kuresampler

WORLD と ニューラルボコーダーを利用した UTAU エンジンです。自然なクロスフェードと高品質な出音の両立を目指します。

使い方

サーバー & クライアントモード (推奨)

• kuresampler v0.1.0 で追加されたモードです。サーバー・クライアント方式により高速に動作します。
• UTAU, OpenUtau 両対応です。
• resampler として使用可能です。wavtool は通常のものを使用してください。
• resampler として下記のいずれかを指定してください。
  • kuresampler_K_Client.exe
  • kuresampler_R_Client.exe
• CUDA対応環境の場合、reinstall_torch.bat を一度実行すればGPUを使って高速レンダリングできるようになります。

スタンドアロンモード (非推奨)

• kuresampler v0.0.1 以前と同様の動作をします。
• OpenUtau 非対応です。
• resampler としてのみ使用可能です。wavtool は通常のものを使用してください。
• resampler として下記のいずれかを指定してください。
  • kuresampler_K.exe
  • kuresampler_R.exe
  • kuresampler_fast_K.exe
  • kuresampler_fast_R.exe
• fast が付くエンジンは高速ですが高負荷です。
• CUDA対応環境の場合、reinstall_torch.bat を一度実行すればGPUを使って高速レンダリングできるようになります。

エンジン比較

Engine	Vocoder Model	Description	Characteristic	Training Dataset	License or Terms	Requires notation ?
kuresampler_K.exe	usfGAN_EnunuKodoku_0826	「ENUNU蠱毒企画 歌唱データベース」を学習したモデルです。	低～高音域の男声・女声両方の幅広い声質に適します。	https://github.com/oatsu-gh/enunu_kodoku_singing	https://github.com/oatsu-gh/enunu_kodoku_singing/blob/main/README.md	NO
kuresampler_R.exe	usfGAN_NamineRitsu#4310	「NNSVS/ENUNU 波音リツ #4139 CRISSCROSS 5スタイル」で使用されているモデルです。	低中～高音域の女声に適します。音域によらず一貫した声質が得られます。	private	https://www.canon-voice.com/terms/	NO

 　　　＿＿＿
 　 .//⌒＿＿＿ ＼　　+　　　　。　　　　　+　　　　。　　　　　＊　 　　　。
 　//_／　　 ＼＼　＼ 　　　　+　　　　。　　　　　+　　　　。　　　　　＊　 　　　。
　　　　　　 　 ＼＼　＼
　　＊　　　 +　 ((　　|　　　 イヤッッホォォォオオォオウ！
　　　　　　 　　 |　　∩
　　　+　　　。　 | 　| |　＊　 　　　+　　　　。　　　　　+　　　。　+
　　　　　　　 　 | 　| |
　　　　　　　　  | 　/ |  ._　 +　　　　。　　　　　+　　　　+　　　　　＊
　　　　　＼￣￣ ~/　 　/~￣.＼
　 　　　 ||＼ 　~^~^~^~　 　　＼　　　　+　　　　。　　　　　+　　　　+　　　　　＊
　 　　 　||＼||￣￣￣￣￣￣￣||￣　　　　　　　　　　　　　　それがＶＩＰクオリティ
　 　　 　||　||￣￣￣￣￣￣￣||　　　　　　　　　　　　　https://hebi.5ch.net/news4vip/

特徴

長所と短所

• resampler のみで使用する場合
  • 長所：パラメトリック歌声合成のわりに自然な声が得られる。
  • 短所：一般的なUTAUエンジンに比べてレンダリングが遅い。
• resampler と wavtool 両方で使用する場合 (未実装)
  • 長所：パラメトリック音声合成のわりに自然な声が得られる。
  • 長所：原音の音階が異なるクロスフェードでも、比較的自然な合成ができる。
  • 短所：一般的なUTAUエンジンに比べてレンダリングが遅い。

ボコーダーモデルのつくりかた / How to make your vocoder model

• wavファイルを用意すれば nnsvs で uSFGAN ボコーダーモデルを自作可能です。

フラグ / Flags

• B, g, e, l 以外は動作未検証です。
• デフォルトの伸縮方法はストレッチ式 ( e ) です。ループ式に変更したい場合はループフラグ ( l ) を使用してください。

flag	range	default	description
B	0 ～ 100	default:50	息成分の強さ（ブレシネス）。大きいほど息っぽい。0～49では B0 の時非周期性指標が全て0になるように乗算。51～100では B100 の時、1000Hz～5000Hz 帯の非周期性指標が全て1になるように加算。
eb	0 ～ 100	default:0	語尾の息成分の強さ。大きいほど息っぽい。
ebs	-1000 ～ 1000	default:0	ノート前半部分の語尾息がかからない時間を5ms単位で指定。負の数を指定するとノート末尾からの時間。
eba	0 ～ 1000	default:0	ebフラグのアタックタイムを5ms単位で指定。
g	-100 ～ 100	default:0	疑似ジェンダー値。負で女声化・若年化、正で男声化・大人化。
t	-100 ～ 100	default:0	音程の補正。1cent単位。
P	0 ～ 100	default:86	ピークコンプレッサー。P100 の時 volume 適用前の音量最大値が -6dB になるよう正規化。P0 の時は無効。
e	-	default: True	wav の伸縮方法。通常はループ方式で、このフラグを設定するとストレッチ式になる。
l (エル)	-	default: False	wav の伸縮方法をループ式にする。
A	-100 ～ 100	default:0	ピッチ変動にあわせて音量が変化。1～100では基準より高いとき音量が小さく、-1～-100では基準より低いとき音量が小さくなる。
gw	0 ～ 500	default:0	うなり声（グロウル）。
gws	-1000 ～ 1000	default:0	ノート前半部分のグロウルがかからない時間を5ms単位で指定。負の数を指定するとノート末尾からの時間。
gwa	0 ～ 1000	default:0	gwフラグのアタックタイムを5ms単位で指定。
vf	-500 ～ 500	default:0	疑似エッジ。エッジがかかる長さを5ms単位で指定。
vfw	0 ～ 300	default:100	疑似エッジの1回あたりの長さ（%指定）。
vfp	0 ～ 100	default:20	疑似エッジの1回あたりの無音の長さ（%指定）。

Special Thanks

LEIRH (https://x.com/LEIRHds)

更新履歴

0.0.1-alpha

• 初配布

0.0.1

• 声が幼く聞こえる不具合を修正
• g フラグや B フラグ適用時にWAV合成できない不具合を修正 (同梱のPyRwuを改造)
• g フラグのフォルマントシフトのスケールを log から mel に変更 (同梱のPyRwuを改造)
• reinstall_torch.bat を追加

0.1.0

• FastAPI を使用した サーバー & クライアントモードを追加。これにより、レンダリング高速化。
  • resampler として kuresampler_K_Client.exe / kuresampler_R_Client.exe を指定して使用。
• OpenUtau 対応