Comment entraîner des modèles vocaux IA personnalisés sur Voicify AI (Jammable) avec des échantillons vocaux nets et des outils de prétraitement audio

Les créateurs de contenu cherchant à produire des reprises musicales par intelligence artificielle (AI covers), des doublages de personnages virtuels ou des voix off personnalisées peuvent entraîner leurs propres modèles vocaux directement sur Jammable (anciennement Voicify AI). Jammable propose une infrastructure cloud accessible depuis le navigateur web qui configure des modèles neuronaux en quelques minutes, sans exiger de carte graphique haut de gamme ni de lignes de code. Cependant, cette automatisation poussée signifie aussi que le système ne peut pas réparer un enregistrement dégradé. Si les pistes importées contiennent des résidus d'instruments, de l'écho de pièce ou des bruits parasites, le réseau neuronal assimilera ces défauts comme faisant partie intégrante du timbre, ce qui provoque des artéfacts métalliques, des chevrotements robotiques et des faussetés de tonalité.

Pour obtenir un modèle vocal personnalisé digne d'un rendu studio professionnel, les créateurs doivent appliquer une méthodologie éprouvée : isoler des voix parfaitement pures par séparation de pistes (stems), traiter les fichiers dans un éditeur audio numérique et téléverser le jeu de données assaini sur Jammable.

1. Prérequis et choix de l'abonnement sur Jammable

Avant de procéder au nettoyage des pistes audio, il convient de vérifier que votre compte Jammable dispose des droits requis pour l'entraînement vocal :

• Limites du compte gratuit et du forfait Basic : Un compte gratuit permet uniquement d'explorer et d'écouter les voix de la communauté. Le forfait d'entrée de gamme Basic (8,99 USD/mois, avec une promotion à 1,99 USD le premier mois) permet de créer des reprises illimitées et de la synthèse vocale avec les voix du catalogue, mais n'inclut pas l'entraînement de modèles personnalisés.
• Forfait Creator (Recommandé) : Facturé 24,99 USD/mois (avec une offre de lancement à 9,99 USD pour le premier mois), le forfait Creator débloque l'entraînement illimité de voix IA personnalisées, la création de vidéos exportables et l'accès complet au catalogue de plus de 100 000 voix communautaires. C'est la formule idéale pour les créateurs qui souhaitent affiner et multiplier leurs modèles vocaux.
• Forfait Power : À 89,99 USD/mois, le forfait Power réunit tous les avantages de l'offre Creator avec une file de rendu ultra-prioritaire (250 générations toutes les 12 heures) et 25 USD de crédits API mensuels pour les flux de production automatisés.
• Pass vocaux à l'unité (Voice Pass) : Pour les utilisateurs qui refusent l'abonnement mensuel et désirent entraîner une unique voix de manière ponctuelle, Jammable propose des pass individuels (à partir d'environ 6,99 USD par unité).

2. Étape 1 : Le prétraitement d'échantillons vocaux purs

Le modèle neuronal de conversion vocale de Jammable capture l'ensemble des caractéristiques fréquentielles contenues dans le jeu de données. Si un fichier contient une résonance de batterie ou une voix d'harmonie secondaire, le modèle reproduira fidèlement ces bruits indésirables à chaque génération. Il est donc indispensable d'exécuter un prétraitement en trois phases.

Phase A : Sélection des prises et gestion du temps

• Durée optimale du jeu de données : L'interface d'entraînement de Jammable intègre une jauge de durée indiquant les seuils minimal (MIN), recommandé (RECOMMENDED) et maximal (MAX). L'intervalle préconisé se situe entre 8 et 15 minutes de chant ou de parole continue. Un volume inférieur à 3 minutes engendre une voix métallique et ténue, tandis qu'importer plus de 30 minutes d'audio disparate alourdit le temps de calcul sans améliorer le rendu sonore.
• Isolation stricte d'un seul locuteur : Le jeu de données ne doit contenir que la voix ciblée. Bannissez les duos, les chœurs d'arrière-plan, les ad-libs et les prises de parole croisées lors d'interviews.
• Diversité des registres vocaux : Pour un modèle chanté, fournissez des prises allant de la voix de poitrine grave aux aigus en voix de tête ou fausset. Pour un modèle parlé, veillez à conserver une distance fixe par rapport au microphone et une prosodie naturelle.

Phase B : Séparation de sources et dé-réverbération avec Ultimate Vocal Remover (UVR5)

Lorsqu'on extrait la voix d'un morceau existant, d'une vidéo YouTube ou d'un podcast, les extracteurs en ligne provoquent fréquemment des annulations de phase néfastes. La référence incontournable des professionnels du son est Ultimate Vocal Remover (UVR5), un logiciel local, libre et gratuit :

1. Extraction de la piste a cappella : Chargez vos fichiers sources dans UVR5 et sélectionnez le moteur MDX-Net avec les modèles Kim Vocal 1 ou UVR-MDX-NET Main. Cet algorithme sépare la voix tout en supprimant l'intégralité des basses, des percussions et des synthétiseurs.
2. Suppression impérative de la réverbération (De-Echo / De-Reverb) : Les modèles de conversion doivent impérativement apprendre sur des voix parfaitement « sèches » (dry). Si votre enregistrement présente une réverbération de pièce ou des effets de studio, appliquez le modèle De-Echo: Normal ou De-Echo / De-Reverb sous l'architecture VR Architecture d'UVR5. Un modèle entraîné avec de la réverbération sonnera creux et lointain sur toutes ses futures productions.

Phase C : Nettoyage, découpage et normalisation dans Audacity

Ouvrez les pistes a cappella asséchées dans l'éditeur audio libre Audacity (ou une station audionumérique comme Reaper ou Adobe Audition) :

1. Filtrage des basses fréquences : Appliquez un filtre passe-haut (High-pass Filter) à 70–80 Hz (pente de 12 dB/octave) pour éliminer les ronflements de climatisation, les bruits de manipulation du pied de micro et les plosives (« p » et « b »).
2. Suppression des silences inutiles : Dans le menu d'Audacity, activez Effets > Tronquer le silence (Truncate Silence). Réglez le seuil sur -40 dB et réduisez les silences de plus de 0,5 seconde à 0,2 seconde environ. Le réseau neuronal ayant besoin de formants vocaux denses, les pauses prolongées gaspillent la capacité de traitement.
3. Nettoyage manuel des bruits de bouche : Agrandissez la forme d'onde pour retirer manuellement les inspirations bruyantes, les raclements de gorge, les bruits de salive et les rires.
4. Normalisation des crêtes : Normalisez l'ensemble des pistes à un niveau de crête compris entre -1,0 dB et -2,0 dB Peak afin de garantir un volume régulier tout en évitant toute saturation numérique (clipping).
5. Exportation sans compression : Exportez les fichiers nettoyés au format WAV non compressé (PCM 16 ou 24 bits à 44,1 kHz ou 48 kHz). Bien que Jammable tolère les formats MP3 et M4A, le format WAV évite les dégradations cumulatives liées à la recompression avec pertes.

3. Étape 2 : Lancement de l'entraînement sur Jammable

Dès que votre jeu d'échantillons est prêt, lancez l'apprentissage directement dans l'interface de Jammable :

1. Accéder à l'atelier d'entraînement : Connectez-vous à votre compte Jammable doté d'un abonnement Creator ou Power, puis rendez-vous sur https://www.jammable.com/train (ou cliquez sur Create > Train a Voice).
2. Importer les fichiers audio : Glissez-déposez vos fichiers WAV ou MP3 dans l'espace de téléversement.
3. Vérifier la jauge de durée : Surveillez la jauge « DATASET DURATION » pour vous assurer que le volume sonore dépasse le seuil minimum et se positionne dans la zone « RECOMMENDED ».
4. Renseigner les métadonnées et la confidentialité :
   • Voice Name : Donnez un nom explicite à votre modèle.
   • Avatar Image : Téléversez une illustration ou une photo de profil pour reconnaître facilement la voix sur votre tableau de bord.
   • Confidentialité (Privacy) : Sélectionnez Private (Privé) ou Public (Public). L'option privée restreint l'usage de la voix à votre seul compte, garantissant la protection de votre identité vocale ou le secret d'un projet commercial ; l'option publique partage le modèle avec toute la communauté Jammable.
5. Démarrer l'entraînement cloud : Cliquez sur Next Stage et confirmez. Les serveurs de Jammable procèdent à l'extraction acoustique et au calibrage de la hauteur en 2 à 10 minutes selon l'affluence.

4. Étape 3 : Tests, transposition et création de reprises IA

Une fois l'entraînement finalisé, le modèle vocal s'affiche immédiatement dans votre espace personnel :

1. Générer une reprise test : Rendez-vous sur https://www.jammable.com/ai-cover et sélectionnez votre nouveau modèle dans votre bibliothèque privée.
2. Sélectionner un morceau source : Téléversez un fichier audio ou choisissez un titre parmi les morceaux disponibles. Jammable sépare la voix d'origine, la substitue par votre modèle et la remixe automatiquement sur l'accompagnement instrumental.
3. Ajuster la transposition tonale (Pitch Shift) :
   • Si la tessiture du chanteur original est très différente de celle de votre modèle (par exemple, un modèle masculin de baryton reprenant une chanson interprétée par une soprano), baissez la hauteur de -12 demi-tons (soit une octave vers le bas).
   • Inversement, pour faire chanter un modèle féminin sur une voix d'homme, appliquez +12 demi-tons. Négliger cette transposition lors d'une conversion de genre opposé produit des sons métalliques et des distorsions criardes.
4. Exploiter la synthèse vocale (Text-to-Speech) : Dans l'onglet Text-to-Speech, collez un script pour générer des lectures fluides et naturelles destinées à des vidéos YouTube, des podcasts ou des voix off d'animation.

5. Comparatif technique : Jammable dans le cloud vs RVC v2 en local

6. Conseils pratiques et cadre légal

• La pureté des données dicte le résultat (Garbage In, Garbage Out) : La simplicité de Jammable supprime les réglages de bas niveau, mais empêche toute compensation logicielle a posteriori. La clarté des enregistrements initiaux conditionne la crédibilité du modèle.
• Privilégiez la voix sèche au volume d'heures : Huit minutes d'une voix parfaitement neutre et isolée en studio valent infiniment mieux que trente minutes d'un concert pollué par l'acoustique de la salle et les cris du public.
• Respect de la propriété intellectuelle : Si vous entraînez des modèles basés sur des artistes connus ou des personnalités, veillez à respecter les conditions d'utilisation de Jammable et la réglementation DMCA. La diffusion commerciale de morceaux générés par IA requiert l'obtention des droits relatifs aux compositions musicales ainsi qu'au droit à la voix de l'interprète.

Références

• Train Custom AI Voices | Jammable
• Pricing | Jammable
• Jammable — Full Guide for LLMs
• The Ultimate Vocal Remover Application
• Audacity | Free, Open Source Audio Editor and Recorder