真正换掉嗓音的AI歌声变声器

AI歌声变声器接收一段你已经唱好的人声，用另一位歌手的嗓音重新唱一遍。上传一条录音，或者直接在浏览器里录一条，从212个已授权模型组成的音色库里挑一个，三十到六十秒后拿回一段WAV。每一个音符还停在你唱的位置上，歌词一样，连换气都一样。被替换掉的，只有嗓音身份本身。

关键在机制。传统的唱歌变声器是测量你的信号再搬动它：音高上下移，共振峰变宽或变窄。你的波形依然在下面，只是被拉伸过。训练好的模型走的是相反的路：它从你的演唱里读出音高与时值的走向，把你的波形整条丢掉，再用一个基于某位特定歌手训练出的模型重新合成音频。你原本的音色一点都没留下，因为它压根没被用到。

实际用起来，你给它什么样的演唱，它就还给你什么样的演唱。请全力去唱，因为一条敷衍的引导人声只会转出一条敷衍的结果。全程干声录制，关掉混响、延迟和自动修音——任何被烘焙进信号里的东西都会被当成嗓音的一部分，回来时糊成一片。上传支持WAV、MP3、OGG、WebM和FLAC，单个文件最大50MB。

挑模型是另一半功夫。音色库里有114个男声和94个女声，当模型的自然音域贴近你自己的音域时，歌声变声器的结果最干净。把低沉的男中音录音硬塞进明亮的女高音模型，等于要求一次超出训练数据支撑范围的大幅位移，杂音会最先出现在长持续音上。

这里的每一个音色都已获授权、免版税可商用，训练素材来自自愿授权的录音棚歌手，而不是从已发行唱片里扒取，所以你做出来的东西不会带上形象权问题。每次转换消耗5个积分，成品存进「我的作品」，关掉标签页之后依然可以下载。

四种完全不同的技术，被用几乎一样的词在卖，挑错一个就白白浪费一个下午。第一种是经典的变声器效果：移调加共振峰位移，两者都轻到能在手机上实时运行。直播叠加层、游戏语音滤镜和大多数手机App里的趣味滑块，用的都是它。它快、几乎不花钱，而且听起来永远像是你的声音被处理过——因为事实就是如此。

第二种是本页使用的训练音色模型。它丢掉你的波形，用另一位歌手的模型重新生成人声，所以音色真正属于那位歌手，而不是被滤镜加工过的你。代价是延迟和成本：每条录音要花掉半分钟GPU时间，而不是五毫秒的DSP运算。

第三种是自动修音，也就是音高校正。它把偏低偏高的音符拉回音格上，设置狠一点还会带上听众一耳朵就能认出的量化味。它完全不改变身份，所以修过音的人声依然明明白白是你。但请别把它加在输入端：基于训练模型的AI变声器要读取你的音高曲线，事先做过校正，会把模型本来能还原的那部分表现力提前抹掉。

第四种是文字转语音式的声音克隆。你打字，模型把它念出来，有些工具还能照着写好的旋律近似地唱。这条链路里根本不存在你的任何一次演唱，所以分句、时值、强弱，以及那些让人声可信的小瑕疵，全都得凭空编造。用来做旁白很合适，用来做音乐则远远不够。

这并不意味着便宜的方案就是错的。如果你需要边唱边实时听到变化，如果你在手机上离线使用，如果你只想要一点轻微的角色感而不是换一位歌手，又或者你本来就希望听众还能听出底下是你，那么DSP唱歌变声器才是对的工具，训练模型属于杀鸡用牛刀。只有当嗓音身份本身必须改变时，才需要这一页。