Acasă/Cercetare

Documentare · producție muzicală

Cum îți procesezi propria voce peste un instrumental AI cu unelte Python gratuite, pe un laptop fără GPU

Întâi cureți înregistrarea, apoi corectezi tonul, apoi modelezi timbrul și dinamica, apoi adaugi spațiu, iar masterizarea vine la final. Fiecare pas are o unealtă Python open-source care merge pe procesor: DeepFilterNet pentru zgomot, un model BS-RoFormer pentru ecoul camerei, torchcrepe cu pyworld pentru o corecție de ton care păstrează timbrul, pedalboard pentru efecte și Matchering pentru mastering după o piesă de referință. Procesarea repară notele false, nu ritmul și nici dicția, iar faptul că cânți tu schimbă cine deține rezultatul și ce îți cere YouTube să declari.

Publicat 2026-10-19

Răspunsul scurt

Dacă cânți peste un instrumental făcut de un generator de muzică AI, poți face producția vocii fără DAW, în Python, pe un laptop cu procesor Intel, fără GPU dedicat și cu 16 GB RAM. Lanțul are o ordine fixă: restaurare (zgomot, apoi ecou), corecția tonului, timbru și dinamică, efecte de spațiu, mastering. Pentru fiecare etapă există o unealtă open-source al cărei repository sau pagină de model am verificat-o pe 19 octombrie 2026.

Două lucruri nu le pot face uneltele. Nu pot muta silabele cântate pe lângă beat și nu pot corecta felul în care formezi vocalele. Conversia de voce, care îți înlocuiește timbrul cu altă voce, nu merită rulată pe procesor, iar modelele de voce gata făcute de pe platformele publice poartă în mare parte numele unor cântăreți și personaje reale. Juridic, dacă cânți tu ai drepturi asupra versurilor, melodiei și interpretării, instrumentalul AI rămâne o problemă separată, iar YouTube tratează vocea ta peste un strat generat de AI drept conținut parțial generat.

De ce contează ordinea lanțului

Ordinea e restaurare, ton, timbru și dinamică, spațiu, mastering. Ea decurge din ce are nevoie fiecare etapă la intrare. Un detector de ton citește forma de undă ca să decidă ce notă ai cântat. Zgomotul de fond și reflexiile camerei îi dau un al doilea semnal, fals, de urmărit. Articolul despre CREPE, modelul din spatele torchcrepe, testează detectoarele de ton cu zgomot adăugat tocmai pentru că precizia scade când există zgomot.

Compresia înainte de restaurare strică. Compresorul micșorează diferența dintre părțile tari și cele încete, deci ridică și zgomotul dintre fraze odată cu vocea. Reverbul pus înainte de corecția tonului întinde fiecare notă peste următoarea, iar detectorul corectează coada ecoului ca și cum ar fi cântat. Masteringul vine ultimul pentru că reacționează la tot mixul, voce și instrumental împreună, și orice schimbare din amonte schimbă ce face limitatorul. Dacă inversezi două etape, scriptul nu crapă, dar fiecare unealtă primește o intrare mai proastă decât cea pentru care a fost făcută.

Restaurarea: zgomotul și ecoul camerei

Pentru zgomot, DeepFilterNet e unealta cu cea mai clară documentație pentru rulare pe procesor. Repository-ul are licență dublă, MIT sau Apache 2.0, se instalează cu pip install deepfilternet după PyTorch și procesează audio full-band la 48 kHz. Articolul care prezintă DeepFilterNet3 raportează un factor de timp real de 0,19 pe un singur fir al unui procesor de laptop Intel i5-8250U, cu un runtime scris în Rust, și o latență de 40 ms. Un factor de 0,19 înseamnă că un fișier de trei minute se procesează în mult sub un minut. Pe setul de test VoiceBank+DEMAND, articolul îi dă lui DeepFilterNet3 un scor de inteligibilitate STOI de 0,944.

Pentru ecoul camerei, rapoartele au indicat dereverb_bs_roformer, un model Band-Split RoFormer publicat pe Hugging Face. Pagina modelului e goală, cu excepția licenței, GPL-3.0; fișierele sunt o configurație și un checkpoint al cărui nume conține un SDR de 22,5050, o cifră fără set de test declarat. Pachetul de inferență bs-roformer-infer (MIT) listează un model de dereverberare construit pe acea configurație și, în exemplul său, încarcă greutățile pe procesor. Nu spune cât de repede rulează pe CPU. Modelele transformer de acest tip sunt mai grele decât DeepFilterNet, așa că te aștepți la procesare offline, fișier cu fișier.

Ambele modele au fost antrenate sau descrise pentru vorbire ori separare muzicală, nu anume pentru o voce cântată înregistrată acasă. Merg cel mai bine pe o înregistrare deja rezonabil de curată, motiv pentru care sfaturile de înregistrare de mai jos contează mai mult decât orice setare.

Corecția tonului care îți păstrează timbrul: torchcrepe și pyworld

Corecția automată a tonului în cod are două părți: afli ce notă ai cântat, apoi o muți pe cea mai apropiată notă din gama piesei. Pentru prima parte, torchcrepe (licență MIT) e o implementare PyTorch a lui CREPE, o rețea neurală care citește direct forma de undă. În articolul original, CREPE scoate 360 de intervale de ton, de câte 20 de cenți fiecare, pe șase octave, și egalează sau depășește pYIN, algoritmul clasic din librosa, pe două seturi de date sintetizate; diferența e cea mai mare la o toleranță strictă de 10 cenți. torchcrepe decodează implicit cu Viterbi, care preferă o traiectorie netedă a tonului în locul salturilor izolate.

Pentru a doua parte, pyworld (licență MIT) împachetează vocoderul WORLD, care descompune vocea în trei parametri: conturul tonului (F0), anvelopa spectrală armonică (SP) și anvelopa aperiodică (AP). Corecția înseamnă să înlocuiești F0 cu notele aliniate și să resintetizezi cu SP și AP originale. Anvelopa spectrală poartă formanții, rezonanțele gurii și gâtului care fac vocea să sune a tine, așa că, dacă n-o atingi, timbrul rămâne același în timp ce notele se schimbă. Fiind un parametru separat, SP poate fi și deplasată intenționat, iar așa se obține vocea mai groasă și mai întunecată din trap.

Autotune-ul „dur”, efectul robotic din manele și trap, e aceeași operație fără alunecare: F0 din fiecare cadru sare direct pe nota țintă, în loc să se apropie treptat. În pluginurile comerciale asta înseamnă o viteză de retunare aproape de zero milisecunde.

Efecte și mastering în cod: pedalboard și Matchering

pedalboard, publicată de Spotify, e o bibliotecă Python de efecte de studio: compresor, distorsiune, delay, reverb, filtre, limitator, pitch shift și găzduire pentru pluginuri VST3 (și Audio Units pe macOS). Are licență GPL-3.0, eliberează GIL-ul din Python ca să poată folosi mai multe nuclee și are pachete precompilate pentru Mac cu Intel și Apple Silicon, Windows x86-64 și Linux. Un lanț vocal tipic e filtru trece-sus, compresor, saturație ușoară, apoi delay și reverb. Un detaliu contează: HighpassFilter din pedalboard e de ordinul întâi, 6 dB pe octavă, iar argumentul se numește cutoff_frequency_hz; unul singur la 100 Hz taie mult mai puțin din bubuitul de jos decât un trece-sus de studio.

Matchering 2.0 (GPL-3.0) masterizează după referință. Îi dai mixul tău și o piesă comercială cu care vrei să semene, iar el îți întoarce mixul cu aceeași intensitate RMS, același răspuns în frecvență, aceeași amplitudine de vârf și aceeași lățime stereo ca referința, cu propriul limitator brickwall, Hyrax, la final. Repository-ul cere Python 3.8 sau mai nou și 4 GB RAM, iar FFmpeg îi trebuie doar ca să citească MP3. Nu pomenește de GPU.

Rapoartele au propus valori de pornire pe gen. Nu le-am putut lega de o sursă primară, așa că sunt un punct de plecare, nu o rețetă. Pentru manele: gama frigică dominantă (modul al cincilea al minorului armonic) sau minorul armonic, retunare în 0-5 ms, Compressor(threshold_db=-25, ratio=6, attack_ms=2, release_ms=150), un Delay(feedback=0.45, mix=0.25) sincronizat pe tempo și un reverb de tip sală, Reverb(room_size=0.8, damping=0.4, wet_level=0.3). Pentru trap: minor natural, retunare la 0 ms, anvelopa spectrală coborâtă cu 1-3 semitonuri și Distortion(drive_db=10). Am instalat pedalboard 0.9.26 și am verificat că aceste argumente există; valoarea de drive e sub valoarea implicită a bibliotecii, de 25 dB.

De ce conversia de voce nu merită pe procesor

Conversia de voce înlocuiește timbrul unei înregistrări cu altă voce. Seed-VC (GPL-3.0) o face fără antrenare, pornind de la un fragment de referință de 1 până la 30 de secunde. Modelul pentru cântat are 200M de parametri, lucrează la 44,1 kHz și folosește difuzie: 25 de pași implicit, 30-50 recomandați pentru calitate maximă. Repository-ul recomandă insistent un GPU pentru timp real și face măsurătorile pe un GPU de laptop RTX 3060; despre viteza pe procesor nu spune nimic. Noi nu l-am cronometrat pe CPU, dar zeci de pași de difuzie printr-un model de 200M de parametri pentru fiecare bucată dintr-o piesă de trei minute e, la mare distanță, cea mai lentă etapă din orice lanț descris aici.

RVC (licență MIT) are nevoie mai întâi de un model antrenat pe înregistrările tale; README-ul recomandă cel puțin 10 minute de voce curată, cu zgomot de fond mic. Antrenarea e gândită pentru placă grafică, cu o variantă pe procesor pentru calculatoarele fără placă NVIDIA. Pentru un solist neantrenat, problema e mai degrabă de logică: dacă îți convertești dubla slabă în propria voce, copiezi din referință aceeași respirație, aceeași tremurătură și aceeași dicție. Corecția tonului cu torchcrepe și pyworld schimbă exact ce trebuie schimbat, cu o fracțiune din cost.

Scurtătura, să descarci modelul altcuiva, e locul unde stă riscul. Pe 19 octombrie 2026, o căutare după „rvc” pe Hugging Face a întors 3.513 modele. Printre cele mai descărcate 30, mai multe purtau numele unor cântăreți cunoscuți, al unui politician și al unor personaje de desene animate. Folosirea vocii unei persoane reale ridică probleme de consimțământ și de drept la imagine pe care nu încercăm să le tranșăm aici, iar regulile YouTube cer separat să etichetezi conținutul realist care face o persoană reală să pară că spune sau face ceva ce n-a făcut.

Ce repară procesarea, ce nu, și cum înregistrezi

Se repară: notele cântate fals, dar ținute constant, zgomotul de fond și o bună parte din ecoul camerei. Se îmbunătățește, fără să se repare: vocea subțire, pe care compresia și saturația o îndesesc. Nu se repară: silabele care vin prea devreme sau prea târziu față de beat, pentru că nicio etapă automată din lanț nu le mută; dicția, pentru că formanții pe care îi păstrează pyworld sunt chiar forma vocalelor tale, inclusiv a celor nazale sau sugrumate; și vocal fry-ul sau finalurile de frază pe aer, unde nu există un ton stabil de urmărit și rezultatul are glitch-uri. Practic: cântă linia drept, lovește fiecare notă direct, pronunță consoanele clar și înregistrează mai multe dubluri pe vers, ca să poți alege cele mai bune cuvinte.

Pentru cameră, dulapul cu haine e o cabină proastă. Un absorbant poros lucrează când are o grosime de aproximativ un sfert din lungimea de undă. La 200 Hz, în zona fundamentalei vocii, un sfert de lungime de undă înseamnă cam 43 cm, mai mult decât un rând de cămăși. Hainele amortizează înaltele și lasă bubuitul de medii-joase al unei cutii mici. O variantă gratuită mai bună e mijlocul celei mai mari camere, departe de colțuri, cu pături grele sau o saltea în spatele solistului: un microfon cardioid e cel mai puțin sensibil în spate, partea îndreptată în direcția opusă ție, și cel mai sensibil în față, partea îndreptată spre tine și spre peretele din spatele tău, deci aceea e reflexia de absorbit.

Ca echipament, un microfon dinamic într-o interfață audio USB mică e un început mai bun decât un microfon USB ieftin într-o cameră netratată, pentru că o capsulă dinamică prinde mai puțin din cameră. Alegeri obișnuite sunt un Behringer XM8500 sau un Shure SM58, cu o interfață cu două intrări, de pildă Behringer UMC202HD. Prețurile se schimbă; la magazinele din România un set de început costă de ordinul a câteva sute de lei, cam până la o mie cu stativ și cablu XLR.

Cui aparține o piesă cântată de tine peste un instrumental AI

Potrivit legii românești a dreptului de autor, Legea 8/1996, autor este persoana fizică ce a creat opera (art. 3), iar compozițiile muzicale cu sau fără text sunt opere protejate (art. 7). Dacă ai scris versurile și linia melodică a vocii, acestea sunt ale tale. Faptul că le cânți adaugă un strat separat: legea îi protejează pe cântăreți ca artiști interpreți (art. 95), cu drepturi morale și patrimoniale asupra interpretării, și îi dă producătorului de înregistrări sonore, persoana care are inițiativa și finanțează prima fixare a sunetelor, un drept conex asupra înregistrării (art. 104). O înregistrare făcută acasă, din inițiativa ta, se potrivește cu această descriere. Cum se aplică regulile la instrumentalul generat de AI legea nu spune, iar asta e o întrebare pentru un avocat, nu pentru acest articol.

Oficiul pentru Drepturi de Autor al SUA (US Copyright Office) a tras linia în raportul său din ianuarie 2025 despre protejabilitate: dreptul de autor nu se extinde la materialul generat exclusiv de AI, prompturile singure nu fac din utilizator autor, iar folosirea AI ca unealtă de asistență nu afectează în sine protecția operei ca întreg. Exemplul dat e Where That Came From, o piesă a lui Randy Travis înregistrată ca înregistrare sonoră (SR0001018989, 29 mai 2024). Echipa de producție a pornit de la înregistrarea altui cântăreț, James Dupré, și a folosit un model vocal AI antrenat pe înregistrările mai vechi ale lui Travis ca s-o redea cu vocea lui Travis, păstrând frazarea și dinamica lui Dupré. Oficiul a înregistrat-o pentru că AI a fost folosit „ca unealtă, nu ca să genereze expresie”. E o decizie americană și nu obligă instanțele din România, dar e cea mai clară poziție oficială pe care am găsit-o că procesarea unei interpretări umane nu e același lucru cu generarea ei.

Ce îți cere YouTube să declari

Pagina generală a YouTube despre declarare le cere creatorilor să marcheze conținutul realist făcut cu AI generativ, inclusiv muzica generată de AI care e subiectul principal al videoclipului. Lista de modificări care nu trebuie declarate include repararea vocii sau a sunetului, efectele care îmbunătățesc un audio înregistrat anterior și clonarea propriei voci pentru voice-over sau dublaj. Eliminarea zgomotului și a ecoului și corecția tonului pe propria voce intră în aceste exemple.

Pagina separată a YouTube pentru conținut muzical e mai precisă. Are trei declarații: integral, parțial sau deloc generat. Un artist care generează cu AI unul sau mai multe straturi structurale ale piesei și își înregistrează vocea peste ele e exemplul ei de conținut parțial generat. Corecția standard a tonului, de tip Auto-Tune, și masteringul automat cu AI sunt exemplele ei de conținut fără AI generativ. Exemplul cu corecția tonului vorbește de greșeli mici de intonație; autotune-ul dur folosit ca efect nu e numit, deși pagina generală scutește efectele care îmbunătățesc un audio înregistrat. Deci procesarea vocii nu cere marcaj, iar instrumentalul AI cere. YouTube spune că declararea în sine nu limitează audiența videoclipului și nici eligibilitatea de a câștiga bani; pentru muzica generată de AI, eticheta poate apărea în player. Creatorii care nu declară în mod repetat pot primi sancțiuni, până la suspendarea din Programul de parteneriat YouTube.

Unde au greșit rapoartele

1. Cifrele DeepFilterNet3. Un raport îi atribuia lui DeepFilterNet3 un STOI peste 0,95, circa 2,3 milioane de parametri, viteză de cinci ori peste timpul real pe un procesor de laptop de top și o victorie clară asupra RNNoise. Articolul DeepFilterNet3 dă STOI 0,944, un factor de timp real de 0,19 pe un singur fir al unui i5-8250U, cu runtime în Rust, și nu conține nici numărul de parametri, nici o comparație cu RNNoise. Am păstrat doar ce scrie în articol.

2. Codul pentru pedalboard. Raportul scria HighpassFilter(cutoff_hz=100). Argumentul e cutoff_frequency_hz, iar filtrul e de ordinul întâi, deci un singur filtru la 100 Hz e mai blând decât sugera textul.

3. PSOLA și efectul de „veveriță”. Raportul spunea că deplasarea tonului prin PSOLA deformează formanții și dă sunet de veveriță peste două semitonuri. Pagina pachetului psola, care împachetează TD-PSOLA din Praat, nu afirmă nimic în niciun sens, iar pentru pragul de două semitonuri n-am găsit sursă primară. Efectul de veveriță e tipic pentru deplasarea prin reeșantionare. Motivul real să preferi pyworld e că expune anvelopa spectrală ca parametru separat, pe care îl poți păstra sau deplasa intenționat.

4. Drepturile în legea românească. Raportul îi dădea cântărețului doar drepturi de producător de fonograme pe pista vocală izolată. Legea îl protejează și ca artist interpret (art. 95), iar definiția înregistrării sonore (art. 104) acoperă fixarea și a „altor sunete”, nu doar a unei interpretări. Cât de departe ajunge asta peste un instrumental AI e o întrebare deschisă; formularea mai îngustă din raport nu e ce scrie în text.

5. Etichetarea pe YouTube. Raportul punea eticheta AI în descriere. Pagina YouTube spune că, pentru muzica generată de AI, ea poate apărea în player. Pagina despre declararea conținutului muzical, pe care rapoartele n-au citat-o, încadrează vocea ta peste un strat generat de AI drept conținut parțial generat.

6. Open source nu înseamnă o singură licență. Materialele noastre numeau tot lanțul open source fără să facă diferența. DeepFilterNet (MIT sau Apache 2.0), torchcrepe, pyworld și RVC (MIT) sunt permisive; pedalboard, Matchering, Seed-VC, checkpoint-ul de dereverb și pachetul psola sunt GPL-3.0. Lectura noastră, nu sfat juridic: GPL reglementează distribuirea software-ului, nu sunetul pe care îl faci cu el, dar contează dacă pui aceste unelte într-o aplicație pe care o distribui.

7. Sfaturi care se contraziceau. Notele noastre mai vechi recomandau dulapul cu haine drept cabină, un microfon USB și Seed-VC ca singura variantă de voce fără GPU. Cercetarea ulterioară și repository-urile spun altceva: dulapul colorează mediile-joase, un microfon dinamic într-o interfață respinge mai mult din cameră, iar autorii Seed-VC recomandă un GPU.

Metodă

Am pornit de la un raport de cercetare generat de AI, scris în română, despre producția vocală hibridă pe procesor, și de la notele noastre de proiect, care listau deja corecții la sfaturi mai vechi. Am scos orice recomandare comercială, am păstrat afirmațiile pe care un producător de acasă ar acționa și, pe 19 octombrie 2026, le-am verificat pe fiecare: repository-urile GitHub ale DeepFilterNet, torchcrepe, pyworld, pedalboard, Matchering, Seed-VC și RVC; pagina și lista de fișiere ale modelului de dereverb pe Hugging Face; articolele DeepFilterNet3 și CREPE de pe arXiv; o căutare de modele pe Hugging Face; raportul din ianuarie 2025 al US Copyright Office; textul consolidat al Legii 8/1996 de pe portalul legislativ; și două pagini YouTube Help despre declararea AI. Am instalat și pedalboard și i-am citit semnăturile constructorilor.

Scoase pentru că nu le-am putut verifica la o sursă primară: numărul de parametri al DeepFilterNet3 și comparația cu RNNoise, timpii pe procesor pentru modelul de dereverb și pentru Seed-VC, afirmația că pYIN ratează sistematic octavele pe vocea cântată, pragul de două semitonuri pentru PSOLA, parametrii pe gen prezentați ca standard al industriei și prețurile exacte ale echipamentului.

Limite

E documentare de birou, nu un test de ascultare. N-am rulat tot lanțul pe o voce înregistrată și n-am cronometrat fiecare model pe procesor, așa că observațiile despre viteză se sprijină pe articole, pe notele din repository-uri și pe mărimea modelelor. Setările pe gen sunt puncte de pornire dintr-un raport, nu valori măsurate. Modelele au fost construite mai ales pe date de vorbire sau de muzică în general, iar rezultatele pe o voce cântată, înregistrată acasă, vor varia. Secțiunile juridice descriu ce spun textele; cum se aplică ele unei piese anume, mai ales instrumentalului AI, e o întrebare pentru un avocat. Regulile YouTube de declarare și licențele repository-urilor se pot schimba, așa că verifică-le din nou înainte să publici sau să distribui ceva.

Surse

1. GitHub: Rikorose/DeepFilterNet
2. arXiv: DeepFilterNet: Perceptually Motivated Real-Time Speech Enhancement (DeepFilterNet3)
3. Hugging Face: anvuew/dereverb_bs_roformer
4. GitHub: maxrmorrison/torchcrepe
5. arXiv: CREPE: A Convolutional Representation for Pitch Estimation
6. GitHub: Python wrapper for the WORLD vocoder (pyworld)
7. GitHub: spotify/pedalboard
8. GitHub: sergree/matchering
9. GitHub: Plachtaa/seed-vc
10. GitHub: RVC-Project/Retrieval-based-Voice-Conversion-WebUI
11. Hugging Face: model search for "rvc", sorted by downloads
12. U.S. Copyright Office: Copyright and Artificial Intelligence, Part 2: Copyrightability (January 2025)
13. Portal legislativ: Legea nr. 8/1996 privind dreptul de autor și drepturile conexe
14. YouTube Help: Disclosing use of altered or synthetic content
15. YouTube Help: Disclose Gen AI usage for music content

Întrebări și răspunsuri

Pot face autotune pe vocea mea în Python, fără DAW?

Da. Cu torchcrepe estimezi tonul fiecărui cadru, îl aliniezi la cea mai apropiată notă din gama piesei, apoi resintetizezi cu pyworld folosind anvelopa spectrală originală, ca să-ți păstrezi timbrul. Pentru efectul robotic dur, înlocuiești tonul cu nota țintă instantaneu, fără alunecare între note.

Am nevoie de GPU ca să procesez vocea cu unelte AI?

Nu pentru zgomot, corecția tonului, efecte sau mastering. Articolul DeepFilterNet raportează un factor de timp real de 0,19 pe un singur fir al unui procesor de laptop, iar pyworld, pedalboard și Matchering sunt biblioteci pentru CPU. Excepția e conversia de voce: autorii Seed-VC recomandă insistent un GPU.

E bun dulapul cu haine pentru înregistrat voce acasă?

Nu. Hainele absorb frecvențele înalte, dar sunt mult prea subțiri ca să absoarbă mediile-joase ale vocii, așa că spațiul mic sună a cutie. Cântă în mijlocul celei mai mari camere, departe de colțuri, cu pături grele în spatele tău, într-un microfon dinamic cardioid.

Trebuie să declar AI pe YouTube dacă doar îmi fac autotune pe voce?

Nu pentru procesare. YouTube trece repararea vocii sau a sunetului, efectele pe un audio înregistrat și clonarea propriei voci printre modificările care nu trebuie declarate, iar pagina pentru muzică socotește corecția standard a tonului și masteringul cu AI drept conținut fără AI generativ. Dacă instrumentalul a fost generat de AI, piesa contează ca parțial generată și trebuie declarată.

Cui aparține o piesă cântată de mine peste un instrumental generat de AI?

După legea românească, ești autorul versurilor și melodiei pe care le-ai scris și artist interpret protejat pentru vocea ta, iar înregistrarea făcută din inițiativa ta se potrivește cu definiția producătorului de înregistrări sonore. Statutul instrumentalului AI e o întrebare separată și nelămurită. E o lectură a legii, nu sfat juridic.

Toată cercetarea