Pythonで書かれたWAV音声ファイルに対してボイスチェンジャー処理をしてWAVファイルに保存するソフトです。
本プログラムのベースにこちらのブログのプログラムコードを利用しました。感謝申し上げます。
https://tam5917.hatenablog.com/entry/2019/04/28/123934
ベースになったプログラムの著作権表示
Copyright (c) 2020 Akira TAMAMORI
Permission is hereby granted, free of charge, to any person obtaining a copy
of this software and associated documentation files (the "Software"), to deal
in the Software without restriction, including without limitation the rights
to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
copies of the Software, and to permit persons to whom the Software is
furnished to do so, subject to the following conditions:
The above copyright notice and this permission notice shall be included in
all copies or substantial portions of the Software.
THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
SOFTWARE.
音声の処理にはWORLD 音声分析変換合成システムを使用して自然で高品質な変換ができます。
処理はF0周波数の乗算、フォルマント周波数の乗算、速度の変更、非周期性オフセットができます。
Python 3.10.6で動作を確認しています
依存関係のインストール
pip install -r requirements.txt
実行方法の例
ピッチが1.5倍、フォルマントが1/0.85倍
python . -i "in.wav" -o "out.wav" -p 1.5 -f 0.85
Githubはaudioタグに対応していないため表示されません。
Github does not support audio tags, so they are not displayed.
VG Voice - Announcer.wav
https://freesound.org/people/TheAtomicBrain/sounds/319141/
CC0 License.
Original
without option
-p 0.5
-p 0.75
-p 2
-p 3
-f 2
-f 1.333
-f 0.666
-f 0.5
-s 0.5
-s 2
-p 2 -f 1.333
Greetings, ladies and gentlemen!
https://freesound.org/people/MadamVicious/sounds/368378/
CC0 License.
Original
without option
-p 0.5
-p 0.75
-p 2
-f 2
-f 1.333
-f 0.666
-f 0.5
-s 0.5
-s 2
-p 0.5 -f 0.833
usage: . [-h] -i INPUT -o OUTPUT [-p F0] [-f FORMANT] [-c FORMANT_POW] [-F FIX_F0] [-s SPEED] [-v MAIN_VOLUME] [-l MIN_F0] [-H MAX_F0]
[-a APERIODICITY] [-t D4C_THRESHOLD] [-w FFT_SIZE] [-P FRAME_PERIOD] [-d]
options:
-h, --help show this help message and exit
-i INPUT, --input INPUT
Input WAV file path. Audio file must be mono. It is required.
-o OUTPUT, --output OUTPUT
Output WAV file path. It is required.
-p F0, --f0 F0 F0 Frequency multiplier. No change in 1.0. Value must be greater than 0. Increasing this value increases the pitch. default
is 1.0
-f FORMANT, --formant FORMANT
Formant Frequency multiplier. No change in 1.0. Value must be greater than 0. Increasing this value increasing the pitch of
the formant. default is 1.0
-c FORMANT_POW, --formant_pow FORMANT_POW
inverse of Formant frequency power curve. No change in 1.0. Value must be greater than 0. Increasing this value increasing
the pitch of the formant. default is 1.0
-F FIX_F0, --fix_f0 FIX_F0
Fixed F0 frequency. Enabled if other than 0. default is 0.0
-s SPEED, --speed SPEED
Speed multiplier to change. No change in 1.0. Value must be greater than 0. Increasing the value will make it slower,
decreasing it will make it faster. default is 1.0
-v MAIN_VOLUME, --main_volume MAIN_VOLUME
Input volume multiplier. No change in 1.0. 0.5 to half, 2 to double. default is 1.0
-l MIN_F0, --min_f0 MIN_F0
F0 lowest frequency. Value unit is Hz. For example, a male voice is 80Hz, a female voice is 250Hz. default is 80.0
-H MAX_F0, --max_f0 MAX_F0
F0 highest frequency. Value unit is Hz. For example, a male voice is 800Hz, a female voice is 1500Hz. default is 1500.0
-a APERIODICITY, --aperiodicity APERIODICITY
Aperiodicity offset. No change in 0.0. The value above 1 will make the sound unvoiced, and setting the value below -1 will
make it voiced. default is 0.0
-t D4C_THRESHOLD, --d4c_threshold D4C_THRESHOLD
Threshold for D4C aperiodicity-based voiced/unvoiced decision. If the value is 0, all sounds will be considered voiced, and
if the value is 1, all sounds will be considered unvoiced. default is 0.85
-w FFT_SIZE, --fft_size FFT_SIZE
FFT window size. The value must be a power of 2. 2048 for high speed. Higher values improve quality, but slow processing.
default is 16384
-P FRAME_PERIOD, --frame_period FRAME_PERIOD
Processing frame period time. The value is in milliseconds. lower the value, the more accurate the time becomes, but
processing will be much slower. default is 5.0
-d, --use_dio Use dio F0 extraction algorithm instead of Harvest. Slightly faster speed, but less accurate with noisy audio. default is
False
日本語版
usage: . [-h] -i INPUT -o OUTPUT [-p F0] [-f FORMANT] [-c FORMANT_POW] [-F FIX_F0] [-s SPEED] [-v MAIN_VOLUME] [-l MIN_F0] [-H MAX_F0]
[-a APERIODICITY] [-t D4C_THRESHOLD] [-w FFT_SIZE] [-P FRAME_PERIOD] [-d]
options:
-h, --help このヘルプ メッセージを表示して終了します
-i INPUT, --input INPUT
入力のWAVファイルのパス。 音声ファイルはモノラルでなければなりません。 必須。
-o OUTPUT, --output OUTPUT
出力のWAVファイルのパス。 音声ファイルはモノラルでなければなりません。 必須。
-p F0, --f0 F0 F0 周波数乗数。 1.0で変化なし。 値は 0 より大きくなければなりません。この値を増やすとピッチが高くなります。 デフォルトは1.0です
-f FORMANT, --formant FORMANT
フォルマント周波数乗数。 1.0で変化なし。 値は 0 より大きくなければなりません。この値を大きくすると、フォルマントのピッチが高くなります。 デフォルトは1.0です
-c FORMANT_POW, --formant_pow FORMANT_POW
フォルマント周波数パワー曲線の逆数。 1.0で変化なし。 値は 0 より大きくなければなりません。この値を大きくすると、フォルマントのピッチが高くなります。 デフォルトは1.0です
-F FIX_F0, --fix_f0 FIX_F0
固定F0周波数。 0以外の場合有効。デフォルトは0.0
-s SPEED, --speed SPEED
速度変更乗数。 1.0で変化なし。 値は 0 より大きくなければなりません。値を増やすと遅くなり、減らすと速くなります。 デフォルトは1.0です
-v MAIN_VOLUME, --main_volume MAIN_VOLUME
入力ボリューム乗数。 1.0で変化なし。 0.5で半分、2で2倍。 デフォルトは1.0です
-l MIN_F0, --min_f0 MIN_F0
F0 最低周波数。 値の単位は Hz です。 たとえば、男性の声は 80 Hz、女性の声は 250 Hz です。 デフォルトは80.0です
-H MAX_F0, --max_f0 MAX_F0
F0 最高周波数。 値の単位は Hz です。 たとえば、男性の声は 800 Hz、女性の声は 1500 Hz です。 デフォルトは1500.0です
-a APERIODICITY, --aperiodicity APERIODICITY
非周期性オフセット。 0.0で変化なし。 1 より大きい値を設定すると無声音になり、-1 より小さい値を設定すると有声音になります。 デフォルトは0.0です
-t D4C_THRESHOLD, --d4c_threshold D4C_THRESHOLD
D4C の非周期性に基づく有声/無声の決定のしきい値。 値が 0 の場合、すべての音声は有声音とみなされ、値が 1 の場合、すべての音声は無声音とみなされます。 デフォルトは0.85です
-w FFT_SIZE, --fft_size FFT_SIZE
FFTウィンドウのサイズ。 値は 2 のべき乗である必要があります。 高速にする場合は 2048。 値を大きくすると品質は向上しますが、処理が遅くなります。 デフォルトは16384です
-P FRAME_PERIOD, --frame_period FRAME_PERIOD
処理フレーム周期時間。 値はミリ秒単位です。 値を小さくすると時間は正確になりますが、処理速度は非常に遅くなります。 デフォルトは5.0です
-d, --use_dio Harvest の代わりに DIO F0 抽出アルゴリズムを使用します。 速度はわずかに速くなりますが、ノイズの多い音声では精度が低くなります。 デフォルトは False です
Distributed under the Unlicense License. See LICENSE for more information.