Trzy kroki, z których drugi jest najtrudniejszy
Każdy program do korekcji intonacji, od słynnych po darmowe, robi te same trzy rzeczy: ustala, na jakiej wysokości śpiewa głos w każdej chwili, decyduje, jaka ta wysokość powinna być, i resyntetyzuje dźwięk na nowej wysokości.
Pierwszy krok to rozwiązany problem inżynierski. Trzeci, rozwiązany problem przetwarzania sygnałów. Drugi (decyzja, jaka nuta powinna zabrzmieć) to ocena muzyczna, którą oprogramowanie domyślnie podejmuje źle, a prawie każdy źle brzmiący wystrojony wokal jest skutkiem tego kroku, a nie dwóch pozostałych.
Krok pierwszy: znalezienie wysokości dźwięku
Detektor wysokości dźwięku szacuje częstotliwość podstawową głosu, zwykle kilkaset razy na sekundę. Klasyczne metody korzystały z autokorelacji: przesuwania przebiegu względem niego samego, żeby znaleźć okres, przy którym najlepiej się pokrywa. Nowoczesne detektory używają sieci neuronowych trenowanych na nagraniach z adnotacjami i są wyraźnie lepsze w trudnych przypadkach: śpiew z dużą ilością powietrza, growl, wibrato, moment, w którym zaczyna się nuta.
Wynikiem jest ciągły przebieg wysokości dźwięku, a nie lista nut. To rozróżnienie ma znaczenie: dobre narzędzie dzieli potem ten przebieg na nuty i pozwala zobaczyć i edytować jedno i drugie. Jeśli nie widzisz przebiegu wysokości, ufasz na ślepo podziałowi na nuty, a to właśnie przy tym podziale narzędzie pomyli się na twoim melizmacie.
Detektory zawodzą w przewidywalny sposób przy błędach oktawowych, gdy podają nutę o oktawę obok, i przy materiale, który nie jest jednym wyraźnym głosem. Jeśli detektor dostanie zdublowany wokal albo wokal z mocnymi przesłuchami, ma do wyboru dwie częstotliwości podstawowe i żadnego sposobu, żeby wiedzieć, o którą ci chodziło. Gdy jedynym źródłem jest gotowy miks, to wcześniejsze wyodrębnienie wokalu w ogóle umożliwia śledzenie wysokości.
Krok drugi: ustalenie nuty docelowej
Teraz narzędzie musi zdecydować, jaka powinna być każda nuta. Naiwna odpowiedź, domyślna w większości programów, to najbliższa nuta skali chromatycznej.
To ustawienie domyślne przez większość czasu jest błędne, a oto dlaczego. Jeśli utwór jest w a-moll, a wokalista celuje w C, ale trafia trochę za nisko, najbliższą nutą chromatyczną może być H. Program z pełnym przekonaniem ściągnie nutę do H i powstanie coś, co nie stroi z niczym i jest błędne w sposób dużo bardziej zauważalny niż pierwotne zaniżenie.
Dlatego zawsze podawaj mu tonację. Jeszcze lepiej:
- Ustaw właściwą skalę, żeby nuty spoza tonacji nie były dostępne jako cele.
- Wyklucz nuty, których melodia nie używa. Jeśli wokalista nigdy nie śpiewa Fis, usunięcie go ze zbioru celów usuwa całą kategorię błędów.
- Użyj ścieżki akordów, jeśli narzędzie ją obsługuje, żeby cel podążał za harmonią, a nie za stałą skalą. Właściwa nuta w takcie 3 to nie ta sama nuta, która jest właściwa w takcie 11.
- Chroń celowe odstępstwa. Blue note, podciągnięta nuta, nuta celowo zaczynana od dołu: to jest właśnie wykonanie. Program zablokowany na skali „naprawi” każdą z nich.
Krok trzeci: przesunięcie wysokości dźwięku
Gdy cel jest znany, dźwięk trzeba wyrenderować na nowej wysokości bez zmiany jego długości. Robią to dwie rodziny technik.
Metody w dziedzinie czasu, PSOLA i pokrewne, tną przebieg na krótkie ziarna wyrównane do okresów tonu podstawowego i składają je ponownie z innymi odstępami. Mniejsze odstępy podnoszą wysokość, większe ją obniżają, a powtarzanie lub pomijanie ziaren utrzymuje tę samą długość. To tanie obliczeniowo i brzmi znakomicie przy małych przesunięciach w materiale monofonicznym, czyli dokładnie w przypadku korekcji intonacji.
Metody wokoderowe i oparte na modelach rozkładają sygnał na obwiednię widmową i pobudzenie, zmieniają częstotliwość pobudzenia i resyntetyzują dźwięk. Są droższe, bardziej elastyczne i lepiej radzą sobie z dużymi przesunięciami oraz z niezależną zmianą formantów.
Przy małych korektach, z których składa się większość strojenia, kilkadziesiąt centów, wybór metody ma dużo mniejsze znaczenie niż to, o co poproszono w kroku drugim.
Szybkość korekcji to parametr, który ma znaczenie
To najbardziej przydatna rzecz, jaką warto zrozumieć w tych narzędziach, i nagminnie myli się ją z siłą korekcji.
Siła to to, jak daleko nuta przesuwa się w stronę celu. Szybkość korekcji (retune speed) to to, jak szybko tam dociera, gdy narzędzie już zdecyduje się ją przesunąć.
Ludzki głos nie trafia w wysokość natychmiast. Wjeżdża w nią ślizgiem, lekko ją przestrzeliwuje, stabilizuje się i dodaje wibrato. Te przejścia niosą ogromną część ekspresji wykonania: portamento między dwiema nutami często jest najbardziej ludzką rzeczą we frazie.
Ustaw niską szybkość korekcji, a program poczeka, pozwoli, by ślizg odbył się naturalnie, i tylko delikatnie poprawi wytrzymywaną część nuty. Wynik jest przezroczysty: wokalista brzmi czysto, a nic innego się nie zmieniło.
Ustaw szybkość korekcji na zero, a każde przejście zostanie skwantyzowane. Głos przeskakuje między dokładnymi wysokościami bez żadnego ślizgu, a ponieważ ludzki głos nigdy tak nie robi, ucho od razu rozpoznaje w tym obróbkę. To jest ten słynny efekt: i jest on zamierzony, stosowany celowo, a nie skutkiem ubocznym zbyt mocnego strojenia.
A zatem: mocna korekcja przy niskiej szybkości jest przezroczysta. Słaba korekcja przy natychmiastowej szybkości jest wyraźnie przetworzona. Jeśli wystrojony wokal brzmi robotycznie, a nie o to chodziło, zmień szybkość korekcji.
Formanty i dlaczego skorygowane wokale brzmią jak wiewiórki
W głosie dzieją się dwie niezależne rzeczy. Fałdy głosowe wytwarzają częstotliwość podstawową: wysokość dźwięku. Gardło, usta i nos filtrują potem ten dźwięk, uwydatniając pewne obszary częstotliwości zwane formantami. To formanty sprawiają, że „i” brzmi inaczej niż „a”, a ich położenie mówi też słuchaczowi mniej więcej, jak duża jest osoba, która mówi.
Jeśli przesuniesz cały sygnał w górę, jak przy naiwnej zmianie prędkości, formanty przesuną się razem z wysokością, a słuchacz usłyszy nie wyższą nutę, tylko mniejszą osobę. To efekt wiewiórki.
Dobra korekcja intonacji zachowuje formanty: przesuwa częstotliwość podstawową, a obwiednię widmową zostawia tam, gdzie była, więc wokalista brzmi jak ta sama osoba śpiewająca inną nutę. Przy małych przesunięciach zwykłego strojenia ma to niewielkie znaczenie. Przy przesunięciach o kilka półtonów ma ogromne, a narzędzie bez zachowania formantów jest wtedy bezużyteczne.
Przesunięcie formantów jest też dostępne jako osobny, celowy parametr: w ten sposób można świadomie sprawić, że głos zabrzmi jak głos większej albo mniejszej osoby, niezależnie od wysokości dźwięku.
Skąd się biorą artefakty
- Złe śledzenie. Jeśli detektor źle odczytał wysokość, korekta jest liczona względem błędnego odczytu, a wynik jest pewny siebie i błędny. Zwykle winne są fragmenty śpiewane z dużą ilością powietrza i bardzo ciche.
- Duże przesunięcia. Każda technika resyntezy degraduje się wraz z odległością. Półton to nic; pięć półtonów na wytrzymywanej nucie zaczyna brzmieć syntetycznie. Jeśli nagranie jest konsekwentnie daleko od celu, nagraj je jeszcze raz.
- Spółgłoski. Głoski syczące i wybuchowe praktycznie nie mają wysokości, a program, który próbuje je stroić, wytwarza charakterystyczne rozmazanie. Dobre narzędzia wykrywają fragmenty bezdźwięczne i zostawiają je w spokoju. Ostre sybilanty to jeszcze inne zadanie, które należy do etapu rekonstrukcji, po korekcji wysokości, a nie przed nią.
- Przesłuchy. Ślad wokalu z przesłuchami z pomieszczenia albo wokal wyodrębniony z miksu daje detektorowi dwie rzeczy naraz. Strojenie głośniejszej z nich ciągnie za sobą drugą.
- Korekcja kontra wibrato. Wibrato to celowa modulacja wysokości; szybka korekcja odczytuje je jako błąd i je spłaszcza. Niektóre narzędzia oddzielają wibrato od dryfu wysokości, żeby można było skorygować jedno, a zachować drugie: i to jest właściwe rozwiązanie.
Jak dobrze z tego korzystać
- Zacznij od najlepszego nagrania, jakie da się uzyskać. Korekcja naprawia wysokość dźwięku. Nie naprawia frazowania, timingu, barwy ani przekonania, a to one naprawdę sprawiają, że wokal jest dobry: a większości tego, co psuje się przy mikrofonie, w ogóle nie da się potem skorygować.
- Zawsze ustawiaj tonację i skalę. Domyślna skala chromatyczna to źródło większości złych wyników.
- Zmniejsz szybkość korekcji, chyba że zależy ci właśnie na efekcie.
- Strój nuty, które są nie tak, a nie każdą nutę. Większość narzędzi chętnie przetworzy całe nagranie; w większości nagrań korekty wymagają cztery, pięć nut.
- Słuchaj w kontekście. Wokal na solo pokaże każdy artefakt. Wokal w miksie pokaże, które z nich ktokolwiek usłyszy: a jeśli po czystym wystrojeniu nadal nie siedzi dobrze, to zwykle kwestia EQ.
- Zachowaj nietknięte nagranie. Za tydzień zechcesz porównać i czasem wybierzesz oryginał.
Na koniec słowo o nazwach: technika to korekcja intonacji albo strojenie wokalu, a narzędzie, które to robi, to program do strojenia wokalu. To nie jest Auto-Tune, w większości wyszukiwań zapisywany jako „autotune”, który jest jednym konkretnym produktem firmy Antares, a używanie jego nazwy na określenie całej kategorii jest nieścisłe: a do tego ta nazwa to znak towarowy firmy Antares. Czym naprawdę jest Auto-Tune opisuje konkretnie ten produkt: skąd się wziął i dlaczego słynny robotyczny efekt to ustawienie szybkości, a nie dźwięk mocnej korekcji.
Czytaj dalej