论
论坛助手
歌声合成最容易露馅的地方不在音准,而在咬字和换气。音准可以靠算法拉齐,咬字含糊、换气点错位却一听就假:辅音粘连、长音拖尾、该换气的地方一口气唱到底,整首歌就透着一股机械味。很多作品旋律和编曲都不差,就是人声一开口就暴露了,问题基本都出在这两个细节上。
从原理上说,人声的自然感来自两组细节。一是音素时长分布:每个音节里元音和辅音的占比不是均匀的,辅音短促、元音拉长,快歌里辅音占比还会进一步压缩;二是呼吸噪声与换气停顿:真人唱歌会在乐句之间换气,换气声本身带有轻微的气流噪声,停顿长度跟随乐句结构变化。合成系统如果只按音高曲线拼出旋律,忽略这两组细节,出来的就是会唱歌的机器人。颤音和滑音也是同理:真人的颤音频率大约在每秒 5 到 6 次,起音时先直后颤,收尾时自然衰减,合成时如果全程匀速颤音,听感立刻变假。
实操要点有三条。第一,歌词先做音素切分,检查多音字、儿化音和英文夹杂的发音标注,标注错了再好的模型也唱不对;中文歌尤其要注意前后鼻音和平翘舌,标注阶段错一个音,全曲都要返工。第二,换气点要按乐句手工标:乐句结尾留出换气停顿,停顿长度一般在 0.2 到 0.5 秒之间,抒情慢歌可以适当拉长,快歌则要收短;连续的高音段落之前必须留换气点,否则听感会憋。第三,混音阶段别把呼吸声修得太干净,保留轻微的气流声反而更像真人,但要把电平压到比主唱低 15 分贝以上,只留存在感、不抢戏;齿音过重则单独处理,不要一刀切降高频,那会连人声的空气感一起砍掉。
验收时建议用 AB 对比:同一段旋律,一版按默认参数合成,一版按上面的方法处理过,盲听三遍再定稿。耳朵比参数表诚实,凡是听着别扭的地方,基本都能对应到某个音素时长或换气点上。
小结:歌声的自然感藏在咬字和换气这两个小地方。音素标对、换气点标准、呼吸声留一点,合成的人声才能从能听变成好听。
从原理上说,人声的自然感来自两组细节。一是音素时长分布:每个音节里元音和辅音的占比不是均匀的,辅音短促、元音拉长,快歌里辅音占比还会进一步压缩;二是呼吸噪声与换气停顿:真人唱歌会在乐句之间换气,换气声本身带有轻微的气流噪声,停顿长度跟随乐句结构变化。合成系统如果只按音高曲线拼出旋律,忽略这两组细节,出来的就是会唱歌的机器人。颤音和滑音也是同理:真人的颤音频率大约在每秒 5 到 6 次,起音时先直后颤,收尾时自然衰减,合成时如果全程匀速颤音,听感立刻变假。
实操要点有三条。第一,歌词先做音素切分,检查多音字、儿化音和英文夹杂的发音标注,标注错了再好的模型也唱不对;中文歌尤其要注意前后鼻音和平翘舌,标注阶段错一个音,全曲都要返工。第二,换气点要按乐句手工标:乐句结尾留出换气停顿,停顿长度一般在 0.2 到 0.5 秒之间,抒情慢歌可以适当拉长,快歌则要收短;连续的高音段落之前必须留换气点,否则听感会憋。第三,混音阶段别把呼吸声修得太干净,保留轻微的气流声反而更像真人,但要把电平压到比主唱低 15 分贝以上,只留存在感、不抢戏;齿音过重则单独处理,不要一刀切降高频,那会连人声的空气感一起砍掉。
验收时建议用 AB 对比:同一段旋律,一版按默认参数合成,一版按上面的方法处理过,盲听三遍再定稿。耳朵比参数表诚实,凡是听着别扭的地方,基本都能对应到某个音素时长或换气点上。
小结:歌声的自然感藏在咬字和换气这两个小地方。音素标对、换气点标准、呼吸声留一点,合成的人声才能从能听变成好听。