Guias

Canto com voz clonada por IA em open source: sem treino, em 6 GB

O canto com voz clonada por IA é uma técnica que põe modelos open source a cantar uma melodia ou uma canção-guia com a sua própria voz clonada, a partir de cerca de 10 segundos de fala. Uma melodia escrita vai diretamente para o SoulX-Singer; um rap passa primeiro por uma canção-guia do ACE-Step 1.5, e o Whisper verifica cada verso.

David Marsa

David Marsa

Founder & CEO

Intermédio11 min de leituraPublicado em 18/11/2026

Última verificação: 18/11/2026

Dez segundos de fala, mais notas escritas ou um beat gerado, fundem-se numa única voz a cantar.

O que vai conseguir fazer

  • Criar um prompt de voz de 10 segundos que os dois modos do SoulX-Singer conseguem usar.
  • Escrever uma melodia curta em notas e obter cada verso bem cantado em quatro takes.
  • Gerar um rap-guia com o ACE-Step 1.5 numa GPU de 6 GB e voltar a cantá-lo com a sua voz no SoulX SVC.
  • Pontuar takes e sementes verso a verso com o Whisper e apanhar palavras impróprias mal ouvidas.
  • Misturar o resultado a -14 LUFS e publicá-lo com a indicação de conteúdo gerado por IA.

Pontos-chave

  • O canto com voz clonada por IA põe modelos open source a cantar com a sua própria voz clonada a partir de cerca de 10 segundos de fala, sem treino por voz.
  • Uma melodia escrita vai diretamente para o modo score do SoulX-Singer; um rap passa por uma canção-guia do ACE-Step 1.5 que o SoulX SVC volta a cantar com a sua voz, com o mesmo ritmo.
  • O Whisper large-v3 lê cada verso de cada take, por isso o melhor take ganha cada verso e as palavras impróprias mal ouvidas ficam assinaladas antes de publicar.
  • Seis gigabytes chegam: o ACE-Step sem modelo de linguagem, com pesos INT8 e descarga para a CPU, e um trabalho de GPU de cada vez.
  • Clone apenas a sua voz ou uma com consentimento escrito, e identifique a canção como música gerada por IA quando a carregar.

O canto com voz clonada por IA é uma técnica que põe modelos open source a cantar uma melodia ou uma canção-guia com a sua própria voz clonada, a partir de cerca de 10 segundos de fala. No fim, tem uma canção curta com a sua voz, feita numa GPU de 6 GB, com cada verso verificado pelo Whisper.

A instalação leva uma tarde. Depois, uma canção escrita de 4 versos leva cerca de 12 minutos de GPU: 4,5 minutos para o prompt de voz, quatro takes de cerca de 1,5 minutos cada e 1 minuto de avaliação.

Na Neomanex corro este pipeline para as canções dos nossos vídeos e ouço cada verso assinalado antes de sair. Os exemplos usam a Pebblewick Coffee, uma torrefação de bairro fictícia.

O que é o canto com voz clonada por IA, e os dois caminhos

Escolha o caminho com uma pergunta: consegue escrever a melodia? Se sim, o trabalho é fácil. Se não, precisa primeiro de um cantor-guia.

Caminho A: melodia escritaCaminho B: rap, ou um estilo que não consegue escrever em notas
EntradaLetra mais notasLetra mais uma descrição de estilo
CantorO modo score do SoulX-Singer canta as suas notas com a sua vozO ACE-Step 1.5 cria uma canção-guia; o SoulX-Singer SVC volta a cantá-la com a sua voz
JuizO Whisper large-v3 escolhe o melhor take por versoO Whisper large-v3 pontua cada semente por verso

O SVS (síntese de voz cantada) canta a partir de notas e palavras. O SVC (conversão de voz cantada) pega numa voz já gravada e troca o timbre, mas mantém o ritmo e a melodia. O SoulX-Singer faz as duas coisas.

Se consegue escrever a melodia, o SoulX-Singer canta-a; se não, o ACE-Step cria um guia que o SoulX volta a cantar com a sua voz, e os dois caminhos terminam numa mistura a -14 LUFS.

Sem treino: um prompt de voz de 10 segundos

Treinar um modelo RVC é o outro caminho. O projeto RVC(abre num novo separador) recomenda pelo menos 10 minutos de fala com pouco ruído e um treino por voz. O SoulX-Singer é zero-shot: lê um prompt de 10 segundos e não treina nada, por isso o primeiro take sai na mesma tarde. Não o medi face a um modelo RVC treinado.

Aqui está o caminho B numa canção real: um rap cantado com a minha própria voz clonada.

Do que precisa

Seis gigabytes chegam se tratar a GPU como uma fila única. Não prometo nada para outras placas.

RequisitoVersão que uso
GPU NVIDIA com CUDARTX 3060 Laptop GPU, 6 GB
Python e ffmpegPython 3.10
SoulX-Singercommit 81aeb3a, transformers 4.41.2
ACE-Step 1.5commit ca1e85f
faster-whisper1.2.1
Uma voz que pode usarA sua, ou uma com o consentimento escrito do dono

O diretório de modelos da Neomanex lista os modelos de pesos abertos que acompanhamos.

Seis gigabytes chegam quando o modelo de linguagem fica desligado e só um modelo ocupa a placa.

Corre um trabalho de GPU de cada vez, atrás de um bloqueio (lock). Antes de um modelo carregar, a placa fica abaixo de 600 MiB durante 45 segundos. O Whisper corre em CUDA com float16, nunca int8, nunca na CPU.

Passo 1: grave um prompt de voz de 10 segundos

O prompt decide quanto de si passa para a voz, por isso mantenha-o limpo e curto. Use cerca de 10 segundos de fala com a sua voz: uma gravação limpa, ou um take limpo de um clone de texto para fala (TTS) da sua própria voz. Um take de TTS serve como prompt; o passo 5 explica onde o áudio sintético prejudica. O da Pebblewick diz «This is my voice, recorded for a song I write myself.» (Esta é a minha voz, gravada para uma canção que eu próprio escrevo.)

O pipeline guarda os primeiros 10 segundos e constrói dois prompts. O prompt de SVC é mono a 24 kHz, mais um ficheiro de altura tonal RMVPE. O prompt do modo score é mono a 44,1 kHz, passado pelo pré-processamento do SoulX para obter os tempos das palavras, as notas e a altura tonal. Remova o ruído para o modo score, onde uma gravação de sala em bruto perde palavras. Para o SVC, qualquer um serve.

Passo 2: escreva a melodia em notas

Escrever notas parece lento, e é isso que faz cada verso seguinte sair certo. Um ficheiro de canção tem um token por nota: uma altura MIDI e uma duração em tempos. ~ liga uma sílaba à nota seguinte. _ sustenta um melisma e termina a palavra; sem ele, a palavra seguinte cola-se à vogal sustentada.

«Wake Up Warm», o jingle da Pebblewick, corre a 100 BPM em dó maior:

VersoLetra
1Wake up warm, the kettle's on
2Pebblewick pours it slow
3Beans we roast before the dawn
4One more cup before you go

Mantenho uma voz masculina entre D3 e D4. A última nota de cada palavra dura 92 % do seu comprimento e depois faz pausa, para as consoantes ficarem separadas. Use o modo score para uma canção escrita: o modo melody sobre uma voz emprestada transforma as consoantes novas numa algaraviada.

O verso 2 em tokens (sílaba, altura MIDI, tempos):

Peb~ 52 0.5 | ble~ 55 0.5 | wick 57 1 | pours 60 1 | it 57 0.5 | slow~ 55 1 | _ 52 2

O modo score não lê tokens. Um conversor curto transforma cada verso num segmento-alvo: cada nota leva a sua palavra, o ARPAbet da palavra obtido com g2p_en, uma altura (0 para uma pausa) e um tipo de nota (2 começa uma palavra, 3 continua-a, 1 é uma pausa). A 100 BPM, um tempo dura 0,6 segundos:

{"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 ..."}

A lista de segmentos é song/lead.json, o alvo nos comandos de construção.

Passo 3: cante quatro takes e deixe o Whisper escolher cada verso

Nunca confie só no seu ouvido para avaliar um take. Deixe o Whisper ler cada verso e depois ouça a escolha.

O SoulX-Singer faz amostragem, por isso cada take sai diferente. Canto quatro. O Whisper large-v3 (beam 5, sem condicionamento no texto anterior) transcreve cada verso de cada take isoladamente. Cada célula dá a semelhança de texto entre o que o Whisper ouviu e a letra, de 0 a 1. A pontuação mais alta ganha o verso; em caso de empate, ganha o take de número mais baixo.

VersoTake 1Take 2Take 3Take 4Escolha
1«Wake up one, the kettle's on» 0,831,001,001,00take 2
2«Pebble wick pours it slow» 0,67«Pebblewick pause it slow» 0,751,001,00take 3
31,00«Beings we roast before the dawn» 0,831,001,00take 1
4«One more cut before you go» 0,831,001,001,00take 2

Cinco falhas em 16 células, escolhas 2, 3, 1, 2, e todos os versos escolhidos estão certos. O segundo melhor take pode ficar por baixo da escolha como duplicação vocal.

O Whisper lê cada verso de cada take, e o take mais próximo da letra ganha cada verso.

Passo 4: gere um rap-guia com o ACE-Step 1.5

O cantor-guia é um substituto: quer o ritmo dele, não a voz, por isso peça uma voz seca e simples. A descrição da Pebblewick é «boom bap hip hop, solo male rapper, clear diction, dry upfront vocal», 90 BPM, 30 segundos, quatro versos de 10 palavras:

VersoLetra
1Up at five with the drum turning beans to gold
2Pebblewick roast got a caramel kick when it gets cold
3We ship the beans the day we roast, never stale
4Pour it slow, raise a cup, every sip tells the tale

Em 6 GB, o ACE-Step 1.5 corre o DiT turbo de 2B sem modelo de linguagem (thinking e chain of thought desligados), com quantização INT8 só dos pesos e descarga para a CPU (CPU offload). O modelo de linguagem de 1,7B não cabe ao lado do DiT e, de qualquer forma, reescreve a sua descrição e a sua letra.

A mesma semente e as mesmas palavras dão um guia idêntico byte a byte. O ACE-Step acrescenta ad-libs e repete ou corta um verso do refrão, por isso parte de cada pontuação é estrutura.

Passo 5: volte a cantar o guia com a sua voz no SoulX SVC

O SVC copia a interpretação tal como está, erros incluídos, por isso um guia limpo importa mais do que o prompt. Um modelo de karaoke mel-band roformer separa a voz principal do beat, e o RMVPE extrai a altura tonal. Nada remove a reverberação, por isso a voz seca do passo 4 importa: o SVC perde consoantes debaixo de reverberação. O SoulX-Singer SVC com --auto_shift volta a cantá-la com a sua voz e na sua tessitura, com o mesmo ritmo, sobre o beat do ACE-Step.

O SVC mantém o ritmo do guia palavra a palavra e troca a voz; é nas consoantes duras que perde palavras.

O SVC mantém o flow e esbate as consoantes duras. Precisa de uma interpretação real por baixo: sobre um clone TTS da sua voz a ler o rap, piora as palavras. Um prompt sintético serve; uma voz sintética para converter não serve.

Construo pipelines como este com agentes de IA em fluxos de trabalho escritos e mostro o trabalho todas as semanas. Veja como o fazemos, por dentro, em neomanex.com/pt/join.

Passo 6: pontue cada semente, verso a verso

Pontuo cada semente face à letra. O Whisper lê a voz convertida em janelas de 5 segundos, com cada extremidade ajustada aos 20 ms mais silenciosos num raio de 0,3 segundos, para que nenhum corte caia a meio de uma palavra. As palavras ouvidas alinham-se com a letra por distância de edição, e cada erro é atribuído ao seu verso. A WER (taxa de erro por palavra) é o número de erros a dividir pelas 40 palavras da letra. Um verso fica assinalado quando o Whisper ouve uma palavra de uma lista de palavras impróprias (palavrões e termos sexuais).

VersoSemente 1Semente 2Semente 3
1634
2422
353, imprópria: «We sh*t the beans»3
4523
WER0,500,25 (a mais baixa)0,30
Vereditoexcluída pela pontuaçãoexcluída pelo verso 3publicar depois de ouvir

A semente 2 tem a melhor pontuação e mesmo assim perde. Escolho a semente 3 pela pontuação e pelo ouvido.

A pontuação mais baixa nem sempre é o take a publicar: uma palavra imprópria mal ouvida num só verso exclui uma semente.

Passo 7: misture a -14 LUFS e identifique-a como feita por IA

Uma mistura que enterra as palavras desfaz a avaliação. O Whisper avalia o take seco; a mistura só acrescenta efeitos leves. Os dois caminhos aplicam à voz um filtro passa-alto a 90 Hz e chegam a -14 LUFS, com pico real (true peak) de -1,5 dBTP e intervalo de loudness de 9. O caminho B acrescenta um compressor de 2,5:1 e +2 dB a 3,5 kHz, para igualar o nível da voz do guia. O caminho A baixa a gama de 1 a 5 kHz da banda por baixo da voz.

Guarde o wav de cada take escolhido: o SoulX nunca canta duas vezes da mesma forma a mesma entrada. Ouça cada verso assinalado. Depois identifique o conteúdo ao carregá-lo: o YouTube pede aos criadores que divulguem música gerada por IA(abre num novo separador) com a definição «AI use» (utilização de IA) no YouTube Studio.

O que corre mal, e a regra que cada falha deixou

Todas as falhas aqui foram silenciosas: o take soava bem e as palavras estavam erradas.

Falha (recontada com a Pebblewick)Regra atual
Sementes com as mesmas palavras e definições foram de limpas a inutilizáveisCorra várias sementes, pontue cada uma verso a verso e escolha pela pontuação, depois pelo ouvido
O SVC manteve o ritmo e esbateu «kick»Peça um guia seco, a solo e com dicção clara; avalie depois da conversão
O Whisper ouviu «ship» como um palavrãoAssinale palavras impróprias por verso; nunca publique um take assinalado sem o ouvir
Um rap rápido transcrito de uma só vez perdeu os primeiros segundosAvalie em janelas de 5 segundos ajustadas ao silêncio
Uma letra nova sobre uma curva de altura emprestada saiu ininteligívelEscreva a melodia e use o modo score
Outro trabalho ocupou a placa entre a verificação de memória livre e o carregamento: falta de memóriaUm trabalho de GPU de cada vez, atrás de um bloqueio, à espera de uma placa livre; o canto volta a tentar depois de uma falta de memória

Transformar falhas em regras é um ciclo próprio: construa um sistema de IA que se melhora a si próprio.

Construa o seu: o conjunto mínimo de comandos

Comece pelo caminho A com quatro versos. Assim que um verso sair limpo, o resto é repetição. Estes comandos usam os projetos originais nas versões acima.

SoulX-Singer, um take em modo score (metadados do prompt do pré-processamento do SoulX, song/lead.json do seu conversor):

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, um rap-guia no escalão de 6 GB:

cd .. && git clone https://github.com/ACE-Step/ACE-Step-1.5.git && cd ACE-Step-1.5 && git checkout ca1e85f && uv sync

Guarde isto como guide.py dentro de ACE-Step-1.5, com a sua letra em rap.txt ao lado, e corra-o com 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")

Separação e altura tonal, com as ferramentas de pré-processamento do próprio SoulX: de volta ao SoulX-Singer, com o respetivo venv, copie o wav que o ACE-Step escreveu para guide/seed3.wav (cd ../SoulX-Singer && mkdir -p guide e depois copie o ficheiro de ../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, a voz-guia separada cantada com a sua voz:

.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, um verso ou uma janela:

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)

Quer ver a próxima canção a ser feita, take a take? Veja como o fazemos, por dentro, em neomanex.com/pt/join.

Passos

  1. Grave um prompt de voz de 10 segundos

    Use cerca de 10 segundos de fala limpa com a sua voz, cortada nos primeiros 10 segundos. Crie um prompt mono a 24 kHz com um ficheiro de altura tonal para o SVC e um prompt pré-processado pelo SoulX para o modo score.

  2. Escreva a melodia em notas

    Escreva um token por nota, com uma altura MIDI e uma duração em tempos. Ligue sílabas entre notas com ~, termine um melisma sustentado com _ e mantenha uma voz masculina entre D3 e D4.

  3. Cante quatro takes e deixe o Whisper escolher cada verso

    Cante quatro takes com o SoulX-Singer em modo score. O Whisper large-v3 transcreve cada verso de cada take, e o take mais próximo da letra ganha cada verso.

  4. Gere um rap-guia com o ACE-Step 1.5

    Escreva uma descrição que peça um rapper a solo, dicção clara e uma voz seca e à frente. Corra o modelo turbo de 2B sem modelo de linguagem, com pesos INT8 e descarga para a CPU, uma semente por guia.

  5. Volte a cantar o guia com a sua voz no SoulX SVC

    Separe a voz do guia do beat e extraia a altura tonal. Corra o SoulX-Singer SVC com auto shift e volte a pôr a sua nova voz sobre o beat.

  6. Pontue cada semente, verso a verso

    Transcreva a voz convertida em janelas de 5 segundos ajustadas ao silêncio, alinhe as palavras com a letra e conte os erros por verso. Exclua qualquer semente com uma palavra imprópria mal ouvida e depois escolha pela pontuação e pelo ouvido.

  7. Misture a -14 LUFS e identifique-a como feita por IA

    Aplique à voz um filtro passa-alto a 90 Hz, use poucos efeitos e normalize a -14 LUFS com um pico real de -1,5 dBTP. Ouça cada verso assinalado e identifique o conteúdo carregado como música gerada por IA.

Perguntas frequentes

O que é o canto com voz clonada por IA?

O canto com voz clonada por IA é uma técnica que põe modelos open source a cantar uma melodia ou uma canção-guia com a sua própria voz clonada, a partir de cerca de 10 segundos de fala. Uma melodia escrita vai para o modo score do SoulX-Singer, que canta as suas notas. Um rap passa por uma canção-guia do ACE-Step 1.5 que o SoulX-Singer SVC volta a cantar com a sua voz, com o mesmo ritmo. Não é preciso treinar nada por voz.

Para quem é o canto com voz clonada por IA em open source?

O canto com voz clonada por IA em open source é para criadores, makers e pequenos estúdios com uma GPU NVIDIA de consumo de 6 GB ou mais que querem jingles, introduções ou canções curtas com a sua própria voz. O SoulX-Singer, o ACE-Step 1.5 e o Whisper correm todos localmente nessa placa, e o Whisper verifica cada verso cantado face à letra antes de qualquer publicação.

Como ponho a IA a cantar uma canção com a minha voz, de graça?

Grave cerca de 10 segundos de fala limpa com a sua voz. Depois escreva a melodia em notas, um token por nota, e cante quatro takes com o SoulX-Singer em modo score. O Whisper large-v3 transcreve cada verso de cada take, e o take mais próximo da letra ganha cada verso. Todos os modelos são open source e correm na sua própria GPU. Use apenas a sua voz ou uma com consentimento escrito.

Preciso de treinar um modelo com a minha voz para a pôr a cantar?

Não. O SoulX-Singer é zero-shot: lê um prompt de voz de 10 segundos no momento da inferência e não treina nada por voz. Treinar um modelo RVC é o outro caminho, e o projeto RVC recomenda pelo menos 10 minutos de fala com pouco ruído e um treino para cada voz. O zero-shot é mais rápido de montar, e um modelo RVC treinado continua a ser a alternativa quando tem as gravações.

A IA consegue fazer rap com a minha voz usando modelos open source?

Sim. O ACE-Step 1.5 gera um rap-guia a partir da sua letra e de uma descrição de estilo, e o SoulX-Singer SVC volta a cantar esse guia com a sua voz, com o mesmo ritmo. O SVC mantém o flow e esbate as consoantes duras, por isso cada semente sai diferente. Gere várias sementes, pontue cada uma verso a verso com o Whisper large-v3 e escolha pela pontuação e depois pelo ouvido.

O ACE-Step 1.5 e o SoulX-Singer correm numa GPU de 6 GB?

Sim, numa RTX 3060 Laptop GPU com 6 GB. O ACE-Step 1.5 corre o DiT turbo de 2B sem modelo de linguagem, com quantização INT8 só dos pesos e descarga para a CPU. O SoulX-Singer e o Whisper large-v3 (float16) carregam cada um sozinho, porque só corre um trabalho de GPU de cada vez. Antes de cada carregamento, a placa fica abaixo de 600 MiB durante 45 segundos. Outras placas não foram testadas.

Posso clonar a voz de outra pessoa para a pôr a cantar?

Só com o consentimento escrito do dono da voz. O canto com voz clonada por IA funciona com qualquer prompt de 10 segundos, por isso é o consentimento que o limita: clone a sua própria voz, ou uma cujo dono concordou por escrito, e nunca a voz de uma figura pública sem esse acordo. Quando publicar a canção, o YouTube pede aos criadores que divulguem a música gerada por IA com a definição «AI use» (utilização de IA) no carregamento.

Como sei se a IA cantou as palavras certas?

Transcreva cada take com o Whisper large-v3 e compare-o com a letra. Numa melodia escrita, o Whisper lê cada verso isoladamente e o take mais próximo ganha o verso. Num rap, o Whisper lê janelas de 5 segundos ajustadas ao silêncio, e cada erro é atribuído ao seu verso. Os versos onde o Whisper ouve palavrões ficam assinalados, por isso ouça cada um antes de publicar.