用你自己的声音AI翻唱歌曲
上传一首歌曲和20到40秒你的声音，AI将人声从伴奏中分离，用你的音色重新演唱，再混合回原伴奏。无需训练，无需注册，无需掌握音乐制作软件。
- 免费AI写歌，无需注册
- 无需训练声音
- 文件24小时后自动删除
想要翻唱的歌曲
将歌曲拖放到此处
MP3、M4A、WAV、FLAC 或 OGG · 最大 20 MB · 最长 6 分钟
演唱音色
AI生成的男声，非真人录音。点击下方试听。
试听此音色
什么样的声音模板最逼真
- 唱歌，不要只是说话。 声音样本用于模仿翻唱效果时，唱歌的样本远优于说话，因为发声方式完全不同。
- 20到40秒效果最好。 系统会使用约24秒的实际演唱（去掉换气停顿），这样长度的样本比12秒的样本明显更接近你的声音。短于4秒则数据不足。
- 单人清唱，无背景音乐。 样本中若包含背景音乐或第二个人声，会导致音色混杂。
- 环境安静，麦克风靠近。 手机距离嘴巴约一掌远，关掉风扇、关好窗户即可。
- 选择你最舒适的音域，不要刻意压嗓子，也不要声音气若游丝。
三步操作
- 上传想要翻唱的歌曲（或将文件拖入输入框）。
- 上传或录制20到40秒的你的声音，然后勾选确认框。
- 点击立即翻唱，等待几分钟，试听原曲 / 翻唱 / 伴奏 / 新声线的对比，然后下载。
如果翻唱听起来在硬撑高音，尝试将音调降低一个八度后重新生成：音色依然保留你的特色，但旋律会回到舒适的音域。歌曲的伴奏越简单、和声越少，分离出的声音就越干净，翻唱效果也就越逼真。
常见问题
- AI翻唱免费吗？
- 免费。无需注册，下载无限制。每人每天可生成几首，因为每首都需要在显卡上运行两个模型，耗时几分钟。
- 我必须预先训练声音吗？
- 不需要额外操作。只要一段 20 到 40 秒的样本：第一次运行时，机器会用几分钟学会你的声音，并把这个模型保留 24 小时，之后的歌曲就不用重新学习。以前的方法需要你录十分钟，再为每个声音等待数小时训练。
- 我的文件会被保留吗？
- 歌曲和声音样本文件在处理完成后立即删除。机器从你的样本学到的声音模型会在最后一次使用后私密保留在服务器上 24 小时，只为了让你用同一段样本再次翻唱时更快，之后自动删除；它不会用于其他任何人。翻唱版本 24 小时后自动删除。没有任何公开页面链接到你的翻唱，我们也阻止搜索引擎收录这部分内容。
- 我可以用其他歌手的嗓音翻唱吗？
- 不可以。此工具仅用于您自己的声音。未经同意使用他人声音侵犯其声音权，且在许多地方属违法行为。运行前必须勾选确认框，收到投诉我们会立即删除。
- 翻唱听起来和我本人完全一样吗？
- 音色相似，但演唱方式不同：系统保留原曲的转音、断句和换气，仅替换音色。因此听起来像是您在模仿那位歌手，而非您自己原样演唱。
- 为什么翻唱有回声或混入伴奏？
- 因为第一步需将人声与伴奏分离，无法做到绝对完美。干声最干净；压缩严重、多轨或电子乐频段与人声重叠的曲目分离难度更大。
- 我可以翻唱有版权的歌曲吗？
- 您需对上传的文件承担版权责任。翻唱仅您拥有链接，我们不公开或传播。若发布到社交媒体，请检查该平台的版权规定。
三个阶段：分离、换音色、重新混音
在 MuziAI 上做一次 AI 翻唱，会连续经过三个阶段。第一阶段用人声分离器把歌曲拆成伴奏和人声，和人声分离工具用的是同一个分离器。第二阶段只把人声送进换声模型：音高、节奏和断句保持不变，只把音色换成你样本里的音色。第三阶段把新的人声混回原伴奏上，并平衡整首歌的响度。
为什么不让机器从头把整首歌唱一遍？因为听众最先认出来的是伴奏。我们把同一个文件分别跑了人声分离和翻唱流程，两份伴奏完全相同，频宽也和源文件一致，所以音乐本身不会再受损。演唱也仍然属于原唱：哪里变强变弱、哪里在音与音之间滑动，都跟着原唱走。在我们的第一次评估中，新人声的旋律与原唱相差的中位数是 0.00 个半音，92.6% 的帧落在一个半音以内。
换声之后还有几道后期处理，每一道都只去掉原唱里本来没有的东西：
- 由原唱人声驱动的门限：换声模型从来输出不了真正的静音，它的底噪在 −48 dB 左右。凡是原唱不出声的地方，新人声也一并静音，把底噪压到 −93.6 dB。
- 包络匹配：响度跟随原唱，减少字与字之间细小的断音。
- 去哨音，分 2-4、4-8 和 8-16 kHz 三个频段处理，只在某一帧远远高出它自身的常规电平时才介入。
- 立体声混响：转换后的人声是单声道，所以要加混响，并调到宽度与原唱人声一致。
- 以原曲为参照做母带：音色平衡跟随你上传的那首歌（偏差从 0.47 dB 降到 0.24 dB），响度为标准的 −14 LUFS。
怎样的声音样本才算好
你的样本决定两件互不相干的事：翻唱像不像你，以及听起来干不干净。两者取决于不同的因素。
长度：24 秒胜过 12 秒
去掉换气和停顿后，系统会使用约 24 秒的演唱。我们起初只用 12 秒，以为样本再长也不会更像。实际测量时，每个分支各跑五次，在录音的任何位置，每一个 24 秒窗口都比每一个 12 秒窗口更像原歌手。样本越长越稳，因为它能把好的片段和差一些的片段平均起来。所以请录 20 到 40 秒：系统需要多留一些余量来挑选。
位置和长度同样重要
同样一段 12 秒，取自录音开头还是中段，效果差别很大：选对片段时，输出里的频谱噪声下降了将近三倍。所以系统不会简单地截取开头，而是先用一个随录音底噪自适应的阈值切掉静音，再从你的样本里挑出最不粗糙的那些一秒片段，拼成 24 秒。在一段 37.2 秒的手机录音上，这个阈值去掉了 5.6 秒的停顿，而固定阈值什么也没去掉。
样本粗糙，翻唱也粗糙
换声模型会复制样本的嗓音质感。同一首歌，只换样本：干净的演唱样本输出的粗糙度是 0.92%，粗糙的手机录音是 1.67%，差了 81%。样本更长能解决像不像你的问题，却解决不了沙沙的颗粒感，只有更干净的样本才行。
所以系统在任务一开始、大约第 11 秒时就测量样本的粗糙度，达到 1.5% 及以上就显示提醒。这个阈值介于我们测过的干净歌声（0.94% 到 1.03%）和遇到的第一个粗糙样本（2.14%）之间。当样本里的演唱不足 15 秒，或几乎没有清晰的歌声时，页面也会提醒。重录时请注意：要唱，不要说，每句都稳稳唱到结尾，一个人唱，不带伴奏，房间安静，手机离嘴约一掌宽。
需要多长时间
| 情况（4 分钟的歌） | 处理时间 |
|---|---|
| 内置男声或女声 | 约 6 分钟 |
| 你的声音，第一次 | 约 10 分钟 |
| 你的声音，同一样本，24 小时内 | 约 6 分钟 |
| 出现样本粗糙提醒 | 开始后约 11 秒 |
以上是处理时间，不含排队。第一次耗时更长，是因为系统要在这一次里学习你的声音；之后的翻唱会复用这个模型。你可以关闭标签页，结果页会一步步自动更新。
更换语言，选择 AI 声音的性别
如果你想让这首歌换成另一种语言来唱，系统会先听写原歌词，翻译时保持相同的行数和音节数，让演唱模型用旧旋律唱出新歌词，再把结果放回原伴奏上。一首 189 秒的歌用了 580 秒。目前可选八种目标语言；日语暂未开放，因为唱出来的歌词还很难听清。
你可以选择与原唱相同、女声或男声。性别选项只改变音色，演唱模型仍按原曲的音高演唱。如果输出远远超出所选音域（男声高于 320 Hz，女声低于 244 Hz），整条人声会被整体移动正好一个八度，以便和伴奏保持和谐。代价是：降了一个八度的男声听起来会有些粗糙。想要最干净的人声，请选择与原唱相同的性别。
局限
- 越南语效果不如英语。 在同一个换声模型上测量，丢失声音的帧所占比例，越南语为 2.9%，英语为 1.0%。这是模型的局限，不是你文件的问题。
- 辅音可能会变。 在我们的测试中，「Gà gáy vang trời」变成了「cáo kẽ vang trời」，「hỏi」变成了「khỏi」。旋律保得住，辅音却不一定。
- 低质量音源。 被反复压缩过的文件，往往在 16 kHz 附近就已被截断。输出人声的噪声通常是分离人声的 2 到 3.6 倍，所以脏的音源会把翻唱一起拖下水。当音源低于 17 kHz 时，结果页会直接告诉你。
- 残留的朦胧感藏在谐波里。 它不是浮在上面的一层噪声，而是模型生成的谐波的一部分，所以事后降噪修不好。我们试过用三种不同方式过滤输出，没有一种更好。
- 音域不匹配。 高音女声的歌配男声样本：保持原调会把你的声音推到女声音域，听起来更像原唱；降一个八度更像你，但声音更闷。这是物理限制，不是哪个模型特有的问题。
- 断句仍是原唱的。 滑音、断句和换气都会保留，变的只是音色。
隐私
歌曲和声音样本会在任务完成后立即删除。从你的样本学到的声音模型会私密保存到最后一次使用后的 24 小时，只为让同一样本的下一次翻唱跑得更快，之后自动删除；它绝不会用于其他任何人。翻唱成品保留 24 小时，只有拿到链接的人才能收听，音频文件也禁止搜索引擎收录。
什么时候不该用它
- 你想用某位歌手或其他人的声音翻唱：这个工具只接受你自己的声音。
- 你想让翻唱听起来像你用自己的方式唱这首歌。
- 你只有低质量的文件，或者歌曲和声很厚、有合唱。
- 你需要每个越南语辅音都发音准确，用于正式发行。
- 你只需要伴奏来唱卡拉 OK：人声分离要快得多。
- 你想要一首全新的歌：先用 AI 写一首，再回到这里。
常见问题
可以用手机录样本吗？
可以。要避免的是沙沙的颗粒感：用说代替唱、句尾声音往下掉、房间嘈杂。如果页面提示样本粗糙度达到 1.5% 或更高，重录一次通常比任何其他调整都更值得。
为什么第一次比后面几次慢？
第一次运行时，系统要从样本里学习你的声音，所以一首 4 分钟的歌大约需要 10 分钟。这个模型会在最后一次使用后保留 24 小时，因此用同一样本再翻唱，只需约 6 分钟。
该用什么文件？有哪些限制？
只使用你拥有或有权使用的录音；MuziAI 不会从 YouTube 或任何其他平台下载音乐，也不协助复制受版权保护的歌曲。关于质量：被反复压缩过的文件往往在 16 kHz 附近被截断，听起来发闷，因为伴奏和人声不可能比源文件更干净。原始的 320 kbps MP3、M4A、WAV 或 FLAC 效果明显更好。
为什么有些句子在低音处发闷或破音？
通常是这句唱到了你样本音域以下。系统会自动找出这样的句子，把它们升高一个八度重新转换，再在最近的无人声间隙处接回去。如果整首歌听起来仍然发闷，请选择保持原调再跑一次。
相关研究
还没有可以翻唱的歌曲？
几分钟内用AI写歌生成完整歌曲，下载MP3后回来用你的声音翻唱。