Ce que vous saurez faire
- Créer un prompt vocal de 10 secondes utilisable par les deux modes de SoulX-Singer.
- Écrire une courte mélodie en notes et obtenir chaque ligne chantée juste en quatre prises.
- Générer un rap guide avec ACE-Step 1.5 sur un GPU de 6 Go et le rechanter avec votre voix grâce à SoulX SVC.
- Noter les prises et les seeds ligne par ligne avec Whisper et repérer les mots à risque mal entendus.
- Mixer le résultat à -14 LUFS et le publier avec une déclaration de contenu généré par IA.
Points clés
- Le chant par clonage vocal IA fait chanter des modèles open source avec votre propre voix clonée à partir d'environ 10 secondes de parole, sans aucun entraînement par voix.
- Une mélodie écrite va directement au mode partition de SoulX-Singer ; un rap passe par un morceau guide ACE-Step 1.5 que SoulX SVC rechante avec votre voix, au même rythme.
- Whisper large-v3 lit chaque ligne de chaque prise : la meilleure prise gagne chaque ligne, et les mots à risque mal entendus sont signalés avant publication.
- Six gigaoctets suffisent : ACE-Step sans modèle de langage, des poids INT8, un déchargement sur le CPU et une seule tâche GPU à la fois.
- Ne clonez que votre propre voix ou une voix avec accord écrit, et déclarez la chanson comme musique générée par IA lors de sa mise en ligne.
Le chant par clonage vocal IA est une technique qui fait chanter à des modèles open source une mélodie ou un morceau guide avec votre propre voix clonée, à partir d'environ 10 secondes de parole. À la fin de ce guide, vous avez une courte chanson avec votre voix, produite sur un GPU de 6 Go, et Whisper a vérifié chaque ligne.
L'installation prend un après-midi. Une chanson écrite de 4 lignes demande ensuite environ 12 minutes de GPU : 4,5 minutes pour le prompt vocal, quatre prises d'environ 1,5 minute chacune, 1 minute d'évaluation.
Chez Neomanex, je fais tourner ce pipeline pour les chansons de nos vidéos, et j'écoute chaque ligne signalée avant publication. Les exemples utilisent Pebblewick Coffee, un torréfacteur de quartier fictif.
Le chant par clonage vocal IA et ses deux voies
Choisissez la voie avec une seule question : pouvez-vous écrire la mélodie ? Si oui, le travail est simple. Sinon, il vous faut d'abord un chanteur guide.
| Voie A : mélodie écrite | Voie B : rap, ou style impossible à noter | |
|---|---|---|
| Entrée | Paroles et notes | Paroles et description de style |
| Chanteur | SoulX-Singer en mode partition chante vos notes avec votre voix | ACE-Step 1.5 crée un morceau guide ; SoulX-Singer SVC le rechante avec votre voix |
| Juge | Whisper large-v3 choisit la meilleure prise pour chaque ligne | Whisper large-v3 note chaque seed (graine aléatoire) ligne par ligne |
La SVS (singing voice synthesis, synthèse de voix chantée) chante à partir de notes et de mots. La SVC (singing voice conversion, conversion de voix chantée) prend une voix chantée existante et en remplace le timbre, en gardant son rythme et sa mélodie. SoulX-Singer fait les deux.

Sans entraînement : un prompt vocal de 10 secondes
Entraîner un modèle RVC est l'autre voie. Le projet RVC(s’ouvre dans un nouvel onglet) recommande au moins 10 minutes de parole peu bruitée et un entraînement pour chaque voix. SoulX-Singer est zero-shot : il lit un prompt de 10 secondes et n'entraîne rien, si bien que la première prise arrive le jour même. Je ne l'ai pas comparé à un modèle RVC entraîné.
Voici la voie B sur un vrai morceau : un rap chanté avec ma propre voix clonée.
Ce qu'il vous faut
Six gigaoctets suffisent si vous traitez le GPU comme une file d'attente unique. Je ne garantis rien pour les autres cartes.
| Besoin | Version que j'utilise |
|---|---|
| GPU NVIDIA avec CUDA | RTX 3060 Laptop GPU, 6 Go |
| Python et ffmpeg | Python 3.10 |
| SoulX-Singer | commit 81aeb3a, transformers 4.41.2 |
| ACE-Step 1.5 | commit ca1e85f |
| faster-whisper | 1.2.1 |
| Une voix que vous avez le droit d'utiliser | La vôtre, ou une voix dont le propriétaire a donné son accord écrit |
Le répertoire de modèles Neomanex recense les modèles à poids ouverts que nous suivons.

Une seule tâche GPU tourne à la fois, derrière un verrou. Avant le chargement d'un modèle, la carte reste sous 600 Mio pendant 45 secondes. Whisper tourne sur CUDA en float16, jamais en int8, jamais sur le CPU.
Étape 1 : enregistrer un prompt vocal de 10 secondes
C'est le prompt qui décide de la part de vous qui passe dans le chant, alors gardez-le propre et court. Utilisez environ 10 secondes de parole avec votre voix : un enregistrement propre, ou une prise propre issue d'un clone de synthèse vocale (TTS, text-to-speech) de votre propre voix. Une prise TTS fonctionne comme prompt ; l'étape 5 explique où l'audio synthétique pose problème. Celui de Pebblewick dit « This is my voice, recorded for a song I write myself. »
Le pipeline garde les 10 premières secondes et construit deux prompts. Le prompt SVC est en 24 kHz mono, avec un fichier de hauteur RMVPE. Le prompt du mode partition est en 44,1 kHz mono, passé par le prétraitement de SoulX pour obtenir les temps des mots, les notes et la hauteur. Débruitez-le pour le mode partition, où un enregistrement brut fait dans une pièce perd des mots. Les deux versions conviennent pour la SVC.
Étape 2 : écrire la mélodie en notes
Écrire les notes paraît lent, et c'est pourtant ce qui fait sortir juste chaque ligne par la suite. Un fichier de chanson contient un token par note : une hauteur MIDI et une durée en temps. ~ lie une syllabe à la note suivante. _ tient un mélisme et termine le mot ; sans lui, le mot suivant se colle à la voyelle tenue.
« Wake Up Warm », le jingle de Pebblewick, est à 100 BPM en do majeur :
| Ligne | Paroles |
|---|---|
| 1 | Wake up warm, the kettle's on |
| 2 | Pebblewick pours it slow |
| 3 | Beans we roast before the dawn |
| 4 | One more cup before you go |
Je garde une voix d'homme entre D3 et D4 (notation anglo-saxonne). La dernière note de chaque mot tient 92 % de sa durée, puis laisse place à un silence, pour que les consonnes restent séparées. Utilisez le mode partition pour une chanson écrite : le mode mélodie appliqué à une voix empruntée transforme les nouvelles consonnes en charabia.
La ligne 2 en tokens (syllabe, hauteur MIDI, temps) :
Peb~ 52 0.5 | ble~ 55 0.5 | wick 57 1 | pours 60 1 | it 57 0.5 | slow~ 55 1 | _ 52 2
Le mode partition ne lit pas les tokens. Un petit convertisseur transforme chaque ligne en un segment cible : chaque note porte son mot, l'ARPAbet du mot issu de g2p_en, une hauteur (0 pour un silence) et un type de note (2 commence un mot, 3 le prolonge, 1 est un silence). À 100 BPM, un temps dure 0,6 seconde :
{"text": "<SP> Pebblewick Pebblewick Pebblewick <SP> pours <SP> ...",
"note_pitch": "0 52 55 57 0 60 0 ...",
"note_type": "1 2 3 3 1 2 1 ...",
"duration": "0.200 0.300 0.300 0.552 0.048 0.552 0.048 ..."}
La liste des segments est song/lead.json, la cible utilisée dans les commandes de la dernière section.
Étape 3 : chanter quatre prises et laisser Whisper choisir chaque ligne
Ne vous fiez jamais à votre seule oreille sur une prise. Laissez Whisper lire chaque ligne, puis écoutez la prise retenue.
SoulX-Singer échantillonne, donc chaque prise est différente. J'en lance quatre. Whisper large-v3 (beam 5, sans conditionnement sur le texte précédent) transcrit isolément chaque ligne de chaque prise. Chaque case donne la similarité textuelle entre ce que Whisper a entendu et les paroles, de 0 à 1. Le score le plus haut gagne la ligne ; en cas d'égalité, la prise au plus petit numéro l'emporte.
| Ligne | Prise 1 | Prise 2 | Prise 3 | Prise 4 | Choix |
|---|---|---|---|---|---|
| 1 | « Wake up one, the kettle's on » 0,83 | 1,00 | 1,00 | 1,00 | prise 2 |
| 2 | « Pebble wick pours it slow » 0,67 | « Pebblewick pause it slow » 0,75 | 1,00 | 1,00 | prise 3 |
| 3 | 1,00 | « Beings we roast before the dawn » 0,83 | 1,00 | 1,00 | prise 1 |
| 4 | « One more cut before you go » 0,83 | 1,00 | 1,00 | 1,00 | prise 2 |
Cinq ratés sur 16 cases, des choix 2, 3, 1, 2, et chaque ligne retenue est juste. La deuxième meilleure prise peut se placer sous la prise retenue pour doubler la voix.

Étape 4 : générer un rap guide avec ACE-Step 1.5
Le chanteur guide est une doublure : vous voulez son rythme, pas sa voix, alors demandez une voix sèche et sans effets. La description de style de Pebblewick est « boom bap hip hop, solo male rapper, clear diction, dry upfront vocal », 90 BPM, 30 secondes, quatre lignes de 10 mots :
| Ligne | Paroles |
|---|---|
| 1 | Up at five with the drum turning beans to gold |
| 2 | Pebblewick roast got a caramel kick when it gets cold |
| 3 | We ship the beans the day we roast, never stale |
| 4 | Pour it slow, raise a cup, every sip tells the tale |
Sur 6 Go, ACE-Step 1.5 fait tourner le DiT turbo de 2 milliards de paramètres sans modèle de langage (thinking et chain of thought désactivés), avec une quantification INT8 des seuls poids et un déchargement sur le CPU. Le modèle de langage de 1,7 milliard de paramètres ne tient pas à côté du DiT, et de toute façon il réécrit votre description et vos paroles.
La même seed avec les mêmes paroles donne un guide identique à l'octet près. ACE-Step ajoute des ad-libs et répète ou supprime une ligne du refrain, donc une partie de chaque score porte sur la structure.
Étape 5 : rechanter le guide avec votre voix grâce à SoulX SVC
La SVC copie la performance à l'identique, erreurs comprises, donc un guide propre compte davantage que le prompt. Un modèle karaoké mel-band roformer sépare la voix principale de l'instru, et RMVPE extrait la hauteur. Rien ne retire la réverbération, d'où l'importance de la voix sèche de l'étape 4 : la SVC perd des consonnes sous la réverbération. SoulX-Singer SVC avec --auto_shift la rechante avec votre voix et dans votre tessiture, avec le même rythme, par-dessus l'instru d'ACE-Step.

La SVC garde le flow et estompe les consonnes dures. Elle a besoin d'une vraie performance en dessous : sur un clone TTS de votre voix qui lit le rap, elle dégrade les mots. Un prompt synthétique convient ; une voix synthétique à convertir, non.
Je construis des pipelines comme celui-ci avec des agents IA sur des workflows écrits et je montre le travail chaque semaine. Découvrez comment nous travaillons, de l'intérieur, sur neomanex.com/fr/join.
Étape 6 : noter chaque seed, ligne par ligne
Je note chaque seed par rapport aux paroles. Whisper lit la voix convertie par fenêtres de 5 secondes, chaque bord étant calé sur les 20 ms les plus silencieuses à moins de 0,3 seconde, pour qu'aucune coupe ne tombe au milieu d'un mot. Les mots entendus sont alignés sur les paroles par distance d'édition, et chaque erreur est imputée à sa ligne. Le WER (word error rate, taux d'erreur sur les mots) correspond au nombre d'erreurs divisé par les 40 mots des paroles. Une ligne est signalée quand Whisper entend un mot d'une liste à risque (grossièretés et mots à caractère sexuel).
| Ligne | Seed 1 | Seed 2 | Seed 3 |
|---|---|---|---|
| 1 | 6 | 3 | 4 |
| 2 | 4 | 2 | 2 |
| 3 | 5 | 3, à risque : « We sh*t the beans » | 3 |
| 4 | 5 | 2 | 3 |
| WER | 0,50 | 0,25 (le plus bas) | 0,30 |
| Verdict | écartée par le score | écartée par la ligne 3 | à publier après écoute |
La seed 2 obtient le meilleur score et perd quand même. Je choisis la seed 3, au score puis à l'oreille.

Étape 7 : mixer à -14 LUFS et l'étiqueter comme créé par IA
Un mixage qui enterre les mots annule tout le travail d'évaluation. Whisper évalue la prise sèche ; le mixage n'ajoute que des effets légers. Les deux voies appliquent un passe-haut à 90 Hz sur la voix et arrivent à -14 LUFS, true peak à -1,5 dBTP, plage de loudness de 9. La voie B ajoute un compresseur 2,5:1 et +2 dB à 3,5 kHz, pour égaler le niveau vocal du guide. La voie A creuse la plage de 1 à 5 kHz de l'accompagnement sous la voix.
Conservez le wav de chaque prise retenue : SoulX ne chante jamais deux fois la même entrée de la même façon. Écoutez chaque ligne signalée. Puis étiquetez la mise en ligne : YouTube demande aux créateurs de déclarer la musique générée par IA(s’ouvre dans un nouvel onglet) avec le paramètre « AI use » (utilisation de l'IA) dans YouTube Studio.
Ce qui tourne mal, et la règle née de chaque échec
Chaque échec ici était silencieux : la prise sonnait bien et les mots étaient faux.
| Échec (transposé à Pebblewick) | Règle adoptée |
|---|---|
| Des seeds avec les mêmes paroles et les mêmes réglages allaient du propre à l'inutilisable | Lancer plusieurs seeds, noter chacune ligne par ligne, choisir au score, puis à l'oreille |
| La SVC a gardé le rythme et estompé « kick » | Demander un guide sec, solo, à la diction claire ; évaluer après la conversion |
| Whisper a entendu « ship » comme une grossièreté | Signaler les mots à risque ligne par ligne ; ne jamais publier une prise signalée sans l'avoir écoutée |
| Un rap rapide transcrit d'un seul bloc perdait ses premières secondes | Évaluer par fenêtres de 5 secondes calées sur les silences |
| De nouvelles paroles sur une courbe de hauteur empruntée sont devenues inintelligibles | Écrire la mélodie et utiliser le mode partition |
| Une autre tâche a pris la carte entre la vérification de mémoire libre et le chargement : mémoire saturée | Une seule tâche GPU à la fois derrière un verrou, attendre que la carte soit inactive ; le chant est relancé après un manque de mémoire |
Transformer les échecs en règles est une boucle à part entière : construire un système d'IA qui s'améliore tout seul.
Construire votre pipeline : le jeu de commandes minimal
Commencez par la voie A sur quatre lignes. Dès qu'une ligne revient propre, le reste n'est que répétition. Ces commandes utilisent les projets d'origine aux versions indiquées plus haut.
SoulX-Singer, une prise en mode partition (métadonnées du prompt issues du prétraitement de SoulX, song/lead.json issu de votre convertisseur) :
git clone https://github.com/Soul-AILab/SoulX-Singer.git && cd SoulX-Singer && git checkout 81aeb3a
python3.10 -m venv .venv && .venv/bin/pip install -r requirements.txt huggingface_hub
.venv/bin/hf download Soul-AILab/SoulX-Singer --local-dir pretrained_models/SoulX-Singer
.venv/bin/hf download Soul-AILab/SoulX-Singer-Preprocess --local-dir pretrained_models/SoulX-Singer-Preprocess
.venv/bin/python -m cli.inference --device cuda --control score \
--model_path pretrained_models/SoulX-Singer/model.pt --config soulxsinger/config/soulxsinger.yaml \
--prompt_wav_path prompt/vocal.wav --prompt_metadata_path prompt/metadata.json \
--target_metadata_path song/lead.json --phoneset_path soulxsinger/utils/phoneme/phone_set.json \
--save_dir out/take1
ACE-Step 1.5, un rap guide dans la configuration 6 Go :
cd .. && git clone https://github.com/ACE-Step/ACE-Step-1.5.git && cd ACE-Step-1.5 && git checkout ca1e85f && uv sync
Enregistrez ceci sous guide.py dans ACE-Step-1.5, avec vos paroles dans rap.txt à côté, et lancez-le avec uv run python guide.py :
from acestep.handler import AceStepHandler
from acestep.llm_inference import LLMHandler
from acestep.inference import GenerationParams, GenerationConfig, generate_music
dit = AceStepHandler()
dit.initialize_service(project_root=".", config_path="acestep-v15-turbo", device="cuda",
offload_to_cpu=True, offload_dit_to_cpu=True, quantization="int8_weight_only")
p = GenerationParams(caption="boom bap hip hop, solo male rapper, clear diction, dry upfront vocal",
lyrics=open("rap.txt").read(), vocal_language="en", bpm=90, duration=30,
thinking=False, use_cot_metas=False, use_cot_caption=False, use_cot_language=False, seed=3)
generate_music(dit, LLMHandler(), p, GenerationConfig(batch_size=1, audio_format="wav",
use_random_seed=False, seeds=[3]), save_dir="guide")
Séparation et hauteur, avec les outils de prétraitement de SoulX : de retour dans SoulX-Singer avec son venv, copiez le wav écrit par ACE-Step vers guide/seed3.wav (cd ../SoulX-Singer && mkdir -p guide, puis copiez le fichier depuis ../ACE-Step-1.5/guide/) :
import soundfile as sf
from preprocess.tools import VocalSeparator, F0Extractor
P = "pretrained_models/SoulX-Singer-Preprocess/"
sep = VocalSeparator(
sep_model_path=P + "mel-band-roformer-karaoke/mel_band_roformer_karaoke_becruily.ckpt",
sep_config_path=P + "mel-band-roformer-karaoke/config_karaoke_becruily.yaml",
der_model_path=P + "dereverb_mel_band_roformer/dereverb_mel_band_roformer_anvuew_sdr_19.1729.ckpt",
der_config_path=P + "dereverb_mel_band_roformer/dereverb_mel_band_roformer_anvuew.yaml", device="cuda")
r = sep.process("guide/seed3.wav")
sf.write("guide/vocal.wav", r.vocals.T, r.sample_rate)
sf.write("guide/beat.wav", r.accompaniment.T, r.sample_rate)
f0 = F0Extractor(model_path=P + "rmvpe/rmvpe.pt", device="cuda")
for w in ("guide/vocal.wav", "prompt/vocal.wav"):
f0.process(w, f0_path=w.replace(".wav", "_f0.npy"))
SoulX SVC, la voix guide séparée, chantée avec votre voix :
.venv/bin/python -m cli.inference_svc --device cuda --auto_shift \
--model_path pretrained_models/SoulX-Singer/model-svc.pt --config soulxsinger/config/soulxsinger.yaml \
--prompt_wav_path prompt/vocal.wav --prompt_f0_path prompt/vocal_f0.npy \
--target_wav_path guide/vocal.wav --target_f0_path guide/vocal_f0.npy --save_dir out/svc
faster-whisper, une ligne ou une fenêtre :
from faster_whisper import WhisperModel
m = WhisperModel("large-v3", device="cuda", compute_type="float16")
segments, _ = m.transcribe("line2.wav", language="en", beam_size=5, condition_on_previous_text=False)
heard = " ".join(s.text.strip() for s in segments)
Envie de voir la prochaine chanson se fabriquer, prise par prise ? Découvrez comment nous travaillons, de l'intérieur, sur neomanex.com/fr/join.
Étapes
Enregistrer un prompt vocal de 10 secondes
Utilisez environ 10 secondes de parole propre avec votre voix, coupées aux 10 premières secondes. Construisez un prompt 24 kHz mono avec un fichier de hauteur pour la SVC, et un prompt prétraité par SoulX pour le mode partition.
Écrire la mélodie en notes
Écrivez un token par note, avec une hauteur MIDI et une durée en temps. Liez les syllabes entre les notes avec ~, terminez un mélisme tenu par _, et gardez une voix d'homme entre D3 et D4.
Chanter quatre prises et laisser Whisper choisir chaque ligne
Chantez quatre prises avec SoulX-Singer en mode partition. Whisper large-v3 transcrit chaque ligne de chaque prise, et la prise la plus proche des paroles gagne chaque ligne.
Générer un rap guide avec ACE-Step 1.5
Rédigez une description de style qui demande un rappeur solo, une diction claire et une voix sèche mise en avant. Lancez le modèle turbo de 2 milliards de paramètres sans modèle de langage, avec des poids INT8 et un déchargement sur le CPU, une seed par guide.
Rechanter le guide avec votre voix grâce à SoulX SVC
Séparez la voix du guide de l'instru et extrayez la hauteur. Lancez SoulX-Singer SVC avec le décalage automatique, puis replacez votre nouvelle voix sur l'instru.
Noter chaque seed, ligne par ligne
Transcrivez la voix convertie par fenêtres de 5 secondes calées sur les silences, alignez les mots sur les paroles et comptez les erreurs par ligne. Écartez toute seed qui contient un mot à risque mal entendu, puis choisissez au score et à l'oreille.
Mixer à -14 LUFS et l'étiqueter comme créé par IA
Appliquez un passe-haut à 90 Hz sur la voix, gardez des effets légers et normalisez à -14 LUFS avec un true peak de -1,5 dBTP. Écoutez chaque ligne signalée et déclarez la mise en ligne comme musique générée par IA.
Questions fréquentes
Qu'est-ce que le chant par clonage vocal IA ?
Le chant par clonage vocal IA est une technique qui fait chanter à des modèles open source une mélodie ou un morceau guide avec votre propre voix clonée, à partir d'environ 10 secondes de parole. Une mélodie écrite passe par le mode partition de SoulX-Singer, qui chante vos notes. Un rap passe par un morceau guide ACE-Step 1.5 que SoulX-Singer SVC rechante avec votre voix, au même rythme. Aucun entraînement par voix n'est nécessaire.
À qui s'adresse le chant par clonage vocal IA en open source ?
Le chant par clonage vocal IA en open source s'adresse aux makers, aux créateurs et aux petits studios équipés d'un GPU NVIDIA grand public de 6 Go ou plus, qui veulent des jingles, des intros ou de courtes chansons avec leur propre voix. SoulX-Singer, ACE-Step 1.5 et Whisper tournent tous en local sur cette carte, et Whisper vérifie chaque ligne chantée par rapport aux paroles avant toute publication.
Comment faire chanter une IA avec ma propre voix gratuitement ?
Enregistrez environ 10 secondes de parole propre avec votre voix. Écrivez ensuite la mélodie en notes, un token par note, et chantez quatre prises avec SoulX-Singer en mode partition. Whisper large-v3 transcrit chaque ligne de chaque prise, et la prise la plus proche des paroles gagne chaque ligne. Tous les modèles sont open source et tournent sur votre propre GPU. N'utilisez que votre voix ou une voix avec accord écrit.
Faut-il entraîner un modèle sur ma voix pour la faire chanter ?
Non. SoulX-Singer est zero-shot : il lit un prompt vocal de 10 secondes au moment de l'inférence et n'entraîne rien par voix. Entraîner un modèle RVC est l'autre voie, et le projet RVC recommande au moins 10 minutes de parole peu bruitée plus un entraînement pour chaque voix. Le zero-shot se met en place plus vite, et un modèle RVC entraîné reste l'alternative quand vous disposez des enregistrements.
Une IA peut-elle rapper avec ma propre voix grâce à des modèles open source ?
Oui. ACE-Step 1.5 génère un rap guide à partir de vos paroles et d'une description de style, et SoulX-Singer SVC rechante ce guide avec votre voix, au même rythme. La SVC garde le flow et estompe les consonnes dures, donc chaque seed donne un résultat différent. Générez plusieurs seeds, notez chacune ligne par ligne avec Whisper large-v3, et choisissez au score puis à l'oreille.
ACE-Step 1.5 et SoulX-Singer tournent-ils sur un GPU de 6 Go ?
Oui, sur un RTX 3060 Laptop GPU de 6 Go. ACE-Step 1.5 fait tourner le DiT turbo de 2 milliards de paramètres sans modèle de langage, avec une quantification INT8 des seuls poids et un déchargement sur le CPU. SoulX-Singer et Whisper large-v3 (float16) se chargent chacun seul, car une seule tâche GPU tourne à la fois. Avant chaque chargement, la carte reste sous 600 Mio pendant 45 secondes. Les autres cartes n'ont pas été testées.
Puis-je cloner la voix de quelqu'un d'autre pour la faire chanter ?
Seulement avec l'accord écrit de la personne à qui appartient la voix. Le chant par clonage vocal IA fonctionne avec n'importe quel prompt de 10 secondes, donc c'est le consentement qui en fixe la limite : clonez votre propre voix, ou une voix dont le propriétaire a donné son accord par écrit, et jamais celle d'une personnalité publique sans cet accord. Lorsque vous publiez la chanson, YouTube demande aux créateurs de déclarer la musique générée par IA avec le paramètre « AI use » (utilisation de l'IA) au moment de la mise en ligne.
Comment savoir si l'IA a chanté les bons mots ?
Transcrivez chaque prise avec Whisper large-v3 et comparez-la aux paroles. Pour une mélodie écrite, Whisper lit chaque ligne isolément et la prise la plus proche gagne la ligne. Pour un rap, Whisper lit des fenêtres de 5 secondes calées sur les silences, et chaque erreur est imputée à sa ligne de paroles. Les lignes où Whisper entend une grossièreté sont signalées : écoutez chacune d'elles avant de publier.
