क्या स्टाइल टैग AI गायक की आवाज़ बदलते हैं? 14 टैग परखे
हमारे गायन मॉडल में कोई तय गायक नहीं; आवाज़ सिर्फ़ टेक्स्ट टैग से आती है। हमने 14 आवाज़ टैग मापे: 8 रखे, 4 हटाए, बच्चे की आवाज़ किसी से नहीं बनी।
लेखक: MuziAI टीम। आँकड़े MuziAI बनाते समय हमारे ख़ुद किए गए मापों से आते हैं; मसौदे AI की मदद से लिखे गए, और हर आँकड़े को हमारे माप-लॉग से मिलाकर जाँचा गया। 13 अक्टूबर 2026 को अपडेट किया गया।
MuziAI पर आपके गाने गाने वाले मॉडल के अंदर गायकों की कोई सूची नहीं है। आवाज़ सिर्फ़ स्टाइल प्रॉम्प्ट के कुछ शब्दों से आती है, आम तौर पर “female vocal” या “male vocal”। तो अगर आप वहाँ “husky”, “deep” या “kid singer” लिखें, तो क्या आवाज़ सच में बदलती है? हमने 14 टैग वाक्यांश परखे, हर एक को दो बार बनाकर, और अलग की गई आवाज़ें मापीं। छोटा जवाब: टैग स्पष्टता, चमक और खुरदरापन खिसका सकते हैं, सुर पर लगभग नियंत्रण नहीं रखते, और हमारे आज़माए किसी भी टैग से बच्चे की आवाज़ नहीं बनती। दो डिफ़ॉल्ट के अलावा 12 रूपों में से 8 साइट पर आवाज़ के प्रकार बने और 4 हटा दिए गए।
मॉडल में कोई बनी-बनाई आवाज़ नहीं है
गायन मॉडल को भेजे गए अनुरोध में ठीक दो चीज़ें होती हैं: स्टाइल का टेक्स्ट विवरण और बोल। कोई गायक ID नहीं, और कोई संदर्भ रिकॉर्डिंग भेजने का तरीक़ा नहीं। आवाज़ वही है जो मॉडल शब्दों से पढ़ता है। इसलिए “आवाज़ चुनना” असल में “female vocal” या “male vocal” की जगह कोई दूसरा टैग वाक्यांश रखना है, और सवाल मापने लायक बन जाता है: कौन से वाक्यांश आवाज़ बदलते हैं, और कौन से सिर्फ़ शब्द हैं?
व्यवस्था: 14 टैग वाक्यांश (2 डिफ़ॉल्ट और 12 रूप), हर एक दो सीड (11 और 22) से बनाया गया, वही 8 पंक्तियों के बोल और वही संगत का विवरण, “Pop ballad, piano, acoustic guitar, 84 BPM”, 40 से 60 सेकंड के गानों के लिए। हमने अपने वोकल सेपरेटर से आवाज़ निकाली और अलग की गई आवाज़ पर चार चीज़ें मापीं:
- सुर: माध्यिका, Hz में।
- HNR (dB): हार्मोनिक्स और शोर का अनुपात। ज़्यादा मतलब साफ़ टोन, कम मतलब ज़्यादा साँस या खरखराहट।
- 4 kHz से ऊपर की ऊर्जा (dB): शून्य के जितना क़रीब, आवाज़ उतनी चमकदार; जितनी ज़्यादा ऋणात्मक, उतनी दबी हुई।
- जिटर (%): स्वर-तंतुओं के लगातार कंपन-चक्रों की लंबाई में कितना अंतर है। ज़्यादा हो तो आवाज़ खुरदरी लगती है।
टैग रखने का नियम: वह डिफ़ॉल्ट से दोनों सीड पर एक ही दिशा में अलग होना चाहिए। हर रखे गए प्रकार का नाम उस पर रखा गया है जो हमने मापा, टैग के शब्दों पर नहीं।
14 टैग, मापे हुए
हर ख़ाने में दो संख्याएँ हैं: सीड 11 · सीड 22।
| टैग वाक्यांश | सुर (Hz) | HNR (dB) | 4 kHz से ऊपर (dB) | फ़ैसला |
|---|---|---|---|---|
| female vocal (डिफ़ॉल्ट) | 291 · 294 | 21.2 · 20.2 | −17.8 · −18.2 | आधार |
| bright clear soprano female vocal | 266 · 351 | 22.6 · 22.6 | −17.6 · −23.4 | रखा गया: साफ़ |
| soft sweet gentle female vocal | 300 · 295 | 18.9 · 18.1 | −16.7 · −17.4 | रखा गया: मीठी, कोमल |
| airy breathy whispery female vocal | 294 · 292 | 23.2 · 26.5 | −23.0 · −20.3 | रखा गया: मुलायम |
| husky smoky female vocal | 262 · 351 | 19.5 · 18.2 | −20.6 · −21.9 | रखा गया: भारी, खुरदुरी |
| powerful belting diva female vocal | 260 · 360 | 19.9 · 19.1 | −13.7 · −17.5 | रखा गया: दमदार |
| warm low alto female vocal | 294 · 329 | 22.5 · 18.3 | −20.6 · −19.7 | हटाया गया |
| male vocal (डिफ़ॉल्ट) | गायकी नहीं · 214 | गायकी नहीं · 18.7 | गायकी नहीं · −16.6 | आधार |
| bright high tenor male vocal | 263 · 292 | 21.9 · 21.0 | −19.2 · −19.3 | रखा गया: ऊँची, चमकदार |
| warm baritone male vocal | 163 · 205 | 20.5 · 20.9 | −18.3 · −22.8 | रखा गया: गहरी, गर्म |
| soft gentle breathy male vocal | 189 · 220 | 21.8 · 22.6 | −17.3 · −24.0 | रखा गया: कोमल |
| deep low bass male vocal | 187 · 197 | 20.8 · 21.8 | −16.8 · −16.0 | हटाया गया |
| raspy gritty rough male vocal | 220 · 220 | 18.4 · 19.4 | −18.7 · −17.1 | हटाया गया |
| powerful rock male vocal | 196 · 297 | 20.4 · 17.3 | −16.7 · −18.9 | हटाया गया |
जिसकी हमें उम्मीद नहीं थी:
- शब्द उलटी दिशा दिखा सकते हैं। “airy breathy whispery” से महिला सेट की सबसे दबी हुई, सबसे साफ़ आवाज़ बनी (HNR 23.2 और 26.5 dB, दोनों सीड पर डिफ़ॉल्ट से ऊपर), इसलिए साइट पर उसका नाम “मुलायम” है। पुरुष वाले “soft gentle breathy” टैग ने भी यही किया: दबी हुई, साफ़, साँस भरी नहीं।
- असल में साँस जोड़ने वाला टैग “soft sweet gentle” है: HNR डिफ़ॉल्ट से 2.3 और 2.1 dB नीचे, और ज़्यादा चमकदार।
- “husky smoky” सच में भारी और खुरदुरी है: दोनों सीड पर जिटर 1.01% (डिफ़ॉल्ट 0.84 और 0.66), और दोनों पर HNR डिफ़ॉल्ट से कम।
- “powerful belting diva” में डिफ़ॉल्ट से ज़्यादा ऊँची फ़्रीक्वेंसी की ऊर्जा है (+4.1 और +0.7 dB) और वह 526 Hz तक पहुँची।
- हटाए गए चार टैग अलग-अलग तरह से विफल हुए: “warm low alto” डिफ़ॉल्ट से नीचे नहीं था और उसका HNR उलटी दिशाओं में गया; “deep low bass” ने “warm baritone” जैसा ही किया, बिना और नीचे गए; “raspy gritty rough” डिफ़ॉल्ट से ज़्यादा खुरदरा नहीं था (जिटर 0.74 और 0.61, बनाम 0.72); “powerful rock” एक सीड पर एक तरफ़ गया और अगले पर दूसरी तरफ़।
आवाज़ का प्रकार एक श्रेणी है, कोई गायक नहीं
हमने एक स्वतंत्र आवाज़-मिलान मॉडल से आवाज़ की समानता (speaker similarity) स्कोर की, एक ही प्रकार से बने दो गानों की तुलना करके। स्कोर 0.49 से 0.82 तक रहे, लगभग उतने ही जितने अलग-अलग प्रकार के दो गानों के। दो बार “भारी, खुरदुरी” चुनें तो आपको दो अलग भारी आवाज़ वाले गायक मिलते हैं, कोई एक जाना-पहचाना कलाकार नहीं। साइट यह साफ़ कहती है: हर गाने को आपके चुने प्रकार की एक नई आवाज़ मिलती है, प्रीव्यू के क़रीब पर हूबहू नहीं।
दूसरा नतीजा: टैग सुर को भरोसे से नहीं मोड़ते। एक ही soprano टैग एक सीड पर 266 Hz पर आया और दूसरे पर 351 Hz पर। Alto टैग, जिसे नीचे बैठना चाहिए था, 294 और 329 Hz पर निकला, डिफ़ॉल्ट के 291 और 294 से नीचे नहीं। वोकल रेंज शब्दों के नहीं, मॉडल की लिखी धुन के अनुसार चलती है। सिर्फ़ पुरुष सेट साफ़ तौर पर ऊँचे और नीचे में बँटा: high tenor 263 और 292 Hz पर, warm baritone 163 और 205 Hz पर।
बच्चों की आवाज़: चार टैग, कोई नहीं चला
लोग अक्सर चाहते हैं कि बच्चों का गाना कोई बच्चा गाए। हमने चार टैग वाक्यांश आज़माए, हर एक दो सीड से, बच्चों के संगीत वाली संगत पर, वही माप और साथ में आवाज़ के अनुनाद (फ़ॉर्मेंट F2, F3 और F4, जो आवाज़ को उसका रंग देते हैं), “female vocal” से तुलना करके।
| टैग वाक्यांश | सुर (Hz) | F2 · F3 · F4, सीड 11 | F2 · F3 · F4, सीड 22 | डिफ़ॉल्ट महिला से समानता |
|---|---|---|---|---|
| child vocal, kid singer | 393 | +3.2 +2.0 +1.4 % | −0.3 −4.7 −3.6 % | 0.76 |
| young girl child vocal, cute kid voice | 376 | +2.4 −0.6 −0.0 % | −2.6 −3.3 −4.2 % | 0.71 |
| young boy child vocal, boy soprano | 329 | +2.9 −6.0 +0.1 % | +5.6 −3.3 −4.1 % | 0.66 |
| children's choir, kids singing together | 370 | +5.3 −2.2 −2.3 % | +2.8 −3.8 −1.2 % | 0.75 |
असली बच्चों की आवाज़ों के अनुनाद वयस्क महिला आवाज़ों से 15 से 25% ऊँचे होते हैं। यहाँ खिसकाव लगभग ±6% के भीतर रहा, और दोनों सीड दिशा पर सहमत नहीं थे। “female vocal” से समानता (0.66 से 0.76) एक ही प्रकार की दो बार बनी आवाज़ों की समानता (0.59 से 0.77) से अलग नहीं थी। 329 से 393 Hz के सुर उम्मीद जगाते हैं, पर जैसा पहली तालिका ने दिखाया, सुर टैग के नहीं, धुन के अनुसार चलता है। निष्कर्ष: टेक्स्ट टैग आवाज़ को बच्चे की आवाज़ में नहीं बदल सकते, इसलिए साइट पर बच्चों की आवाज़ का कोई प्रकार नहीं है। हमारा बच्चों के गाने वाला टेम्पलेट इसके बजाय “बच्चों का” शैली के साथ “साफ़” आवाज़ प्रकार इस्तेमाल करता है।
सीमाएँ और खुले सवाल
- छोटा नमूना: हर प्रकार के लिए दो सीड, हर गाने में 10 से 30 सेकंड की गायकी। दो दिशाओं में जाने वाले टैग को हटाने के लिए काफ़ी, यह वादा करने के लिए नहीं कि कोई टैग “हमेशा” एक ख़ास तरह से सुनाई देगा।
- पुरुष पक्ष कमज़ोर है: सीड 11 पर डिफ़ॉल्ट “male vocal” ने लगभग गाया ही नहीं (3.7 सेकंड), इसलिए पुरुष तुलनाएँ ज़्यादातर एक ही सीड पर टिकी हैं।
- एक संगत, बोलों का एक सेट: यहाँ का हर आँकड़ा 84 BPM के एक pop ballad से आता है। दूसरी शैलियाँ दोबारा नहीं मापी गईं।
- ये ध्वनि-माप हैं, पसंद नहीं। “ज़्यादा साफ़” का मतलब ऊँचा HNR है, जो आपके गाने के लिए अपने आप बेहतर नहीं होता।
गाना बनाते समय इसका इस्तेमाल कैसे करें
- चुनने से पहले सुनें। हर प्रकार का 12 सेकंड का प्रीव्यू है, जो उसके अपने टेस्ट गाने के सबसे घने गायकी वाले हिस्से से काटा गया है। प्रीव्यू चलाने से वह चुना नहीं जाता।
- मापी गई ख़ूबी से चुनें: साफ़ टोन के लिए “साफ़” या “मुलायम”; साँस और चमक के लिए “मीठी, कोमल”; खरखराहट के लिए “भारी, खुरदुरी”; बड़े ऊँचे स्वरों के लिए “दमदार”। पुरुष आवाज़ें: “ऊँची, चमकदार”, “गहरी, गर्म”, “कोमल”।
- Key तय करने के लिए महिला आवाज़ प्रकार इस्तेमाल न करें। ज़्यादा ऊँचा या नीचा गाना चाहिए तो आवाज़ का प्रकार भरोसेमंद लीवर नहीं है।
- हर गाने में एक ही गायक की उम्मीद न करें। हर गाना उस श्रेणी के भीतर एक नया गायक है। कुछ संस्करण बनाएँ और अपना पसंदीदा रखें।
- बच्चों के गाने के लिए “बच्चों का” शैली और “साफ़” प्रकार चुनें। स्टाइल बॉक्स में “child vocal” टाइप करने से बच्चा नहीं मिलेगा।
- अपने टैग ख़ुद लिख रहे हैं? विफल हुए चार टैग याद रखें: “raspy” ने आवाज़ खुरदरी नहीं की और “alto” ने उसे नीचा नहीं किया।
MuziAI पर अभी ट्राई करें
फ्री, साइन-अप नहीं चाहिए। एक आइडिया बताएं, AI बोल लिखेगा और पूरा गाना गाएगा।
AI से गाना बनाएं