¿Cómo funciona el Software?

La tecnología que utiliza Vocaloid es categorizada como síntesis  concatenativa, el cuál junta y procesa fragmentos de las voces humanas cantadas en el dominio de la frecuencia. Produce voces realistas agregando información de la expresión vocal como el vibrato y fragmentos vocales necesarios para cantar. Los motores de síntesis de Vocaloid y Vocaloid2 son diseñados para cantar, no para leer texto en voz alta. No pueden replicar naturalmente expresiones de canto como la voz ronca o gritos.

Las partes principales del sistema Vocaloid 2 son: 

• El editor de partitura: Es un editor para introducir notas, letras y algunas expresiones. Para una Librería de Cantante Japonés, el usuario puede introducir letras escritas en Hiragana, Katakana o Romaji, mientras que en una Librería Inglesa el editor automáticamente convierte las letras en símbolos fonéticos usando la pronunciación incorporada en el diccionario. Ambas librerías difieren en el método de introducción de las letras pero comparten la misma plataforma.
• Librería del cantante: Cada consecionario de Vocaloid desarrolla la Librería del Cantante o una base de datos de muestras de fragmentos vocales de gente real. Esta base debe tener todas las convinaciones posibles de fonemas del idioma objetivo, incluyendo difonos (una cadena de dos fonemas diferentes) y vocales sostenidas. El japonés requiere de 500 difonos por altura, mientras que el inlgés 2500.  
• Motor de síntesis:  Recibe  la información de la partitura contenida en mensajes MIDI (un protocolo de comunicación serial estándar que permite a las computadoras, sintetizadores, secuenciadores y otros dispositivos musicales electrónicos comunicarse y compartir información para la generación de sonidos) enviador por el Editor de partitura. Ajusta la altura y el timbre de las muestras seleccionadas en el dominos de frecuencia y los une a las voces de canto sintetizadas.