Tôi sẽ tạo một mô hình giọng nói AI tùy chỉnh bằng RVC

Dù bạn là nhà sản xuất âm nhạc, người sáng tạo nội dung, diễn viên lồng tiếng hay nhà phát triển, một mô hình giọng nói AI tùy chỉnh cho phép bạn tạo ra đầu ra giọng nói chân thực theo bất kỳ giọng nói mục tiêu nào — giọng của chính bạn, giọng của một nhân vật hoặc phong cách của một nghệ sĩ. Dịch vụ này cung cấp một mô hình RVC (Chuyển đổi giọng nói dựa trên truy xuất) được đào tạo đầy đủ, được xây dựng từ bộ dữ liệu âm thanh bạn cung cấp và được xử lý bằng các công cụ chuyên nghiệp trên phần cứng chuyên dụng.

Mỗi mô hình được đào tạo bằng Python MDX NET HQ Main và ba phương pháp xử lý để có được âm thanh nguồn sạch nhất có thể. Bản thân mô hình AI được xây dựng bằng phương pháp RMVPE — được coi là phương pháp ước tính F0 chất lượng cao nhất — với tỷ lệ truy xuất 0.7–0.9 để bảo toàn và tăng cường giọng điệu và đặc điểm độc đáo của giọng nói mục tiêu của bạn. Kết quả là một tệp mô hình PTH tùy chỉnh sẵn sàng để sử dụng trong quy trình làm việc của riêng bạn.

Quá trình chuẩn bị tập dữ liệu bao gồm làm sạch giọng nói nguồn để loại bỏ mọi hiện vật, nhiễu hoặc rò rỉ trước khi bắt đầu đào tạo. Âm thanh của bạn phải được cung cấp dưới dạng tệp WAV RAW sạch — không áp dụng điều chỉnh giọng hát, chỉnh cao độ hoặc tự động điều chỉnh — và phải có thời lượng từ 20 đến 25 phút để có chất lượng mô hình tối ưu. Tập dữ liệu có thể được gửi qua liên kết đám mây hoặc trực tiếp trong cuộc trò chuyện đặt hàng dưới dạng kho lưu trữ ZIP hoặc RAR.

Ngoài việc tạo mô hình, dịch vụ này còn bao gồm các tác vụ tách giọng hát (tách nhạc cụ và tách giọng hát) cũng như ghi âm lồng tiếng (VO) theo yêu cầu. Công việc VO được thực hiện trực tiếp bằng thiết bị phòng thu chuyên nghiệp: micro condenser Audio-Technica AT4040, giao diện âm thanh Arturia MiniFuse 2, tai nghe kiểm âm ATH-M40X và tấm chắn cách ly Aston Halo — đảm bảo chất lượng sẵn sàng phát sóng. Các nhân vật VO và giọng nói theo phong cách nghệ sĩ có sẵn cho cả giọng nam và nữ. Nếu bạn có một nhân vật, nghệ sĩ hoặc cá tính cụ thể trong đầu, vui lòng đề cập đến khi đặt hàng.

Các phương pháp xử lý được áp dụng trong toàn bộ quy trình làm việc bao gồm MDX, VR Arch, Demucs và ESNM Mode, mang lại cho nhóm sự linh hoạt để chọn phương pháp tách tốt nhất cho tài liệu nguồn cụ thể của bạn.

Lưu ý: Yêu cầu hòa âm giọng hát có phí riêng — vui lòng liên hệ trước khi đặt hàng nếu điều này áp dụng cho bạn.

**Dành cho ai?**
Các nhà sản xuất âm nhạc muốn tạo ra các bản trình bày giọng hát AI gốc, các nhà phát triển trò chơi hoặc người tạo nội dung xây dựng giọng nói nhân vật, các diễn viên lồng tiếng muốn có một bản sao AI cá nhân để tạo mẫu nhanh chóng và những người có sở thích khám phá công nghệ âm nhạc và giọng nói AI.

**Cách thức hoạt động:**
1. Đặt hàng và tải lên bộ dữ liệu WAV đã được làm sạch của bạn (20–25 phút, không điều chỉnh).
2. Nhóm xử lý và làm sạch âm thanh nguồn của bạn, sau đó đào tạo mô hình RVC của bạn bằng RMVPE.
3. Tệp mô hình PTH đã hoàn thành của bạn được giao trong khung thời gian đã thỏa thuận.

Quá trình xử lý mô hình thường mất từ 10 giờ đến 1 ngày kể từ khi tập dữ liệu của bạn được nhận và phê duyệt.