上一篇
FreeScale是什么？一文让你看懂FreeScale的技术原理、主要功能、应用场景
Freestyler是什么？一文让你看懂Freestyler的技术原理、主要功能、应用场景
来源：卓商AI
发布时间：2025-04-05
Freestyler概述简介
Freestyler是西北工业大学计算机科学学院音频、语音与语言处理小组（ASLP@NPU）、微软及香港中文大学深圳研究院大数据研究所一起推出的说唱乐生成模型，能直接根据歌词和伴奏创作出说唱音乐。Freestyler基于语言大模型生成语义标记，再基于条件流匹配模型产生频谱图，最后用神经声码器转换成音频。Freestyler推出RapBank数据集，支持训练和模型开发，能实现零样本的音色控制，让用户生成具有特定音色的说唱声乐。
Freestyler的功能特色
说唱声乐生成：直接从歌词和伴奏输入生成说唱声乐，无需用户具备音乐知识。
零样本音色控制：基于3秒的参考音频，Freestyler能适应任何说话者的音色，实现零样本的音色控制。
数据集创建：为解决说唱数据的稀缺问题，团队创建RapBank数据集，并提供数据处理流程。
风格和节奏对齐：生成的说唱声音与伴奏的风格和节奏高度对齐，包含在风格上和节奏上。
高质量音频输出：基于先进的声码器技术，生成自然且高质量的说唱音频。
Freestyler的技术原理
歌词到语义（Lyrics-to-Semantic）：
用语言大模型（如LLaMA）预测基于歌词和伴奏特征的离散语义标记。
基于Wav2Vec XLS-R等自监督学习（SSL）模型提取特征，用K-means聚类得到语义标记。
语义到频谱图（Semantic-to-Spectrogram）：
应用条件流匹配（CFM）技术将离散语义标记转换为连续的mel频谱图。
参考音频被纳入CFM模型，补充语义标记中缺失的音色信息。
频谱图到音频（Spectrogram-to-Audio）：
用预训练的声码器（如BigVGAN-V2）从频谱图中重建音频。
声码器能处理多种类型的音频数据，包括不同语言的语音、歌唱和环境声音。
数据集和处理流程：
RapBank数据集包含从互联网收集的大量说唱歌曲，经过自动爬取、源分离、分割、歌词识别和质量过滤等步骤处理。
数据集处理包括音乐源分离、语音活动检测（VAD）分割、自动语音识别（ASR）歌词识别和质量相关指标计算。
零样本控制：参考编码器从参考音频中提取全局说话者嵌入，用在控制生成声音的音色。
Freestyler项目介绍
GitHub仓库：https://github.com/NZqian/RapBank
arXiv技术论文：https://arxiv.org/pdf/2408.15474
Freestyler能做什么？
音乐创作：为音乐制作人和作曲家提供灵感，快速生成说唱歌词和声乐，创作新的音乐作品。
现场表演：在音乐会或DJ表演中，实时生成伴随音乐的说唱声乐，为现场观众提供动态的音乐体验。
游戏音效：在视频游戏中，生成角色的说唱音效，增强游戏的沉浸感和互动性。
教育与培训：在音乐教育中，帮助学生学习说唱技巧和音乐创作，用生成示范音频提高学习效果。
社交媒体内容创作：内容创作者生成独特的说唱音频，丰富其社交媒体平台上的视频或音频内容，吸引更多观众。
© 版权声明:本站所有原创文章版权均归卓商AI工具集及原创作者所有，未经允许任何个人、媒体、网站不得转载或以其他方式抄袭本站任何文章。
相关文章
-
CHANGER是什么？一文让你看懂CHANGER的技术原理、主要功能、应用场景2025-04-05 -
Kiroku是什么？一文让你看懂Kiroku的技术原理、主要功能、应用场景2025-04-05
-
Vision Search Assistant是什么？一文让你看懂Vision Search Assistant的技术原理、主要功能、应用场景2025-04-05
-
MVDrag3D是什么？一文让你看懂MVDrag3D的技术原理、主要功能、应用场景2025-04-05
-
Chonkie是什么？一文让你看懂Chonkie的技术原理、主要功能、应用场景2025-04-05
-
MSQA是什么？一文让你看懂MSQA的技术原理、主要功能、应用场景2025-04-05
卓商AI
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
最新发布
1
2
3
4
5
6
7
8
9
10
猜你喜欢
AI Drawing Pro
AI Drawing Pro是一款利用人工智能技术将用户的文字描述转化为视觉艺术作品的应用程序。它支持多种艺术风格，如3D卡通、动画、油画、水彩、素描...
whatwide.ai
whatwide.ai是一个提高生产力的AI助手，使用人工智能技术来节省时间并提高工作效率。它提供了50多种AI模型，包括文本生成、网站帮助、社交媒体...
AudiowaveAI
AudiowaveAI是一款利用人工智能技术将文本转换成高质量音频的应用程序。它与传统的文本到语音技术不同，提供了更加自然、富有情感的语音输出，让听众...
Trading Literacy
Trading Literacy是一款使用对话式人工智能技术的交易日志工具。它可以帮助您从投资活动中获取更多洞察力，包括提供问题解答、报告和摘要、风险...
Azure 认知服务语音
Azure 认知服务语音是微软推出的一款语音识别与合成服务，支持超过100种语言和方言的语音转文本和文本转语音功能。它通过创建可处理特定术语、背景噪音...
Aimfox
Aimfox是一个专为LinkedIn Outreach设计的自动化工具，旨在帮助用户通过个性化的外展活动和简化的潜在客户管理来提升销售效率和成交率。...
Midjourney --sref codes
Midjourney --sref codes 是一个为 Midjourney 用户提供丰富风格参考代码的网站。这些代码涵盖了从写实照片到抽象艺术等多...
Llama3-s v0.2
Llama3-s v0.2 是 Homebrew Computer Company 开发的多模态检查点，专注于提升语音理解能力。该模型通过早期融合语义...
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
