Tags de estilo mudam a voz do cantor de IA? Testamos 14

Não existe uma lista de cantores dentro do modelo que canta as suas músicas no MuziAI. A voz vem só de algumas palavras no prompt de estilo, normalmente “female vocal” ou “male vocal”. Então, se você escrever “husky”, “deep” ou “kid singer” ali, a voz muda mesmo? Testamos 14 frases de tags, com duas gerações cada, e medimos as vozes separadas. A resposta curta: as tags conseguem mexer na clareza, no brilho e na aspereza, quase não controlam a altura, e nenhuma tag que testamos produz uma voz de criança. Das 12 variantes além dos dois padrões, 8 viraram tipos de voz no site e 4 foram descartadas.

O modelo não tem vozes embutidas

Um pedido ao modelo de canto leva exatamente duas coisas: uma descrição de estilo em texto e a letra. Não há identificador de cantor nem como passar uma gravação de referência. A voz é o que o modelo lê nas palavras. Então “escolher uma voz” na verdade significa trocar “female vocal” ou “male vocal” por outra frase de tags, e a pergunta passa a ser mensurável: quais frases mudam a voz e quais são só palavras?

A configuração: 14 frases de tags (2 padrões mais 12 variantes), cada uma gerada com duas sementes (11 e 22), os mesmos 8 versos de letra e a mesma descrição de acompanhamento, “Pop ballad, piano, acoustic guitar, 84 BPM”, para músicas de 40 a 60 segundos. Tiramos a voz com o nosso separador de voz e medimos quatro coisas na voz isolada:

• Altura: mediana, em Hz.
• HNR (dB): relação entre harmônicos e ruído. Mais alto significa um timbre mais limpo, mais baixo significa mais ar ou mais aspereza.
• Energia acima de 4 kHz (dB): mais perto de zero é mais brilhante, mais negativo é mais escuro.
• Jitter (%): o quanto ciclos consecutivos das pregas vocais diferem em duração. Mais alto soa mais áspero.

A regra para manter uma tag: ela precisa diferir do padrão na mesma direção nas duas sementes. Cada tipo mantido recebe o nome do que medimos, não das palavras da tag.

As 14 tags, medidas

Cada célula tem dois números: semente 11 · semente 22.

O que não esperávamos:

• As palavras podem apontar para o lado errado. “airy breathy whispery” produziu a voz mais escura e mais limpa do grupo feminino (HNR de 23,2 e 26,5 dB, acima do padrão nas duas sementes), então no site ela se chama “Aveludada”. A tag masculina “soft gentle breathy” fez o mesmo: escura, limpa, sem ar.
• A tag que realmente acrescenta ar é “soft sweet gentle”: HNR 2,3 e 2,1 dB abaixo do padrão, e mais brilhante.
• “husky smoky” é rouca de verdade: jitter de 1,01% nas duas sementes (padrão 0,84 e 0,66), e HNR abaixo do padrão nas duas.
• “powerful belting diva” carrega mais energia de agudos que o padrão (+4,1 e +0,7 dB) e chegou a 526 Hz.
• As quatro tags descartadas falharam de jeitos diferentes: “warm low alto” não ficou mais grave que o padrão e o HNR dela andou em direções opostas; “deep low bass” fez o mesmo que “warm baritone” sem descer mais; “raspy gritty rough” não ficou mais áspera que o padrão (jitter de 0,74 e 0,61 contra 0,72); “powerful rock” foi para um lado numa semente e para o outro na seguinte.

Um tipo de voz é uma categoria, não um cantor

Medimos a semelhança entre vozes com um modelo independente de comparação de vozes, comparando duas músicas geradas com o mesmo tipo. As pontuações foram de 0,49 a 0,82, mais ou menos o mesmo que duas músicas de tipos diferentes. Escolha Rouca duas vezes e você recebe dois cantores roucos diferentes, não um mesmo artista que você reconheça. O site diz isso com clareza: cada música ganha uma voz nova do tipo escolhido, parecida com a amostra, mas não igual.

Segunda descoberta: as tags não controlam a altura de forma confiável. A mesma tag de soprano caiu em 266 Hz numa semente e 351 Hz na outra. A tag de contralto, que deveria ficar mais grave, saiu em 294 e 329 Hz, nada mais grave que os 291 e 294 Hz do padrão. A extensão vocal segue a melodia que o modelo escreve, não as palavras. Só o grupo masculino se dividiu com clareza entre agudo e grave: tenor agudo em 263 e 292 Hz, barítono quente em 163 e 205 Hz.

Vozes de criança: quatro tags, nenhuma funcionou

Muita gente quer uma música infantil cantada por uma criança. Testamos quatro frases de tags, com duas sementes cada, sobre um acompanhamento de música infantil, com as mesmas medições mais as ressonâncias vocais (formantes F2, F3 e F4, que dão cor à voz), comparadas com “female vocal”.

Vozes de crianças reais ressoam de 15 a 25% mais alto que vozes femininas adultas. Aqui os deslocamentos não passaram de cerca de ±6%, e as duas sementes discordaram na direção. A semelhança com “female vocal” (0,66 a 0,76) não foi diferente da semelhança entre duas gerações do mesmo tipo (0,59 a 0,77). As alturas de 329 a 393 Hz parecem promissoras, mas, como a primeira tabela mostrou, a altura segue a melodia, não a tag. Conclusão: tags de texto não transformam a voz em voz de criança, então o site não tem um tipo de voz Infantil. O nosso modelo pronto de música infantil usa o gênero Infantil com o tipo de voz Límpida.

Limites e perguntas em aberto

• Amostra pequena: duas sementes por tipo, de 10 a 30 segundos de canto por música. O bastante para descartar uma tag que vai para dois lados, não para prometer que uma tag vai “sempre” soar de certo jeito.
• O lado masculino é mais fraco: na semente 11, o “male vocal” padrão quase não cantou (3,7 segundos), então as comparações masculinas se apoiam em grande parte numa só semente.
• Um acompanhamento, uma letra: todos os números aqui vêm de uma balada pop a 84 BPM. Outros gêneros não foram medidos de novo.
• São medições acústicas, não gosto. “Mais limpo” significa um HNR mais alto, o que não é automaticamente melhor para a sua música.

Como usar isto quando você cria uma música

1. Ouça antes de escolher. Cada tipo tem uma amostra de 12 segundos, cortada do trecho vocal mais denso da música de teste daquele tipo. Tocar uma amostra não seleciona o tipo.
2. Escolha pela característica medida: para um timbre limpo, “Límpida” ou “Aveludada”; para ar e brilho, “Doce, suave”; para aspereza, “Rouca”; para agudos fortes, “Potente”. Vozes masculinas: “Aguda, brilhante”, “Grave, quente”, “Suave, macia”.
3. Não use um tipo de voz feminina para definir o tom. Se você quer uma música mais aguda ou mais grave, o tipo de voz não é uma alavanca confiável.
4. Não espere o mesmo cantor de uma música para outra. Cada música é um cantor novo dentro da categoria. Gere algumas versões e fique com a sua favorita.
5. Para uma música infantil, escolha o gênero Infantil e o tipo Límpida. Digitar “child vocal” na caixa de estilo não faz uma criança cantar.
6. Vai escrever as suas próprias tags? Lembre-se das quatro que falharam: “raspy” não deixou a voz mais áspera e “alto” não a deixou mais grave.