三個步驟，難的是第二步
每一套音準修正工具，從知名的到免費的，做的都是同樣三件事：找出人聲在每個時刻唱的音高、決定它應該是什麼音高，再以新的音高重新合成音訊。
第一步是已經解決的工程問題。第三步是已經解決的訊號處理問題。第二步，決定這個音應該是什麼，則是一種音樂判斷，而軟體在預設狀態下判斷得很差；幾乎每一段修得難聽的人聲，都是這一步造成的，而不是另外兩步。
第一步：找出音高
音高追蹤器會估算人聲的基頻，通常每秒數百次。傳統做法使用自相關：把波形和它自己錯開滑動比對，找出最吻合時的週期。現代的追蹤器使用以標註過的音訊訓練的神經網路，在困難的情況下表現明顯更好：氣音唱法、嘶吼、顫音，以及音符剛開始的那一刻。
輸出的是一條連續的音高曲線，而不是一串音符。這個區別很重要：好的工具接著會把曲線切分成音符，並讓你同時看到、也能編輯兩者。如果你看不到音高曲線，就等於盲目相信工具的切分，而你的轉音，正是會在切分這一步被弄錯。
追蹤器會在幾種可預期的地方失敗：八度誤判，把音報成差了一個八度，以及不是單一清楚人聲的素材。給它一段疊唱的人聲，或是串音很重的人聲，它就有兩個基頻要選，卻無從得知你要的是哪一個。如果唯一的來源是一份完成的混音，先把人聲分離出來，才讓追蹤得以進行。
第二步：決定目標音
接著，工具必須決定每個音應該是什麼。最天真的答案，也是大多數軟體的預設，是半音階中最近的那個音。
這個預設在大多數時候是錯的，原因如下。如果歌曲是 A 小調，歌手想唱 C，卻唱得稍微偏低，最近的半音可能是 B。修正工具會毫不猶豫地把這個音拉到 B，結果得到一個跟什麼都對不上的音，錯得比原本的偏低明顯得多。
所以你一定要告訴它調性。更好的做法是：
- 設定實際的音階，讓調外的音不會成為目標。
- 排除旋律沒有用到的音。如果歌手從來不唱 F♯，把它從目標音裡拿掉，就能消除一整類錯誤。
- 如果工具支援，就使用和弦軌，讓目標音跟著和聲走，而不是固定的音階。第 3 小節的正確音，不是第 11 小節的正確音。
- 保護刻意為之的音。藍調音、滑音、刻意從下方滑進來的音：這些就是演唱本身。鎖定在音階上的修音工具，會把每一個都「修正」掉。
第三步：移動音高
知道目標之後，就必須以新的音高重新渲染音訊，而且不能改變長度。有兩大類技術能做到這件事。
時域方法，PSOLA 和它的衍生方法，會把波形切成對齊音高週期的短顆粒，再以不同的間距重新組合。間距越密，音高越高；間距越疏，音高越低；再透過重複或捨棄顆粒，讓長度保持不變。它的運算量很低，在單音素材上做小幅移動時聽起來非常好，而這正是音準修正的情況。
聲碼器與以模型為基礎的方法，會把訊號分解成頻譜包絡和激發訊號，改變激發訊號的頻率，再重新合成。運算量較大、彈性較高，在大幅移動和獨立調整共振峰時表現較好。
對於占修音工作大部分的小幅修正，幾十音分，選哪一種方法，遠不如你在第二步要求它做什麼來得重要。
真正重要的是修正速度
這是理解這類工具最有用的一件事，而它經常被和修正強度混為一談。
強度是一個音朝目標移動多遠。修正速度（retune speed）則是工具決定移動它之後，它多快到達目標。
人聲不會瞬間到達一個音高。它會滑進來、稍微衝過頭、穩定下來，再加上顫音。這些過渡承載了演唱中大量的表情：兩個音之間的滑音（portamento），往往是一個樂句裡最有人味的地方。
把修正速度設慢，修正工具就會等一等，讓滑音自然發生，只輕推音符持續的部分。結果是透明的：歌手聽起來音準準確，其他什麼都沒變。
把修正速度設成 0，每一個過渡都會被量化。人聲在精確的音高之間跳動，完全沒有滑音，而因為人聲從來不會這樣，耳朵立刻就認出這是處理過的。這就是那個著名的效果：而且它是刻意的，是故意使用的，而不是修音修得太重的副作用。
所以：強的修正搭配慢的修正速度，是透明的。弱的修正搭配瞬間的修正速度，則明顯聽得出處理過。如果修過音的人聲聽起來像機器人，而你並不想要這樣，該調的是修正速度。
共振峰，以及為什麼修過的人聲聽起來像花栗鼠
人聲裡同時有兩件獨立的事。聲帶產生基頻：也就是音高。接著，喉嚨、口腔和鼻腔會對這個聲音做濾波，強調某些稱為共振峰的頻率區域。共振峰讓母音「衣」聽起來和「啊」不同，它們的位置也會讓聽者大致知道說話的人身形有多大。
如果你把整個訊號的頻率往上移，就像單純改變播放速度那樣，共振峰會跟著音高一起移動，聽者聽到的不是更高的音，而是更小的人。這就是花栗鼠效果。
好的音準修正會保留共振峰：它移動基頻，讓頻譜包絡留在原處，所以歌手聽起來是同一個人在唱另一個音。對一般修音的小幅移動來說，這幾乎沒有影響。但對好幾個半音的移動來說，影響非常大，沒有保留共振峰功能的工具，根本無法用在這種情況。
共振峰偏移也可以作為獨立的控制項，刻意使用：這就是讓聲音刻意聽起來變大或變小，而不影響音高的方法。
處理痕跡從何而來
- 追蹤錯誤。如果追蹤器讀錯了音高，修正就會以錯誤的讀數為基準，結果錯得理直氣壯。氣音和非常小聲的段落，通常就是罪魁禍首。
- 大幅移動。每一種重新合成技術，移動的距離越大，品質就越差。一個半音不算什麼；在長音上移動 5 個半音，就開始聽起來像合成的。如果一次錄音一直差得很遠，就重唱。
- 子音。齒擦音和爆破音幾乎沒有音高可言，試圖修它們的修正工具，會產生一種典型的模糊感。好的工具會偵測出無聲的段落，不去動它們。刺耳的齒音又是另一項工作，屬於修復階段，而且放在音高修正之後，而不是之前。
- 串音。一軌混入了房間聲的人聲，或是從混音裡分離出來的人聲，會同時給追蹤器兩樣東西。修其中最大聲的那一個，另一個也會被一起拖著走。
- 和顫音對抗。顫音是刻意的音高調變；快速的修正會把它當成錯誤，把它抹平。有些工具會把顫音和音高漂移分開，讓你修正其中一個、保留另一個，這才是正確的設計。
如何用得好
- 從你能錄到最好的那一次開始。修正修的是音高。它修不了樂句處理、節奏、音色或說服力，而這些才是真正讓一段人聲好聽的東西：而且在麥克風前出的大多數錯，事後根本無法修正。
- 一定要設定調性和音階。半音階的預設值，是大多數糟糕結果的來源。
- 把修正速度放慢，除非你就是要那個效果。
- 修錯的音，不是每個音。大多數工具都很樂意處理整段錄音；但大多數錄音，需要修的只有四、五個音。
- 在整個混音裡聽。單獨聽的人聲，會暴露每一個處理痕跡。放在混音裡的人聲，則會告訴你哪些是真的會被聽到的：如果修音已經乾淨，人聲卻還是融不進混音，那通常是 EQ 的問題。
- 保留沒動過的錄音。一週後你會想比較，而有時你會比較喜歡原本的版本。
最後談談名稱：這項技術叫做音準修正或人聲修音，做這件事的工具叫做修音工具。它不是 Auto-Tune，大多數人搜尋時寫成「autotune」，那是 Antares 的一項特定產品，用它的名字稱呼整個類別，既不準確，而且那是他們的商標。〈Auto-Tune 到底是什麼〉專門介紹這項產品：它從何而來，以及為什麼那個著名的機器人聲效果，是一個速度設定，而不是用力修正某個音的聲音。
繼續閱讀