Ändern Stil-Tags die KI-Stimme? 14 Tags im Test

Im Modell, das deine Songs auf MuziAI singt, gibt es keine Liste von Sängern. Die Stimme entsteht nur aus ein paar Wörtern im Stil-Prompt, meist „female vocal“ oder „male vocal“. Wenn du dort also „husky“, „deep“ oder „kid singer“ schreibst, ändert sich die Stimme dann wirklich? Wir haben 14 Tag-Phrasen mit je zwei Generierungen getestet und den abgetrennten Gesang gemessen. Die kurze Antwort: Tags können Klarheit, Helligkeit und Rauheit verschieben, die Tonhöhe steuern sie kaum, und kein getesteter Tag erzeugt eine Kinderstimme. Von den 12 Varianten neben den beiden Standard-Tags wurden 8 zu Stimmtypen auf der Seite, 4 wurden verworfen.

Das Modell hat keine eingebauten Stimmen

Eine Anfrage an das Gesangsmodell enthält genau zwei Dinge: eine Textbeschreibung des Stils und den Songtext. Es gibt keine Sänger-ID und keine Möglichkeit, eine Referenzaufnahme mitzugeben. Die Stimme ist das, was das Modell aus den Wörtern herausliest. „Eine Stimme wählen“ heißt also eigentlich, „female vocal“ oder „male vocal“ gegen eine andere Tag-Phrase zu tauschen, und damit wird die Frage messbar: Welche Phrasen ändern die Stimme, und welche sind bloß Wörter?

Der Aufbau: 14 Tag-Phrasen (2 Standards plus 12 Varianten), jede mit zwei Seeds (11 und 22) generiert, mit denselben 8 Textzeilen und derselben Begleitbeschreibung „Pop ballad, piano, acoustic guitar, 84 BPM“, für Songs von 40 bis 60 Sekunden. Wir haben den Gesang mit unserem Vocal-Separator herausgelöst und an der isolierten Stimme vier Dinge gemessen:

• Tonhöhe: Median, in Hz.
• HNR (dB): Verhältnis von Harmonischen zu Rauschen. Höher heißt sauberer Klang, niedriger heißt mehr Hauch oder Körnung.
• Energie über 4 kHz (dB): Näher an null ist heller, stärker negativ ist dunkler.
• Jitter (%): Wie stark aufeinanderfolgende Stimmlippenschwingungen in ihrer Länge abweichen. Höher klingt rauer.

Die Regel, um einen Tag zu behalten: Er muss sich vom Standard auf beiden Seeds in dieselbe Richtung unterscheiden. Jeder behaltene Typ ist nach dem benannt, was wir gemessen haben, nicht nach den Wörtern im Tag.

Die 14 Tags, gemessen

Jede Zelle enthält zwei Zahlen: Seed 11 · Seed 22.

Was wir nicht erwartet hatten:

• Die Wörter können in die falsche Richtung weisen. „airy breathy whispery“ ergab die dunkelste und sauberste Stimme der weiblichen Gruppe (HNR 23,2 und 26,5 dB, auf beiden Seeds über dem Standard), deshalb heißt sie auf der Seite „Weich, samtig“. Der männliche Tag „soft gentle breathy“ tat dasselbe: dunkel, sauber, nicht hauchig.
• Der Tag, der wirklich Hauch hinzufügt, ist „soft sweet gentle“: HNR 2,3 und 2,1 dB unter dem Standard, und heller.
• „husky smoky“ ist tatsächlich rauchig: Jitter 1,01 % auf beiden Seeds (Standard 0,84 und 0,66), und HNR auf beiden niedriger als beim Standard.
• „powerful belting diva“ trägt mehr Energie in den Höhen als der Standard (+4,1 und +0,7 dB) und erreichte 526 Hz.
• Die vier verworfenen Tags scheiterten auf unterschiedliche Weise: „warm low alto“ war nicht tiefer als der Standard, und seine HNR bewegte sich in entgegengesetzte Richtungen; „deep low bass“ tat dasselbe wie „warm baritone“, ohne tiefer zu gehen; „raspy gritty rough“ war nicht rauer als der Standard (Jitter 0,74 und 0,61 gegenüber 0,72); „powerful rock“ ging auf einem Seed in die eine Richtung und auf dem nächsten in die andere.

Ein Stimmtyp ist eine Kategorie, kein Sänger

Wir haben die Sprecherähnlichkeit mit einem unabhängigen Stimmabgleich-Modell bewertet und zwei Songs verglichen, die mit demselben Typ erstellt wurden. Die Werte lagen zwischen 0,49 und 0,82, etwa so wie bei zwei Songs unterschiedlicher Typen. Wählst du zweimal Rauchig, bekommst du zwei verschiedene rauchige Sänger, nicht einen vertrauten Künstler. Die Seite sagt das offen: Jeder Song bekommt eine neue Stimme des gewählten Typs, ähnlich wie die Hörprobe, aber nicht identisch.

Zweite Erkenntnis: Tags steuern die Tonhöhe nicht verlässlich. Derselbe Sopran-Tag landete auf einem Seed bei 266 Hz und auf dem anderen bei 351 Hz. Der Alt-Tag, der tiefer liegen sollte, kam auf 294 und 329 Hz, nicht tiefer als die 291 und 294 des Standards. Der Stimmumfang folgt der Melodie, die das Modell schreibt, nicht den Wörtern. Nur die männliche Gruppe teilte sich sauber in hoch und tief: hoher Tenor bei 263 und 292 Hz, warmer Bariton bei 163 und 205 Hz.

Kinderstimmen: vier Tags, keiner hat funktioniert

Viele möchten ein Kinderlied, das von einem Kind gesungen wird. Wir haben vier Tag-Phrasen mit je zwei Seeds über einer Kinderlied-Begleitung getestet, mit denselben Messungen plus den Resonanzen der Stimme (Formanten F2, F3 und F4, die einer Stimme ihre Farbe geben), verglichen mit „female vocal“.

Echte Kinderstimmen resonieren 15 bis 25 % höher als erwachsene Frauenstimmen. Hier blieben die Verschiebungen innerhalb von etwa ±6 %, und die beiden Seeds waren sich über die Richtung uneinig. Die Ähnlichkeit zu „female vocal“ (0,66 bis 0,76) unterschied sich nicht von der Ähnlichkeit zwischen zwei Generierungen desselben Typs (0,59 bis 0,77). Die Tonhöhen von 329 bis 393 Hz wirken vielversprechend, doch wie die erste Tabelle zeigt, folgt die Tonhöhe der Melodie, nicht dem Tag. Fazit: Text-Tags können die Stimme nicht in eine Kinderstimme verwandeln, deshalb gibt es auf der Seite keinen Stimmtyp für Kinder. Unsere Kinderlied-Vorlage nutzt stattdessen das Genre Kinderlieder mit dem Stimmtyp Klar.

Grenzen und offene Fragen

• Kleine Stichprobe: zwei Seeds pro Typ, 10 bis 30 Sekunden Gesang pro Song. Genug, um einen Tag zu verwerfen, der in zwei Richtungen geht, aber nicht genug, um zu versprechen, dass ein Tag „immer“ auf eine bestimmte Weise klingt.
• Die männliche Seite ist schwächer belegt: Auf Seed 11 sang der Standard „male vocal“ kaum (3,7 Sekunden), die männlichen Vergleiche stützen sich also weitgehend auf einen Seed.
• Eine Begleitung, ein Songtext: Jede Zahl hier stammt aus einer Pop-Ballade mit 84 BPM. Andere Genres wurden nicht nachgemessen.
• Das sind akustische Messungen, kein Geschmack. „Sauberer“ heißt eine höhere HNR, und das ist nicht automatisch besser für deinen Song.

So nutzt du das beim Erstellen eines Songs

1. Hör rein, bevor du wählst. Jeder Typ hat eine Hörprobe von 12 Sekunden, geschnitten aus der dichtesten Gesangspassage seines eigenen Testsongs. Das Abspielen einer Hörprobe wählt den Typ nicht aus.
2. Wähle nach der gemessenen Eigenschaft: für einen sauberen Klang „Klar“ oder „Weich, samtig“; für Hauch und Helligkeit „Süß, sanft“; für Körnung „Rauchig“; für große hohe Töne „Kraftvoll“. Männerstimmen: „Hoch, hell“, „Tief, warm“, „Weich, sanft“.
3. Leg die Tonart nicht über einen weiblichen Stimmtyp fest. Willst du einen höheren oder tieferen Song, ist der Stimmtyp kein verlässlicher Hebel.
4. Erwarte nicht denselben Sänger in verschiedenen Songs. Jeder Song ist ein neuer Sänger innerhalb der Kategorie. Erstelle ein paar Versionen und behalte deinen Favoriten.
5. Für ein Kinderlied wählst du das Genre Kinderlieder und den Typ Klar. Wenn du „child vocal“ ins Stilfeld schreibst, bekommst du kein Kind.
6. Schreibst du eigene Tags? Denk an die vier, die gescheitert sind: „raspy“ machte die Stimme nicht rauer und „alto“ nicht tiefer.