声そのものが本当に変わるAI歌声チェンジャー

AI歌声チェンジャーは、すでに歌い終えたボーカルを受け取り、別のシンガーとして歌い直します。テイクをアップロードするか、ブラウザでそのまま録音し、ライセンス済み212種類のモデルから声を選べば、30〜60秒後にWAVが返ってきます。音符はあなたが歌った位置のまま、歌詞もブレスも同じです。置き換わったのは声の個性そのものだけです。

仕組みの違いが結果を分けます。従来の歌用ボイスチェンジャーは、あなたの信号を測って動かすだけです。ピッチを上げ下げし、フォルマントを広げたり狭めたりする。波形は引き伸ばされた状態で下に残り続けます。学習済みモデルは逆向きに働きます。あなたの歌唱からピッチとタイミングの輪郭だけを読み取り、波形そのものは捨て、ひとりのシンガーで学習したモデルから音声を作り直します。元の声質は一切残りません。そもそも使われていないからです。

入力した歌唱がそのまま返ってくるので、本番のつもりで歌い切ってください。自信なさげな仮歌は、自信なさげな結果に変換されます。リバーブもディレイもピッチ補正も切って、ドライで録音しましょう。信号に焼き付いたものはすべて声の一部と見なされ、にじんだ音になって返ってきます。アップロードはWAV、MP3、OGG、WebM、FLACで50MBまで対応しています。

モデル選びが残り半分の仕事です。ライブラリには男性114種類・女性94種類があり、歌声チェンジャーが最もきれいに働くのは、モデルの得意な音域が自分の音域に近いときです。低いバリトンのテイクを明るいソプラノのモデルに通せば、学習データが支える以上の移動を求めることになり、そのほころびはまずロングトーンに現れます。

どの声もライセンス済み・ロイヤリティフリーです。リリース済み音源から無断で収集したものではなく、同意を得たセッションシンガーの歌声で学習しているため、ここで作ったものにパブリシティ権の問題は生じません。1回の変換は5クレジットで、結果は「マイ作品」に保存されます。

ほぼ同じ言葉で4つの異なる技術が売られていて、選び間違えると午後がまるごと無駄になります。1つ目は古典的なボイスチェンジャーのエフェクトです。ピッチシフトとフォルマントシフトを組み合わせたもので、どちらもスマホでリアルタイムに動くほど軽い処理です。配信のオーバーレイ、ゲームのボイスチャットのフィルター、スマホの余興アプリのスライダーはこれにあたります。速くてほぼ無料、そして必ず「自分の声に何か加工をした音」に聞こえます。実際そのとおりのものだからです。

2つ目が、このページで使っている学習済みボイスモデルです。あなたの波形を捨て、別のシンガーのモデルからボーカルを作り直すため、声質はフィルターをかけたあなたではなく、そのシンガー本人のものになります。代償はレイテンシーとコストで、5ミリ秒のDSP処理ではなく、1テイクあたり30秒ほどのGPU時間がかかります。

3つ目はオートチューン、つまりピッチ補正です。低すぎる音・高すぎる音をグリッドに引き寄せるもので、強くかければ、聴き手がエフェクトとして認識するあの量子化された響きになります。声の個性には触れません。補正したボーカルは、どこまでいってもまぎれもなくあなたの声です。ただし入力にはかけないでください。学習済みモデルを使うAIボイスチェンジャーはあなたのピッチの輪郭を読むため、先に補正をかけると、モデルが再現できたはずの表情まで削られてしまいます。

4つ目はテキスト読み上げ（TTS）による音声クローンです。文字を入力するとモデルがそれを話し、ツールによっては書かれた旋律から歌唱らしきものを近似します。この経路のどこにもあなたの歌唱は存在しないため、フレージング、タイミング、ダイナミクス、そしてボーカルを本物らしくする微妙な揺らぎまで、すべてを発明しなければなりません。ナレーションには便利ですが、音楽には向きません。

とはいえ、安価な選択肢が間違いというわけではありません。歌いながらリアルタイムで変化を聴きたいとき、オフラインで作業するとき、別人になるのではなく軽いキャラ付けをしたいとき、あるいは聴き手に「あなた」の声を残しておきたいとき。そうした場合はDSPの歌用ボイスチェンジャーが正解で、学習済みモデルは過剰です。このページを使うのは、声の個性そのものを変えなければならないときです。