Auto-Tune 是一款产品，而不是一种技术
Auto-Tune 是一款特定的软件，由 Antares Audio Technologies 开发并注册了商标，用来校正录好的人声的音高。它不是这个过程的名字。这个过程叫音高校正，也叫人声修音，做这件事的产品有很多：Auto-Tune 只是第一个好用到出名的，于是它的名字成了整个类别的代称，就像英语里 Hoover 成了吸尘器的代名词一样。
这个区别比听上去更重要，因为人们说“autotune”时，指的大多根本不是音高校正本身。他们指的是它的某一种极端设置：Cher、T-Pain 和无数模仿者的唱片里那种生硬、阶梯式、合成感很强的声音，也就是中文里常说的“电音”。普通的音高校正，按大多数唱片的用法，是完全听不出来的，而用到它的音乐比你猜的多得多。
所以，一个词背后其实是三样不同的东西：这家公司的产品、这项通用技术，以及一种著名的效果：这款产品能做出这种效果，但通常并没有被要求这样做。三者背后的机制是一样的，值得好好理解一次。
从地震数据，到一张 Cher 的唱片
Auto-Tune 的发明者是 Andy Hildebrand，一位研究工程师，此前整个职业生涯都在石油行业处理地震数据：把声音送进地下，再解读反射回来的信号，以找到矿藏。做这件事的数学工具是自相关：把一个信号和它自身错开滑动，找出它重复得最好的那个间隔。
反射冲击波里的重复间隔，告诉你的是岩层的情况。同样的测量用在人声上，告诉你的就是音高，因为音高就是波形重复的速率。Hildebrand 意识到这项技术可以迁移过来，Antares 在 1997 年发布了 Auto-Tune。
它的本意是透明：修正一个稍微偏低的音，其他一切保持不动。让它出名的，却是有人把它开到了最大。1998 年，Cher 的《Believe》用了校正（retune）控制的最极端设置，做出了一种在精确音高之间瞬间跳变、中间没有任何人声滑动的声音。制作人起初说这个声音来自一个声码器效果器。其实那是 Auto-Tune；不到十年，T-Pain 就靠同一个设置成就了一番事业，Kanye West 也用它做了一整张专辑。
一个为了不被察觉而打造的工具，却因为极其容易被察觉而出了名，这就是为什么这个词现在的意思，和这款软件本来的用途正好相反。
它对人声做了什么
三个步骤，每一款这类产品都是同样的三步。软件算出人声在每一刻唱的是什么音高；决定这个音应该是什么音高；再以校正后的音高重新渲染音频，同时不改变时长。
第一步和第三步是已经解决的工程问题。中间那一步是一个音乐上的判断，几乎每一条听起来很糟的修音人声，都出在这一步。保持默认设置的话，软件会以半音阶中最近的音为目标：12 个半音随时都可选。如果歌手想唱 C，却唱得稍微偏低，离它最近的半音可能是 B，软件就会毫不犹豫地把这个音拉到 B：结果跟什么都不在调上，而且错得比原来那点偏低明显得多。
告诉它歌曲的调性，就能消除这一整类错误。《音高校正到底是怎么工作的》完整讲解了这三个步骤，包括音阶选择、和弦轨，以及为什么保留共振峰，才能让一个移了音高的音听起来不像一个更小的人。
“电音”效果来自一个控制项
这是关于这类工具最有用的一点，而它几乎被所有人误解了：那种著名的声音，并不是把人声修得太狠的结果，而是修得太快的结果。
这里涉及两个不同的控制项。强度：一个音朝目标移动多远。校正速度（retune speed）：软件决定移动它之后，它多快到达目标。
人声永远不会瞬间到达一个音高。它会从下方滑进去，稍微冲过头，再稳定下来，然后加上颤音。这些过渡承载了一个乐句中大部分的表现力；两个音之间的滑音（portamento），往往是一条人声里最有人味的东西。
把校正速度调慢，软件就会等滑音过去，只校正音符持续的中段。听众听到的，只是一个音准很好的歌手。把校正速度调到零，每一次过渡都会被量化：人声在精确的音高之间跳跃，完全没有滑动。因为人声在生理上根本做不到这一点，耳朵立刻就能听出这是机器。
这意味着，强校正配慢速度是透明的，而弱校正配瞬时速度则一听就是处理过的。如果一条修过音的人声听起来像机器人，而你并不想要这种效果，该改的是校正速度，而不是强度。
自动和手动是两种不同的工作
这一类产品通常提供两种工作方式，适合不同的问题。
- 自动。你设定调性和音阶，软件就据此实时校正所有东西。速度快，适合粗略的人声或刻意要做的效果，而且不加区分：它会把一个蓝调音、一个刻意的滑音和一个从下方滑入的音，连同真正的错误一起“修正”掉。
- 手动或图形化。软件画出它检测到的音高曲线，你逐个音符地编辑，只移动错的地方。速度更慢，但想修音又不把演唱中刻意为之的部分一并抹平，这是唯一的方法。
大多数专业修音属于第二种，只用在一条录音里的四五个音上，而不是整条。如果一个工具不给你看音高曲线，你就是在盲目信任它的音符切分：而切分正是它会把转音读错的地方。正因为如此，Euphona 的人声修音会在追踪到的曲线上切分音符，并在每个音符起始处重新开始校正；默认的校正速度是温和的，而不是瞬时的。
这个类别里的其他工具
Auto-Tune 只是众多产品中的一款，用它来命名整个类别，会掩盖做法上的一些真实差异。
- Celemony Melodyne 把图形化的做法推得最远，还能分离和弦中的单个音符：这和校正一条单音旋律线是真正不同的能力。
- DAW 自带的工具。Logic、Cubase 和大多数其他主流宿主软件都自带音高编辑器。如果只是修几个音，这些通常就够了，而且你已经有了。
- 对齐工具处理的是相邻的时间问题：把一条叠录人声或和声对齐到主唱录音上，而不是对齐到网格上，而叠录通常就是为此存在的。
- 基于模型的修音工具，包括我们的，会在经典估计器前面加一个经过训练的音高追踪器，而不是只依赖自相关。差别体现在困难的素材上，气声、嘶吼、一个音最初的几毫秒，经典追踪在这些地方会出现八度错误。它们也往往按用量计费，而不是出售授权，所以拿它们和永久授权比较，要看你修音的量有多大，没有一概而论的答案。
这些都不是 Auto-Tune，也都不该被叫作 Auto-Tune。它们是音高校正工具，而 Auto-Tune 是 Antares 的。
刻意做出“电音”效果
这种硬修音的声音是一种正当的制作选择，已经有 30 年的历史；而如果瞄错了控制项，就很容易做不对。
- 校正速度调到零。效果就来自这里，其他都是次要的。
- 设定一个窄的音阶。只有台阶之间离得够远，跳变才听得出来。半音阶给了人声 12 个相邻的目标，跳变小到可能听不出来；歌曲的大调或小调音阶给它 7 个，五声音阶更少。去掉的音越多，效果越强。
- 唱得比自然状态更直一些。这种效果在颤音少、音程跳跃刻意又宽的演唱上最明显，因为软件有明显的东西可以去“卡”。
- 保持干声，或者之后再处理。在修音工具之前就录进去的混响，会干扰音高追踪器。先修音，再做处理：如果录音本身已经带着房间声，去混响要放在修音工具之前，而不是之后。
这种效果既是人声上的决定，也是混音上的决定，而且曲目完成之后，它的表现会不一样：硬修音的人声密实又明亮，而母带还能为此改变的东西，比人们预想的要少。
修得没人听得出来
相反的目标，也是大多数唱片真正想要的。
- 从最好的那条录音开始。校正修的是音高。它修不了乐句处理、节奏、音色或感染力，而这些才是让一条人声出色的东西：况且在话筒前出的问题，大多数事后根本无法校正。
- 一定要设置调性和音阶。半音阶这个默认设置是大多数糟糕结果的根源。
- 调慢校正速度，除非你就是想要那种效果。
- 只修错的音。大多数录音只有四五个音需要修；大多数软件却乐于把所有音都处理一遍。
- 保护颤音。颤音是刻意的音高调制，快速的校正会把它当成错误并抹平。
- 放在混音里判断。单独听人声，每一处处理痕迹都会暴露出来；放在曲目里听，暴露的才是真正会被人听到的那些。如果人声在和编曲较劲，而不是和修音较劲，那是 EQ 的问题，而不是音高的问题。
- 保留未处理的录音。一周后你会想对比一下，而且有时你会更喜欢原版。
有一种情况值得单独提醒：给一条还嵌在完成的立体声混音里的人声修音。追踪器要对付其他所有乐器，它会追着能找到的最响的有音高的东西走。先把人声分离出来，问题就好处理了：不过一条被提取出来再重新混合的人声，永远不会和原始录音完全一样，原因见分离本身的局限。如果你有多轨工程，就用多轨。如果你只是想听听分离得够不够干净、值不值得修音，免费的在线去人声做的就是 2 轨分离，无需账号，几分钟就能给你答案。
Autotune、auto-tune、Auto-Tune
这三种写法都很常用，意思却不完全一样。产品名是 Auto-Tune，首字母大写、带连字符，属于 Antares。Autotune 写成一个词、全小写，是大多数人想说那种效果或这类做法时输入的写法：在中文里，人们说的往往就是“电音”。Auto-tune 在英语里作动词用，意思是施加这种处理。
我们用“音高校正”和“人声修音”来称呼这项技术，把我们自己的工具叫作修音工具，因为这些才是准确的说法，而那个品牌名不是我们可以拿来用的。如果你是搜索另一个词，“autotune”或“电音”，来到这里的，这就是你要找的东西，而《音高校正到底是怎么工作的》对它的工作原理有更完整的回答。
继续阅读