从拼接到神经网络:歌声合成的二十年

本文回顾了歌声合成二十年的技术演进，分为三个阶段：拼接时代（2000—2012），厂商录制音节采样按需拼接，代表有MEIKO、初音未来；参数时代（2008—2020），UTAU等工具让音高、力度、气声等参数可调，调参成为手艺；神经网络时代（2021至今），声学模型直接从数据学习歌声，经声码器还原波形，代表有DiffSinger、ACE Studio及开源歌声转换模型。文章还介绍了三条技术路线、实时转换的延迟挑战、版权与平台规则提醒，并给出初学者路线清单：先跑通推理，再调参，最后才碰训练。结论指出未来最稀缺的是可控、可授权、能进生产线的嗓子，战场在数据治理而非参数量。