三个步骤，难的是第二步
每一个音高校正工具，从知名的到免费的，做的都是同样三件事：算出人声在每一刻唱的是什么音高，决定它应该是什么音高，再以新的音高重合成音频。
第一步是已经解决的工程问题，第三步是已经解决的信号处理问题。第二步，判断这个音应该是什么，是一个音乐上的判断，而软件在默认状态下做得很差。几乎每一条听起来很糟的修音人声，都是这一步造成的，而不是另外两步。
第一步：找到音高
音高追踪器会估计人声的基频，通常每秒几百次。经典方法用的是自相关：把波形与自身错开滑动，找出最吻合的那个周期。现代追踪器使用在带标注的音频上训练出来的神经网络，在困难的情况下明显更好：气声、嘶吼、颤音，以及一个音刚开始的那一刻。
输出是一条连续的音高曲线，而不是一串音符。这个区别很重要：好的工具会再把曲线切分成音符，让你两者都能看到、都能编辑。如果你看不到音高曲线，你就是在盲目信任工具的切分，而切分正是它会把你的转音弄错的地方。
追踪器的失败方式是可以预见的：一是八度错误：报出的音差了一个八度；二是遇到不是单一清晰人声的素材。给它一条叠录人声，或者串音很重的人声，它就有两个基频可选，却无从知道你想要哪一个。如果唯一的音源是一份完成的混音，那么先把人声分离出来，追踪才有可能进行。
第二步：决定目标
现在工具必须决定每个音应该是什么。最省事的答案，也是大多数软件的默认设置，是半音阶里离它最近的那个音。
这个默认设置在大多数时候是错的，原因如下。假如歌曲是 A 小调，歌手想唱 C，却唱得稍微偏低，那么离它最近的半音可能是 B。校正工具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。
所以你一定要告诉它调性。更好的做法是：
- 设置实际的音阶，这样调外的音就不会成为目标。
- 排除旋律用不到的音。如果歌手从来不唱 F♯，把它从目标音里去掉，就消除了一整类错误。
- 如果工具支持，就用和弦轨，让目标跟随和声，而不是固定的音阶。第 3 小节里正确的音，到了第 11 小节就不一定正确。
- 保护那些刻意为之的音。蓝调音、滑音、故意从下方滑入的音：这些就是演唱本身。锁定在音阶上的修音工具会把它们统统“修正”掉。
第三步：移动音高
目标一旦确定，音频就必须以新的音高重新渲染，同时不改变时长。有两类技术可以做到这一点。
时域方法，PSOLA 及其变体，把波形切成与音高周期对齐的短颗粒，再以不同的间距重新拼接。间距越近，音高越高；间距越宽，音高越低；重复或丢弃颗粒则让时长保持不变。它的计算成本很低，在单音素材上做小幅移调时听起来非常好，而这恰恰就是音高校正的情形。
声码器和基于模型的方法把信号分解为频谱包络和激励信号，改变激励的频率，再重合成。成本更高，也更灵活，更擅长大幅移调，也更擅长独立地操控共振峰。
对于构成大部分修音工作的小幅校正，几十个音分，选哪种方法，远不如你在第二步让它做什么来得重要。
真正要紧的是校正速度
这是理解这类工具最有用的一点，而它经常被和校正强度混为一谈。
强度是一个音朝目标移动多远。校正速度（retune speed）是工具决定移动它之后，它多快到达目标。
人声不会瞬间到达一个音高。它会滑进去，稍微冲过头，再稳定下来，然后加上颤音。这些过渡承载了一段演唱中大量的表现力：两个音之间的滑音（portamento）往往是一个乐句里最有人味的东西。
把校正速度调慢，校正工具就会等一等，让滑音自然发生，只轻推音符持续的部分。结果是透明的：歌手听起来音准了，其他什么都没变。
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；因为人声从来不会这样，耳朵立刻就能听出这是处理过的。这就是那种著名的“电音”效果：而且它是刻意为之、有意使用的，不是修音修得太狠的副作用。
所以：强校正配慢速度是透明的；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。
共振峰，以及为什么修过的人声听起来像花栗鼠
人声里有两件相互独立的事在发生。声带产生基频：也就是音高。喉咙、口腔和鼻腔再对这个声音进行滤波，强调某些被称为共振峰的频率区域。共振峰让元音“衣”和“啊”听起来不同，它们的位置也会告诉听者说话的人大概有多大个子。
如果你把整个信号的频率整体往上移，就像简单地加快播放速度那样，共振峰会跟着音高一起移动，听者听到的不是一个更高的音，而是一个更小的人。这就是花栗鼠效果。
好的音高校正会保留共振峰：它移动基频，而让频谱包络留在原处，于是歌手听起来还是同一个人，只是唱了另一个音。对于日常修音的小幅移动，这几乎无关紧要；对于几个半音的移动，它就极其重要，没有共振峰保留功能的工具根本没法用来做这件事。
共振峰移位也可以作为一个独立的控制项刻意使用：这就是你有意让一个声音听起来更大或更小、而又不改变其音高的方法。
处理痕迹从何而来
- 追踪出错。如果追踪器读错了音高，校正就会基于错误的读数进行，结果错得理直气壮。气声和非常轻的段落通常是罪魁祸首。
- 大幅移动。每一种重合成技术都会随移动距离增大而劣化。一个半音算不了什么；在一个长音上移动 5 个半音，就开始听起来像合成的了。如果一条录音始终偏得很远，那就重唱。
- 辅音。齿音和爆破音几乎没有音高可言，试图给它们修音的校正工具会产生一种特有的涂抹感。好的工具会检测出清音部分并保持原样。刺耳的齿音又是另一项工作，它属于修复阶段，放在修音之后而不是之前。
- 串音。一条带有房间串音的人声轨，或者一条从混音里提取出来的人声，会同时给追踪器两样东西。给其中最响的那个修音，会把另一个也一起拖着走。
- 和颤音较劲。颤音是刻意的音高调制；快速的校正会把它当成错误并把它抹平。有些工具会把颤音和音高漂移分开，让你校正一个、保留另一个，这才是正确的设计。
如何用好它
- 先拿到你能录到的最好的一条。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真正出色的东西：况且在话筒前出的大多数问题，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，不要每个音都修。大多数工具都乐于处理整条录音；而大多数录音只有四五个音需要修。
- 放在上下文里听。单独听人声，每一处处理痕迹都会暴露出来；放在混音里听，才知道哪些真的会被人听到：如果修音干净了它还是融不进混音，那通常是 EQ 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。
最后说一下名称：这项技术叫音高校正或人声修音，做这件事的工具叫修音工具。它不叫 Auto-Tune，大多数人搜索时写作“autotune”，那是 Antares 公司的一款特定产品，用它的名字指代整个类别，既不准确，也是在用人家的商标。《Auto-Tune 到底是什么》专门讲这款产品：它从何而来，以及为什么那种著名的“电音”效果来自一个速度设置，而不是把音修得很狠的声音。
继续阅读