【软件】 Rocaloid 初音中文合成引擎+中文音源库 正式发布

【这是2011年初代的发布贴，目前最新的开发进度，请转到http://bbs.ivocaloid.com/forum-138-1.html或www.rocaloid.org】

---

初音中文合成引擎&音源库

Developed by Sleepwalking

2011.4 - 2012.10

---

写在最前：
请以一个艺术品的眼光看待Rocaloid，而不是一个程序。尽管它还很不成熟，有很大的缺陷。
但Rocaloid是一个经过无数次失败后的无数次修改，我竭尽全力做出的『作品』。
请不要把它和Vocaloid China做比较（我知道Rocaloid的合成效果完全比不上洛天依）。洛天依只是把声音录下来，用Yamaha的技术转成音源库。Rocaloid从引擎到音源库到发声词典都是我一个人完成的（虽然它的原理只是把一大堆不同音调的元音辅音拼接起来）。
你可以赞赏、肯定我的作品，也可以批评、否定它。但请不要侮辱或嘲讽它。请尊重我的作品。

---

[hide]没错。这就是传说中的初音未来的中文音源库，以及合成引擎。这不是Vocaloid调教辅助软件。

我从头到尾重新制作了初音的音源库，上面提到，“把一大堆不同音调的元音辅音拼接起来”。我从Vocaloid2初音中导出了1000多个不同发音的wav文件，然后自己写了软件进行处理。
然后写出一个叫“CyberVoice”的合成（拼接）引擎。CyberVoice拥有自己的发音记号。
写了2000余行的中文发音词典。
最后制作出Rocaloid的用户界面，以及将vsqx转换成CyberVoice发音参数的功能。



2011.4-2011.6 进行初步的可行性分析，初音中文引擎&音源库项目启动。
2011.6-2011.9 开始制作音源库中元音部分，CyberVoice引擎第一版代码完成，音源库制作工具初代完成。
2011.9-2012.6 遭遇中考，项目几乎停止。这期间在作业、考试、改代码间挣扎……
2012.6-2012.7 中考结束，项目恢复，继续制作音源库，重写工具软件。
2012.8-2012.9 引擎第一版在结构上存在巨大问题，重写，第二版引擎完成。音源库完成。发音词典完成。参数转换器完成。测试曲夕日坂的第1-3次重制。
2012.9-2012.10 不断优化音源库，发音词典和参数转换器。利用Miku_soft修补部分辅音。第4-7次重制。



简单地，客观地讲，Rocaloid的优点在于中文发音很准，合成速度超快，而且大小被压到了46个兆；缺点是衔接生硬，暂不支持参数。
Rocaloid打破了一切Vocaloid引擎的束缚。理论上通过Rocaloid的音源库可以做出任何语言的发音字典，让初音唱出任何语言的歌。感觉效果介于UTAU和Vocaloid之间吧（还是偏UTAU一点，尽管原理上完全不一样）


基本上，Rocaloid的使用方法是：
1.用Vocaloid3做出vsqx文件。（Vocaloid3须自己下，目前仅支持导入Vsqx文件）
2.用Rocaloid打开这个vsqx文件。
3.（可选项）设定合成参数。
4.（可选项）若对Rocaloid的发音参数转换不满意，可以自己修改CyberVoice发音参数。
5.按下合成按钮。


作为编辑器的Vocaloid3可以是任何音源，包括日语、英语、韩语音源，如VY1。
在Vocaloid3中直接输入汉语拼音即可，即使它没有被Vocaloid3识别，Rocaloid会根据自带的发音词典自动转换为CyberVoice发音记号。


注：
Rocaloid是一个合成器，不包括编辑器。
需要.Net Framework 3.0。Rocaloid会自动对vsqx的第一条音轨进行合成，故请在Vocaloid3中将需要唱出的部分置于第一音轨。
Rocaloid初音的音域在C2-C5，合成时超过此音域的音符将被转换成C3。

感谢在制作过程中鼓励我，让我从一次次失败中重拾信心的朋友。感谢网友吴骁1022（BG8NPK）与GKring奉献出狗耳帮我纠正Miku的发音。
感谢关注过Rocaloid项目的网友，给予我前进的动力。
辛苦Miku了。。。。

---

---

测试曲地址：
http://pan.baidu.com/share/link?shareid=68987&uk=3423845838
Rocaloid下载地址（46.1 MB）：
http://pan.baidu.com/share/link?shareid=69031&uk=3423845838

---

详细版教程：1.用任意一款Vocaloid3音源（因为v3必须要有一个音源才能启动）编辑出歌曲的vsqx文件。
直接输入汉语拼音即可。注意全部小写。
（以《我相信》为例）



2.置于第一条音轨，保存。



3.启动Rocaloid，导入vsqx文件。


4.启动CyberVoice合成引擎


5.合成完毕后，在Rocaloid\Output\文件夹下可找到生成的wav文件
音质：16Bits 96000HZ, 1536kbps mono


6.关于后期，推荐用均衡器把0-400HZ频段调低，然后略加混响，效果更好。

---

最后附上高级教程——手动调整CyberVoice发音参数的教程
首先用Rocaloid正常合成一遍你的大作，弹出CyberVoice引擎窗口后没合成完就可以关上了，我们要的是Script文件。
Script文件位于Rocaloid\Script\Script.txt，这是CyberVoice引擎（以下简称CVE）的发音记号文件。
CVE采用和Vocaloid完全不同的发音记号，更加灵活（虽然复杂+操蛋。。。）

我们又以《我相信》开刀（@杨培安。。。）
第一句歌词的Script：

#CVS 0.8 这是文件头

> SET DYN 2.13333 设定音量2.13333倍

> R 0.28125 静音0.28125秒

> . Pause 静音注释

> A#2 RIS2 SRT 音高：A#2 包络：RIS2，SRT

xs x

i 0.0922511111111111 过渡到i持续0.092秒

a 0.0738008888888889 过渡到a持续0.073秒

NN 0 1 过渡到ng，持续0秒，转换率1（完全转换为ng）

> . xiang xiang注释

> F3 PLO 音高：F3 包络：PLO

ff 0.06 - 0.05 辅音f 持续0.06秒，从0.05秒开始过渡

e 0.15 过渡到e，持续0.15秒

i 0.015 0.985  过渡到i，持续0.015秒，转换率0.985（几乎完全变成i）

> . fei fei注释

> G3 FST2 剩下的以此类推

SH

zz 0.03

a 0.15

NN 0.234448 0.965552

> . shang

> G3 FST2

t 0.05 - 0.02

i 0.1

a 0.15

N 0.15 1

> . tian

上面这段Script中你已经可以看出CVE的许多特性。
这种表示方法让CVE变得很灵活，什么音都唱得出。
每一行Script被称为一个【句】
每一行Script有1至4个部分组成，我把他们称作【元素】。元素间用一个空格隔开。
”>“打头的句叫做【起始句】，第二个元素为音高的起始句被称为【普通起始句】。第二个元素为”.“的起始句被称为【注释句】。 一个起始句和向后最近的注释句之间的句的组合，我称之为【段】段中除起始句以外的句子叫做【描述句】

每个段用于描述歌曲中的一个拼音的参数，每个句用来描述拼音中一个元音或辅音的参数。

一般情况，起始句的格式（普通起始句）是
> 【空格】 音高 【空格】 包络1 【空格】 包络2
音高就是C3 D#4一类的，用于说明这个段的音高。注意只能用#不能用Bb3这种表示。
包络1和包络2代表这个段的包络特点。
这两个元素可以省略
包络1用于描述这个段的辅音，可以是：
（这里的快速、慢速指的是振幅增大的速度）
（不太好描述，最好自己试试）
PLO  爆破音
FST   快速
FST2 超快速
RFST 比FST稍快，比FST2慢。自己体会。。。
RIS    慢速。比如yi之类的拼音
RIS2  跟RFST差不多。不好描述，自己体会。。。。
RIS3  比FST稍漫，自己体会。。。

包络2用于描述两个段的衔接等。
CNCT 连接，会使上个段的释放（Release）时间与当前段的载入（Attack）时间减少

另外包络1和包络2均可以为SRT，代表急促而短的段，会在PLO、FST、RIS等等这些元素的基础上继续加快。

注释句没有什么实际作用，为了让修改Script的高级用户读起来方便些加入的。

描述句有4种：

1.
发音记号
是且仅是特定辅音的发音记号
持续时间是固定的，故不需要指定。但是必须从最后一个描述句中减去相应的时间。
包括：
C 持续时间0.055604
CH 持续时间0.086240
g 持续时间0.012625
h 持续时间0.031635
J 持续时间0.037292
K 持续时间0.027417
q 持续时间0.072104
S 持续时间0.114240
SH 持续时间0.084573
xs 持续时间0.071094
Z 持续时间0.040333
ZH 持续时间0.042490
2.
发音记号 【空格】 持续时间
发音记号可以是
a  b  d  e- e  ee ff g  g- h  h- i  j  k- l  l- mm N  NG NN o  p  t  u  wa ww z  zz
基本上就是对应的汉语拼音中的声母和韵母。
不同之处在于，”辅音-“格式的代表gu hu ku lu打头的段。

比如guan的写法就是：
g- 0.12 - 0.07
a 0.1
N 0.5 0.7

e-是用来发出”ai“的
e就是Vocaloid2中的e
ee是Vocaloid2中o的ope调低做出来的”额“
mm就是汉语拼音中的m
N、NG、NN是用来拼出各种前鼻音后鼻音的，区别自己体会。
ff就是汉语拼音中的f

3.
发音记号 【空格】 持续时间 【空格】 - 【空格】 保留时间
发音记号和②的记号相同。
这个用来描述一个辅音。
从段开始到保留时间内的部分将不参与过渡。
比如g- 0.12 - 0.07，代表开头0.07秒内直接把音源库中g-的记录拷到输出的wav中，之后0.05秒过渡到下一个描述句。
4.
发音记号 【空格】 持续时间 【空格】 过渡率
发音记号和②的记号相同。
用来描述段内最后一个音（但最后一个音也可以是②的格式）。
一般用来描述前鼻音后后鼻音的尾音。
过渡率代表倒数第二个音转换成尾音的比例。
比如
g- 0.12 - 0.07
a 0.1
N 0.5 0.7
那么尾音就是30%的a 和 70%的N
取值范围在0到1之间

知道这些，你就可以自己改Script了，记得备份改好的Script。然后把原来的Script.txt替换掉，合成前千万记得勾选”不重新生成合成参数“，不然改好的Script就被抹掉了。。。

然后点”启动CyberVoice合成引擎“即可根据你改的Script合成。
[/hide]

---

后记——写在2013年3月24日很久没有上Vocaloid论坛了……
其实准确讲之前将近半年我一直在潜水，默默观看着大家的评论，真的很感动能有这么多人支持我呢……
可能宣传没做好，大家没有看到：我本来打算中止Rocaloid的开发，但最终我还是决定把Rocaloid继续下去。
新的版本叫Rocaloid Renaissance，即“Rocaloid的复兴”，预示着Rocaloid将凤凰涅槃。版本号是2.0（原定1.5）。
她有一个可爱的简称——RocaRena。
过去的半年里，我成立了RDG开发小组(Rocaloid Development Group)，在学校开设了Enigma社团，负责协助RocaRena的开发。
目前开发已经有了很可观的进展。

• RocaRena的音源库较初代细化了5倍！目前已经产生4.8G，两万五千个文件的音源库数据（当然最终到用户手上的是提炼后的300MB）。
• CVE引擎全面升级！Sleepwalking开发并完善了一种类PSOLA的算法，合成质量提高的前提下速度相比Vocaloid快了很多。新引擎版本号目前是1.6（初代为1.5）。
• 支持比Vocaloid还灵活的滑音和变调！
• RocaRena将有自己的编辑器！
• 预计八月底发布。
  

---

下面写给对算法感兴趣的人：
关于Rocaloid的算法，以及上面提到的“类PSOLA”究竟是何物。。。事实上CVE是完全基于时域信号的处理，这也是由于当年开发者，我，的无知。


我数学功底薄弱，无法理解频域信号处理，全凭自己误打误撞设计出了Rocaloid的算法。没想到它还真管用了！（部分是吧）
两年后，也就是前段时间，我发现原来自己的这个算法和PSOLA如此相似（但不是接近，我承认她也许不及PSOLA）……我初步了解了PSOLA后，认识到其优越性，不得不佩服前辈思维的深远啊……
与PSOLA的区别是，CVE合成每个语音窗只有一个周期。PSOLA是基于重叠和叠加，CVE基于加权混合。因此CVE在变调方面只能用混合代替，好处是还原度高一些，速度略快（吧？）。
↑我可能没解释清楚。。。语文不好见谅
此外，我想……如果那天不干了，或者干不下去了，我就把Rocaloid开源好了。我最近在重新学习编程，我希望我能写出精炼、优雅和高尚的作品。

好贴必须顶啊！

20年了啊，萌新来看看

好人一生平安

大家好啊大家好啊大家好啊大家好啊大家好啊大家好啊大家好啊大家好啊大家好啊大家好啊大家好啊大家好啊大家好啊大家好啊大家好啊大家好啊

必须顶啊！！！

我怕不会用啊啊

先拿走了~支持

膜拜并支持大佬

顶一波，最近学言语信息处理，想做一些与V家相关的东西，才知道Rocaloid这个东西，楼主nb

来看楼主的努力...

哇，好棒

路过，被我弟删了，重新拿走

大佬厉害了！

厉害厉害厉害！

支持一下

十分感谢您

感谢分享

感谢且支持

膜拜大佬

佩服大大w

谢谢大佬，拿走了

大神加油继续制作啊！

楼主是大佬啊

爱的世界看到洛杉矶卡兰蒂斯

双手赞成！！！！！