Trois étapes, et la deuxième est la plus difficile
Tout correcteur de justesse, des plus célèbres aux gratuits, fait les trois mêmes choses : il détermine à quelle hauteur la voix chante à chaque instant, il décide de la hauteur qu’elle devrait avoir, et il resynthétise l’audio à la nouvelle hauteur.
La première étape est un problème d’ingénierie résolu. La troisième est un problème de traitement du signal résolu. La deuxième, décider de ce que la note devrait être, est un jugement musical que les logiciels portent mal par défaut, et presque toute voix corrigée qui sonne mal est une conséquence de cette étape, pas des deux autres.
Première étape : trouver la hauteur
Un détecteur de hauteur estime la fréquence fondamentale de la voix, généralement plusieurs centaines de fois par seconde. Les approches classiques utilisaient l’autocorrélation : faire glisser la forme d’onde sur elle-même pour trouver la période à laquelle elle se superpose le mieux. Les détecteurs modernes utilisent des réseaux de neurones entraînés sur de l’audio annoté, et ils sont nettement meilleurs dans les cas difficiles : voix soufflée, growl, vibrato, l’instant où une note commence.
Le résultat est une courbe de hauteur continue plutôt qu’une liste de notes. La distinction compte : un bon outil découpe ensuite la courbe en notes et vous permet de voir et de modifier les deux. Si vous ne voyez pas la courbe de hauteur, vous faites aveuglément confiance au découpage de l’outil, et c’est au découpage qu’il se trompera sur votre mélisme.
Les détecteurs échouent de façon prévisible sur les erreurs d’octave, en indiquant une note décalée d’une octave, et sur un contenu qui n’est pas une seule voix claire. Donnez-leur une voix doublée ou une voix chargée de repisse, et ils ont deux fondamentales entre lesquelles choisir, sans aucun moyen de savoir laquelle vous vouliez. Quand la seule source est un mix terminé, isoler d’abord la voix est ce qui rend la détection tout simplement possible.
Deuxième étape : décider de la cible
L’outil doit maintenant décider de ce que chaque note devrait être. La réponse naïve, qui est aussi le réglage par défaut de la plupart des logiciels, c’est la note la plus proche dans une gamme chromatique.
Ce réglage par défaut est faux la plupart du temps, et voici pourquoi. Si la chanson est en la mineur et que l’interprète vise un do, mais arrive un peu bas, la note chromatique la plus proche peut être un si. Le correcteur tirera la note vers le si avec assurance, et produira quelque chose qui n’est juste par rapport à rien, et faux d’une façon bien plus perceptible que le léger défaut d’origine.
C’est pourquoi il faut toujours lui indiquer la tonalité. Mieux encore :
- Réglez la gamme réelle, pour que les notes hors de la tonalité ne soient pas disponibles comme cibles.
- Excluez les notes que la mélodie n’utilise pas. Si l’interprète ne chante jamais de fa♯, le retirer des cibles supprime toute une catégorie d’erreurs.
- Utilisez une piste d’accords si l’outil le permet, pour que la cible suive l’harmonie plutôt qu’une gamme fixe. La bonne note à la mesure 3 n’est pas la bonne note à la mesure 11.
- Protégez les notes voulues. Une blue note, une note glissée, une note attaquée par en dessous exprès : c’est cela, l’interprétation. Un correcteur verrouillé sur une gamme va toutes les « corriger ».
Troisième étape : déplacer la hauteur
Une fois la cible connue, l’audio doit être recalculé à la nouvelle hauteur sans changer de durée. Deux familles de techniques s’en chargent.
Les méthodes temporelles, PSOLA et ses variantes, découpent la forme d’onde en grains courts alignés sur les périodes de la hauteur, puis les réassemblent avec un espacement différent. Un espacement plus serré monte la hauteur, un espacement plus large la baisse, et répéter ou supprimer des grains conserve la même durée. C’est peu coûteux en calcul et le résultat est excellent pour de petits décalages sur un contenu monophonique, ce qui est exactement le cas de la correction de justesse.
Les méthodes par vocodeur ou par modèle décomposent le signal en une enveloppe spectrale et une excitation, modifient la fréquence de l’excitation, puis resynthétisent. Plus coûteuses, plus souples, elles sont meilleures pour les grands décalages et pour manipuler les formants indépendamment.
Pour les petites corrections qui constituent l’essentiel du travail de justesse, quelques dizaines de cents, le choix compte bien moins que ce que vous avez demandé à l’outil à la deuxième étape.
La vitesse de correction est le réglage qui compte
C’est la chose la plus utile à comprendre sur ces outils, et on la confond régulièrement avec l’intensité de correction.
L’intensité, c’est la distance dont une note se rapproche de sa cible. La vitesse de correction (retune speed), c’est la rapidité avec laquelle elle l’atteint une fois que l’outil a décidé de la déplacer.
Une voix humaine n’arrive pas instantanément sur une hauteur. Elle glisse, dépasse légèrement, se stabilise, et ajoute du vibrato. Ces transitions portent une part énorme de l’expression d’une interprétation : le portamento entre deux notes est souvent ce qu’il y a de plus humain dans une phrase.
Réglez une vitesse de correction lente, et le correcteur attend : il laisse le glissement se faire naturellement et ne pousse que la partie tenue de la note. Le résultat est transparent : l’interprète chante juste et rien d’autre n’a changé.
Réglez la vitesse de correction sur zéro, et chaque transition est quantifiée. La voix saute d’une hauteur exacte à l’autre sans aucun glissement, et comme une voix humaine ne fait jamais cela, l’oreille l’identifie immédiatement comme un traitement. C’est le fameux effet : et il est délibéré, utilisé exprès, pas un effet secondaire d’une correction trop poussée.
Donc : une correction forte avec une vitesse lente est transparente. Une correction faible avec une vitesse instantanée s’entend clairement. Si une voix corrigée sonne robotique alors que vous ne le vouliez pas, c’est la vitesse de correction qu’il faut changer.
Les formants, ou d’où vient l’effet Mickey des voix corrigées
Une voix met en jeu deux choses indépendantes. Les cordes vocales produisent une fréquence fondamentale : la hauteur. La gorge, la bouche et le nez filtrent ensuite ce son, en accentuant certaines zones de fréquences appelées formants. Ce sont les formants qui font qu’un « i » sonne autrement qu’un « a », et leur position indique aussi à l’auditeur la taille approximative de la personne qui parle.
Si vous décalez tout le signal vers le haut en fréquence, comme le ferait un simple changement de vitesse, les formants se déplacent avec la hauteur, et l’auditeur n’entend pas une note plus haute mais une personne plus petite. C’est l’effet Mickey.
Une bonne correction de justesse préserve les formants : elle déplace la fondamentale et laisse l’enveloppe spectrale où elle était, si bien que l’interprète sonne comme la même personne chantant une autre note. Pour les petits décalages d’une correction ordinaire, cela compte à peine. Pour des décalages de plusieurs demi-tons, cela compte énormément, et un outil sans préservation des formants est alors inutilisable.
Le décalage de formants existe aussi comme réglage à part entière, utilisé délibérément : c’est ainsi qu’on fait sonner exprès une voix plus grande ou plus petite, indépendamment de sa hauteur.
D’où viennent les artefacts
- Une mauvaise détection. Si le détecteur a mal lu la hauteur, la correction s’applique par rapport à une lecture fausse, et le résultat est faux avec assurance. Les passages soufflés et très doux sont les coupables habituels.
- Les grands décalages. Toute technique de resynthèse se dégrade avec la distance. Un demi-ton, ce n’est rien ; cinq demi-tons sur une note tenue commencent à sonner synthétique. Si une prise est constamment très loin de la note, refaites-la.
- Les consonnes. Les sibilantes et les plosives n’ont pour ainsi dire pas de hauteur, et un correcteur qui essaie de les corriger produit un étalement caractéristique. Les bons outils détectent les zones non voisées et les laissent tranquilles. Les sibilantes agressives sont encore un autre travail, qui relève de l’étape de restauration, après la justesse plutôt qu’avant.
- La repisse. Une piste de voix où la pièce s’entend, ou une voix extraite d’un mix, donne au détecteur deux choses à la fois. Corriger la plus forte entraîne l’autre avec elle.
- Lutter contre le vibrato. Le vibrato est une modulation de hauteur délibérée ; une correction rapide le prend pour une erreur et l’aplatit. Certains outils séparent le vibrato de la dérive de hauteur pour que vous puissiez corriger l’une et garder l’autre, ce qui est la bonne conception.
Bien s’en servir
- Partez de la meilleure prise possible. La correction corrige la justesse. Elle ne corrige ni le phrasé, ni le timing, ni le timbre, ni la conviction, qui font réellement une bonne voix : et l’essentiel de ce qui tourne mal au micro ne peut tout simplement pas être corrigé après coup.
- Réglez toujours la tonalité et la gamme. Le réglage chromatique par défaut est la source de la plupart des mauvais résultats.
- Ralentissez la vitesse de correction, sauf si vous voulez précisément l’effet.
- Corrigez les notes fausses, pas toutes les notes. La plupart des outils traiteront volontiers une prise entière ; la plupart des prises n’ont que quatre ou cinq notes qui en ont besoin.
- Écoutez en contexte. Une voix en solo révèle chaque artefact. Une voix dans le mix révèle ceux que quelqu’un entendra : et si elle ne trouve toujours pas sa place une fois la justesse propre, c’est généralement une question d’égalisation.
- Gardez la prise d’origine. Une semaine plus tard, vous voudrez comparer, et vous préférerez parfois l’original.
Un dernier mot sur les noms : la technique s’appelle correction de justesse, et un outil qui la pratique est un correcteur de justesse. Ce n’est pas Auto-Tune, écrit « autotune » dans la plupart des recherches, qui est un produit précis, d’Antares : employer son nom pour toute la catégorie est inexact, et ce nom est leur marque. Ce qu’est vraiment Auto-Tune traite de ce produit en particulier : d’où il vient, et pourquoi le célèbre effet robotique est un réglage de vitesse plutôt que le son d’une correction trop forte.
Poursuivre la lecture