オーディオサンプルからカスタムAIボイスを作成。無料のコミュニティツールでモデルを学習させ、Echo にインポートすれば、Discord、ゲーム、配信、通話でリアルタイムに誰の声にでもなれます。
ターゲットとなる声のクリーンなボーカル音声を10〜30分程度集めます。当社の Vocal Remover を使って曲からボーカルを抽出することもできます。
RVC学習ソフトウェア（Applio、Mangio-RVCなど）にオーディオを入力します。学習には最新のGPUで1〜4時間かかります。
学習済みの .pth モデルファイルを Echo にドラッグします。アプリがモデルのパラメータを自動的に検出します。
あなたの声は、学習済みモデルを通してリアルタイムで変換されます。Discord、ゲーム、OBS、または任意のボイスチャットで使用できます。
クトゥルフ神話 TRPG キャンペーン、VTuber のペルソナ、ロールプレイ用にユニークなキャラクターボイスを作成。一度モデルを学習させれば、永久に使用できます。
自分の声をクローンし、そのモデルを使用して、実際の声が疲れていたりかすれていたりしても、動画全体で一貫したオーディオ品質を維持します。
Discordでお気に入りのゲームキャラクターの声になろう。象徴的な声をクローンし、競技性の高いゲームのボイスチャットで使用します。
AIボイスカバー — 歌手の声でモデルを学習させ、曲のカバーバージョンを生成。YouTubeやTikTokで人気です。
自分自身や愛する人の声のデジタルバックアップを作成。将来の参照のために、誰かの声の響きを保存します。
話者の声を言語間でクローン。吹き替えのために異なる言語を話しながら、同じ声のアイデンティティを維持します。
ボイスクローンの品質は、ほぼ完全に学習データに依存します。背景音楽、リバーブ、ノイズのない、クリーンで分離されたボーカル音声は、ノイズの多い録音よりも劇的に良い結果を生み出します。 Vocal Remover / Noise Remover
学習データの多様性も重要です。異なるピッチ、感情、話す速度、ボーカルスタイルを含めること。穏やかなナレーションだけで学習したモデルは、叫び声やささやき声には苦労します。最高のモデルは、ターゲットとなる声の表現力豊かな範囲全体を捉えます。
データセットの準備、学習パラメータ、評価に関する詳細なウォークスルーについては、完全なRVC学習ガイドをお読みください。
AIボイスクローニングは、ディープラーニングを使用してターゲットとなる声のオーディオサンプルを分析し、そのユニークな特徴（音色、ピッチパターン、フォルマント構造、発音の癖）を学習します。学習済みモデルは、任意の入力音声をリアルタイムでターゲットの声のように変換できます。Echo は、わずか10分の学習オーディオで自然な響きの結果を生み出すRVC（Retrieval-based Voice Conversion）技術を使用しています。
10〜30分のクリーンで分離されたボーカル音声が理想的です。オーディオは、背景音楽やノイズのない単一の話者である必要があります。ピッチ、感情、話すスタイルの多様性が増すほど、より良い結果が得られます。5分未満では通常、品質が低くなり、30分を超えても結果はほとんど改善されず、主に学習時間が増加します。