如何使用純淨人聲樣本與音訊預處理工具在 Voicify AI（Jammable）上訓練自訂 AI 聲音模型

對於想要打造專屬 AI 翻唱曲目、虛擬角色配音或高音質語音合成的數位內容創作者而言，Jammable（前身為 Voicify AI）提供了極為便捷的自訂 AI 聲音模型訓練服務。創作者無需自行購置高階顯示卡或編寫 Python 程式碼，直接透過瀏覽器即可在數分鐘內完成雲端訓練。然而，這套全自動化流程也意味著系統無法手動調整超參數，更無法自動過濾劣質音訊。若上傳的樣本夾帶伴奏殘留、空間殘響或背景噪音，這些雜訊將被永久烙印在神經網路的聲音模型中，導致生成的歌聲出現金屬刺耳聲、機械發顫甚至音準漂移。

若想獲得具備專業錄音室水準的自訂聲音模型，創作者必須建立標準化工作流：透過專業分軌軟體提取純人聲乾音、使用音訊編輯工具完成降噪與修剪，最後再將處理完善的資料集部署至 Jammable 平台進行訓練與微調。

一、方案門檻與訂閱等級選擇

在處理音訊素材之前，創作者需先確認所持有的 Jammable 帳戶等級具備聲音模型訓練權限：

• 免費版與 Basic 基礎版限制：免費註冊帳戶僅供試聽和檢視社群既有模型。入門的 Basic 基礎版（每月 8.99 美元，首月特惠 1.99 美元）提供無限次 AI 翻唱與文字轉語音，但不支援自訂聲音模型訓練。
• Creator 創作者版（最推薦首選）：月費為 24.99 美元（首月特惠價 9.99 美元）。Creator 方案包含無限次訓練自訂 AI 聲音模型、社群影音匯出功能以及使用全站超過 10 萬種社群聲音庫。對於需要反覆迭代專屬音色或經營多重角色聲線的創作者，此方案最具性價比。
• Power 進階版：每月 89.99 美元，涵蓋 Creator 的全部權益，並享有專屬高優先處理佇列（每 12 小時 250 次算力配額）與每月 25 美元的 API 調用額度，適合專業團隊與自動化管線。
• 單次聲音通行證（Voice Pass）：若暫時不想訂閱月費，平台亦提供單次聲音訓練通行證（單張售價約 6.99 美元起）。

二、第一步：純淨人聲樣本的音訊預處理流程

Jammable 背後的聲音轉換神經網路會如實提取音訊中的所有聲學特徵。若樣本中混雜鼓點節奏、空間回音或合音合唱，模型便會將這些雜質視為該聲音固有特質的一部分。創作者在提交檔案前，應落實三個核心預處理階段。

階段 A：原始素材篩選與時長掌握

• 黃金時長標準：Jammable 的訓練介面提供資料集時長計量表，並標示最低門檻（MIN）、建議值（RECOMMENDED）與上限值（MAX）。最理想的長度為 8 至 15 分鐘的高密度純人聲。少於 3 分鐘往往導致模型發聲機械化、缺乏厚度；而超過 30 分鐘且品質不一的音訊，只會拉長運算時間，對音質提升並無實質助益。
• 單一說話者原則：訓練集必須僅包含單一特定人聲，嚴禁雙人對唱、背景合聲、搭話或採訪對話中的插話干擾。
• 音域與發聲多樣性：若用於音樂翻唱，素材應涵蓋胸腔低音、穩健中音及高亢的頭聲或假音；若用於旁白配音，則應保持麥克風收音距離與語速語調的一致性。

階段 B：音軌分離與乾音提取（Ultimate Vocal Remover / UVR5）

從現有歌曲、影音採訪或 Podcast 中擷取素材時，一般線上工具容易破壞人聲的高頻相位。業界普遍推薦的本地開源工具是 Ultimate Vocal Remover（UVR5）：

1. 高保真度人聲分離：將音訊匯入 UVR5，處理引擎選用 MDX-Net，並載入 Kim Vocal 1 或 UVR-MDX-NET Main 模型運算。該模型可在保留人聲微小細節的前提下，徹底抽離爵士鼓、貝斯與配樂樂器。
2. 徹底去除空間殘響（De-Echo / De-Reverb）：聲音模型必須使用完全乾淨無效果的「乾音」進行訓練。若原始素材含有房間自然殘響或後製混音效果，務必在 UVR5 的 VR Architecture 架構下啟用 De-Echo: Normal 或 De-Echo / De-Reverb 模型。若直接上傳濕音（帶殘響的音訊），日後模型產出的每一段音訊都會自帶空洞且混濁的金屬迴音。

階段 C：音訊修剪、靜音截斷與標準化（Audacity）

將去除殘響的人聲音軌匯入開源音訊編輯軟體 Audacity（或 Reaper、Adobe Audition 等專業 DAW）：

1. 低頻濾除：掛載高通濾波器（High-pass Filter），設定截止頻率為 70–80 Hz（斜率 12 dB/octave），過濾冷氣運轉低頻共振、噴麥氣流及麥克風架碰觸聲。
2. 截斷無聲片段：在 Audacity 頂部選單選擇 效果 > 截斷靜音（Truncate Silence）。將閥值設定為 -40 dB，將超過 0.5 秒的空白停頓縮短至 0.2 秒。神經網路需要密集的人聲特徵，過長的沉默會浪費有效算力。
3. 手動清除細部雜音：放大波形顯示，手動切除劇烈的吸氣喘息、清喉嚨聲、咳嗽、笑聲及口腔內黏膜產生的「口水音」。
4. 音量峰值標準化（Normalize）：將所有音軌執行峰值正規化，建議設定在 -1.0 dB 至 -2.0 dB Peak 之間，確保整組資料集動態音量一致且不產生數位削波失真。
5. 格式匯出：將處理完畢的純淨樣本匯出為無損 WAV 格式（16-bit 或 24-bit PCM，取樣率 44.1 kHz 或 48 kHz）。儘管 Jammable 接受 MP3 與 M4A，但無損 WAV 能避免多次破壞性壓縮帶來的音質耗損。

三、第二步：在 Jammable 平台部署與訓練自訂模型

完成資料集的預處理後，即可至平台執行雲端訓練流程：

1. 前往訓練專區：登入具備 Creator 或 Power 訂閱的 Jammable 帳戶，進入 https://www.jammable.com/train（或點選導覽列上的 Create > Train a Voice）。
2. 拖曳上傳音訊：將整理完成的 WAV 或 MP3 檔案上傳至指定區域。
3. 檢視資料集時長表：觀察頁面上的「DATASET DURATION」進度條，確認指針超越最低標示，並穩定落入「RECOMMENDED」（建議）區間。
4. 設定模型資料與隱私權限：
   • Voice Name（模型名稱）：為此聲音模型命名以利管理。
   • Avatar Image（大頭照封面）：上傳代表該聲線的角色圖像或封面照片。
   • 隱私權限（Privacy）：可選 Private（私密） 或 Public（公開）。私密模型僅供創作者個人帳號使用，對保護個人語音資產、自媒體個人品牌或商業配音至關重要；公開模型則會收錄至 Jammable 全球公開清單中。
5. 啟動雲端模型訓練：點擊 Next Stage 並送出確認。Jammable 伺服器叢集將自動執行音色特徵提取與音高對齊，通常在 2 至 10 分鐘內即可訓練完畢。

四、第三步：模型測試、音準調整與 AI 翻唱實作

模型建構完成後，會在個人後台即時啟用，創作者可立即進行生成測試：

1. 建立測試翻唱歌曲：前往 https://www.jammable.com/ai-cover，在模型選單中選取剛訓練完成的私密模型。
2. 匯入目標曲目：上傳目標音樂檔案或選取內建音軌。Jammable 將自動分離該曲目的人聲，替換為您的自訂聲線，並自動與伴奏音軌重新混音完成輸出。
3. 精確調整音高轉換（Pitch Shift）：
   • 若原曲歌手與訓練模型的音域差異過大（例如用男中音模型詮釋女高音歌曲），務必在設定面板將 Pitch 下調 -12 個半音（即向下位移一個完整八度）。
   • 反之，女聲模型翻唱男聲歌曲時，通常需要上調 +12 個半音。跨音域翻唱若未進行八度位移，極易產生機械撕裂感或嚴重的金屬破音。
4. 應用於語音配音：在 Jammable 的 Text-to-Speech 功能區輸入文字腳本，即可快速產出具備該音色特質的短影音旁白、遊戲角色對白或口播音訊。

五、架構評估：Jammable 雲端方案 vs 本地部署 RVC

六、實務創作核心建議

• 輸入品質決定輸出成果（Garbage In, Garbage Out）：Jammable 的自動化大幅降低了操作門檻，但也意味著無法在後端以參數調優補救瑕疵。訓練素材的純淨度，直接決定了模型輸出的逼真極限。
• 「乾度」遠勝於長度：8 分鐘完全去除殘響、收音清晰的純淨乾音，其訓練成效遠遠優於 30 分鐘帶有現場環境雜音與回音的低品質錄音。
• 版權規範與使用授權：若使用公眾人物或知名歌手之聲音樣本進行訓練，務必遵守 Jammable 的使用條款（Terms of Use）與數位千禧年版權法案（DMCA Policy）。商業化釋出 AI 生成作品前，應取得音樂著作與聲音肖像的合法使用權限。

參考資料

• 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