素材。讓元享生成我們自己的聲音模型。
第二步 把這段錄音上傳到“元享智能云平臺”，然后喝上一杯咖啡，等待約半個小時左右的訓(xùn)練時間（云端訓(xùn)練，不占用本地資源哦~硬件層面也實現(xiàn)了無門檻），我們自己的個性化音色特征碼就生成好了~
第三步 生成自己的AI音樂，分享到B站、抖音、朋友圈，讓自己AI作品刷屏社交網(wǎng)絡(luò)。
「MetaSurfing-元享智能云平臺」，簡易的操作步驟，先進(jìn)的計算模型，省去了AI翻唱歌曲所需的大量繁瑣工作，無需數(shù)據(jù)的預(yù)處理、格式轉(zhuǎn)換、文本轉(zhuǎn)換、去噪、音量平衡等諸多操作，只需要將數(shù)據(jù)丟給元享智能云平臺，稍等片刻就好了~
動起手來，創(chuàng)作屬于你的音樂吧！
對于咱們普通人來說，如果對音樂創(chuàng)作有興趣，在元享這樣的低門檻數(shù)字內(nèi)容創(chuàng)作平臺的加持下，動手原創(chuàng)出一首屬于自己的歌曲已經(jīng)非常容易。所以不妨現(xiàn)在就動起手來！也許不到2小時你就能訓(xùn)練出一個AI明星~