Thẻ chữ có đổi được giọng AI hát? Đo 14 kiểu giọng
Mô hình hát không có ca sĩ dựng sẵn, giọng chỉ đến từ chữ. Chúng tôi đo 14 cụm thẻ giọng: 8 kiểu giữ lại, 4 bị bỏ, và thẻ không tạo được giọng trẻ em.
Tác giả: Nhóm MuziAI. Số liệu do chúng tôi tự đo khi xây dựng MuziAI; bản thảo có sự hỗ trợ của AI, và mọi con số được đối chiếu với sổ đo của dự án. Cập nhật 13 tháng 10, 2026.
Mô hình hát của MuziAI không có danh sách ca sĩ để chọn. Giọng chỉ đến từ vài chữ trong phần phong cách, kiểu «female vocal» hay «male vocal». Vậy viết «giọng khàn», «giọng trầm», «giọng trẻ con» vào đó thì giọng có đổi thật không? Chúng tôi đo 14 cụm thẻ, mỗi cụm hai lượt sinh. Kết luận ngắn: thẻ đổi được độ sạch tiếng, độ sáng và độ khàn, nhưng gần như không điều khiển được cao độ, và không cụm nào tạo ra giọng trẻ em. Ngoài hai cụm gốc, 8 cụm được giữ làm kiểu giọng trên site, 4 cụm bị bỏ.
Mô hình hát không có «giọng có sẵn»
Yêu cầu gửi cho mô hình hát chỉ gồm chữ mô tả phong cách và lời bài: không có mã người hát, không nhận âm thanh mẫu. Nên «chọn giọng» thực chất là thay «female vocal» hay «male vocal» bằng một cụm thẻ khác, và câu hỏi trở thành phép đo: cụm nào đổi được giọng thật, cụm nào chỉ là chữ.
Cách đo: 14 cụm thẻ (2 cụm gốc, 12 biến thể), mỗi cụm sinh với hai hạt giống (11 và 22), cùng 8 dòng lời, cùng nền «Pop ballad, piano, acoustic guitar, 84 BPM», bài 40-60 giây. Giọng được tách khỏi nhạc bằng bộ tách giọng rồi đo bốn đại lượng:
- Cao độ trung vị (Hz).
- HNR (dB): tỉ lệ hoà âm trên nhiễu. Cao hơn là sạch tiếng hơn, thấp hơn là nhiều hơi hoặc nhiều tạp.
- Năng lượng trên 4 kHz (dB): càng gần 0 giọng càng sáng, càng âm giọng càng tối.
- Jitter (%): độ lệch giữa các chu kỳ rung dây thanh. Cao hơn là giọng lạo xạo, khàn hơn.
Luật giữ: một cụm chỉ được giữ khi nó khác cụm gốc cùng một hướng ở cả hai lượt. Tên hiển thị đặt theo thứ đo được, không theo chữ trong thẻ.
Bảng đo 14 cụm thẻ
Mỗi ô có hai số: lượt hạt 11 · lượt hạt 22.
| Cụm thẻ | Cao độ (Hz) | HNR (dB) | Trên 4 kHz (dB) | Kết luận |
|---|---|---|---|---|
| female vocal (gốc) | 291 · 294 | 21,2 · 20,2 | −17,8 · −18,2 | Mốc so sánh |
| bright clear soprano female vocal | 266 · 351 | 22,6 · 22,6 | −17,6 · −23,4 | Giữ: «Trong trẻo» |
| soft sweet gentle female vocal | 300 · 295 | 18,9 · 18,1 | −16,7 · −17,4 | Giữ: «Ngọt, nhẹ» |
| airy breathy whispery female vocal | 294 · 292 | 23,2 · 26,5 | −23,0 · −20,3 | Giữ: «Êm, mượt» |
| husky smoky female vocal | 262 · 351 | 19,5 · 18,2 | −20,6 · −21,9 | Giữ: «Khàn» |
| powerful belting diva female vocal | 260 · 360 | 19,9 · 19,1 | −13,7 · −17,5 | Giữ: «Nội lực» |
| warm low alto female vocal | 294 · 329 | 22,5 · 18,3 | −20,6 · −19,7 | Bỏ |
| male vocal (gốc) | không hát · 214 | không hát · 18,7 | không hát · −16,6 | Mốc so sánh |
| bright high tenor male vocal | 263 · 292 | 21,9 · 21,0 | −19,2 · −19,3 | Giữ: «Cao, sáng» |
| warm baritone male vocal | 163 · 205 | 20,5 · 20,9 | −18,3 · −22,8 | Giữ: «Trầm ấm» |
| soft gentle breathy male vocal | 189 · 220 | 21,8 · 22,6 | −17,3 · −24,0 | Giữ: «Êm, nhẹ» |
| deep low bass male vocal | 187 · 197 | 20,8 · 21,8 | −16,8 · −16,0 | Bỏ |
| raspy gritty rough male vocal | 220 · 220 | 18,4 · 19,4 | −18,7 · −17,1 | Bỏ |
| powerful rock male vocal | 196 · 297 | 20,4 · 17,3 | −16,7 · −18,9 | Bỏ |
Những điều không đoán trước được:
- Chữ trong thẻ có thể nói ngược với kết quả. «airy breathy whispery» (nhiều hơi, thì thầm) ra giọng tối và sạch nhất dàn nữ, HNR 23,2 · 26,5 dB, nên mang tên «Êm, mượt». Cụm nam «soft gentle breathy» cũng tối, sạch, không hề nhiều hơi.
- Cụm có hơi thật lại là «soft sweet gentle»: HNR thấp hơn gốc 2,3 và 2,1 dB, và sáng hơn.
- «husky smoky» là cụm khàn thật: jitter 1,01% ở cả hai lượt (gốc 0,84 · 0,66), HNR thấp hơn gốc ở cả hai.
- «powerful belting diva» có nhiều năng lượng cao hơn gốc (+4,1 · +0,7 dB) và lên tới 526 Hz.
- Bốn cụm bị bỏ vì những lý do khác nhau: «warm low alto» không thấp hơn gốc và HNR mỗi lượt một hướng; «deep low bass» cho cùng hiệu ứng với «warm baritone» mà không trầm hơn; «raspy gritty rough» không rè hơn gốc (jitter 0,74 · 0,61 so với 0,72 của gốc); «powerful rock» hai lượt hai hướng.
Một kiểu là một loại giọng, không phải một ca sĩ
Một bộ so giọng độc lập chấm độ giống người hát giữa hai bài cùng một kiểu: 0,49-0,82, ngang với hai bài khác kiểu. Chọn «Khàn» hai lần sẽ ra hai người hát khàn khác nhau, không phải một ca sĩ quen thuộc. Site nói đúng điều đó: mỗi bài AI tạo một giọng mới thuộc kiểu bạn chọn, gần với mẫu chứ không trùng hẳn.
Điều thứ hai: thẻ không điều khiển cao độ một cách đều. Cùng cụm «soprano» mà hai lượt ra 266 và 351 Hz. Cụm «alto» lẽ ra phải thấp lại ra 294 · 329 Hz, không thấp hơn gốc 291 · 294. Âm vực đi theo giai điệu mô hình tự soạn, không theo chữ. Chỉ riêng dàn nam là tách được cao và trầm: «high tenor» 263 · 292 Hz, «warm baritone» 163 · 205 Hz.
Giọng trẻ em: bốn cụm thẻ, không cụm nào đổi được
Nhiều người muốn làm bài thiếu nhi với giọng trẻ con. Chúng tôi thử bốn cụm thẻ × 2 hạt giống trên nền nhạc thiếu nhi, đo thêm cộng hưởng (formant F2, F3, F4, thứ làm nên «màu» giọng) so với «female vocal».
| Cụm thẻ | Cao độ (Hz) | F2 · F3 · F4, hạt 11 | F2 · F3 · F4, hạt 22 | Giống kiểu nữ gốc |
|---|---|---|---|---|
| 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 |
Giọng trẻ em thật có cộng hưởng cao hơn giọng nữ 15-25%. Ở đây độ lệch chỉ trong khoảng ±6%, và hai lượt không cùng hướng. Độ giống với «female vocal» (0,66-0,76) ngang với độ giống giữa hai lần sinh của cùng một kiểu (0,59-0,77). Cao độ 329-393 Hz nhìn hứa hẹn, nhưng như bảng trên cho thấy, cao độ đi theo giai điệu chứ không theo thẻ. Kết luận: thẻ chữ không đổi được giọng sang giọng trẻ em, nên site không thêm kiểu «Thiếu nhi». Mẫu bài thiếu nhi dùng thể loại Thiếu nhi cộng kiểu «Trong trẻo».
Giới hạn và điều chưa biết
- Cỡ mẫu nhỏ: 2 lượt mỗi kiểu, 10-30 giây tiếng hát mỗi bài. Đủ để loại kiểu nào hai lượt hai hướng, chưa đủ để nói một kiểu «luôn» ra đúng chất ấy.
- Phía nam yếu hơn phía nữ: lượt hạt 11 của cụm gốc «male vocal» gần như không hát (chỉ 3,7 giây), nên so sánh dàn nam dựa phần lớn vào một lượt.
- Một nền nhạc, một bộ lời: mọi số trên đo trên pop ballad 84 BPM. Thể loại khác chưa được đo lại.
- Số đo là âm học, không phải gu nghe. «Sạch hơn» là HNR cao hơn, chưa chắc hay hơn với bài của bạn.
Áp dụng thế nào khi tự tạo bài
- Nghe mẫu trước khi chọn. Mỗi kiểu có đoạn 12 giây lấy từ chỗ giọng dày nhất của chính bài thử. Bấm nghe không tự chọn kiểu.
- Chọn theo tính chất đo được: cần giọng sạch thì «Trong trẻo» hoặc «Êm, mượt»; muốn có hơi và sáng thì «Ngọt, nhẹ»; muốn khàn thì «Khàn»; cần nốt cao, mạnh thì «Nội lực». Bên nam: «Cao, sáng», «Trầm ấm», «Êm, nhẹ».
- Đừng dùng kiểu giọng nữ để định âm vực. Muốn bài cao hay thấp, kiểu giọng không phải đòn bẩy đáng tin.
- Đừng mong một giọng cố định qua nhiều bài. Mỗi bài là một người hát mới trong cùng một loại. Tạo vài phiên bản rồi chọn.
- Bài thiếu nhi: chọn thể loại Thiếu nhi và kiểu «Trong trẻo». Gõ «child vocal» vào phong cách không cho bạn giọng trẻ con.
- Tự gõ thẻ thì nhớ bốn cụm bị bỏ: «raspy» không làm giọng rè hơn, «alto» không làm giọng thấp hơn.
Thử ngay trên MuziAI
Miễn phí, không cần đăng ký. Kể một ý tưởng, AI viết lời và hát thành bài hoàn chỉnh.
Tạo bài hát