Cantantes
Cada concesionario de Vocaloid desarrolla la Librería del Cantante o una base de datos de muestras de fragmentos vocales de gente real. La base de datos debe tener todas las combinaciones posibles de fonemas del idioma objetivo, incluyendo difonos (una cadena de dos fonemas diferentes) y vocales sostenidas, también como los polifónicos con más de dos fonemas si es necesario. Por ejemplo, la voz correspondiente a la palabra en inglés "sing" ([sIN]) puede ser sintetizada concatenando la secuencia de difonos "#-s, s-I, I-N, N-#" (# indicando un fonema mudo) con la vocal sostenida i. El sistema Vocaloid cambia la altura de esos fragmentos de modo que ajusta la melodía.
En orden de obtener sonidos más naturales, tres ó cuatro diferentes rangos de altura son requeridos para ser almacenados en la librería. El Japonés requiere 500 difonos por altura, mientras que el Inglés requiere 2,500. El Japonés tiene muy pocos difonos y más sonidos silábicos que son sílabas abiertas terminando en una vocal. En Japonés, hay básicamente tres patrones de difonos conteniendo una consonante: mudo-consonante, vocal-consonante y consonante-vocal. Por otro lado, el Inglés tiene muchas sílabas cerradas terminando en difonos consonante, consonante-consonante y consonante-mudo también. Así, más difonos son necesarios para ser grabados en una librería Inglesa que en una Japonesa. Debido a esta diferencia lingüística, una librería Japonesa no es adecuada para cantar en Inglés.
