リアルタイム再生するボイスチェンジャーを作ろう！

🎙️はじめに

SNS通話で緊張した経験、ありませんか？
「自分の声を聴かれるのが恥ずかしい…」
「もっと自然に話したいけど声が気になってしゃべれない…」

そんな悩みを少しでも軽くできたらと思い、自作ボイスチェンジャーを開発しました！
この記事では、「声の仕組み」から「声を変える技術」までをわかりやすく解説します。

⚠️免責事項

本記事の目的は声を加工して通話を楽しむことです。
声を偽装して他人を欺くなど、悪用は絶対におやめください。
本記事の内容を悪用して発生したいかなる損害にも、作者は一切の責任を負いません。

📚目次

1. 声の仕組み
2. 声を変える仕組み
3. 実装方法
4. 次回予告

🧠声の仕組み

声は、大きく分けて「声帯」と「声道」の2つの要素で作られます。

声帯（音の高さ＝ピッチを決める部分）

• 声帯が振動して、「ブー」という基本的な音を作る
• この時の振動の速さ＝周波数が声の高さに対応する
  👉男性は低い（100Hz前後）
  👉女性は高い（200Hz前後）

声道（音色=フォルマントを決める部分）

• 声帯で作られた音が、口・喉・鼻腔を通ることで共鳴する
• この共鳴周波数が「声の質感」を決める
  👉同じ高さでも、男性と女性で声が違うのはこのため。

声が出る仕組み

1. 肺から空気を吐く
2. 声帯が閉じて空気が振動を起こす
3. その声が口や喉、鼻腔で共鳴して声として出る

🎛️声を変える仕組み

ざっくりいうと、

「声の高さ（ピッチ）」と「音色（フォルマント）」を操作して、声を変換するということです。

音の高さの変換

・音の高さは周波数をn半音分だけ変えることで調整できます。

半音とは隣り合う鍵盤の音の差
周波数比でいうと1半音=2^(1/12)

例えば、440Hzの2半音上＝440*2^(2/12)≒493.88Hz

音の高さを上げると波が早く振動するため、再生速度が速くなる。逆もまた然り。
なので、音声の高さを変換した後は再生速度を元に戻す必要があります。

👉そんな時に使われるのが、逆フーリエ変換（IFFT）です。波形を一度周波数の世界に変換してから、時間軸に戻します。

🎨音色を変える（フォルマントシフト）

1. フーリエ変換（FFT）で音を周波数領域に変換
   →音を「どの周波数の成分がどれだけ含まれているか 」に分解する。

2. 周波数ごとに増幅・減衰をかけて声質を調整
   →声道の共鳴（フォルマント）をシフトして、声質を操作。
   （例：フォルマントを上げる＝女性っぽく、下げる＝男性っぽく）

3. 逆フーリエ変換で時間領域の音に戻す
   →加工後のスペクトルから再び音声波形を復元する。

実装方法

• Python×librosa×sounddeviceを使ったリアルタイム変換を実現しました

以下のコードでは、ピッチ（音の高さ）とフォルマント（声質）を調整して、リアルタイム変換を行います。

import sounddevice as sd
import numpy as np
import librosa
from functools import partial
from scipy import signal
from collections import deque

def change_voice(audio, sample_rate, formant_shift, pitch_semitones):
    """
    ボイスチェンジャーのメイン処理
    audio : 入力音声データ（numpy配列）
    sample_rate : サンプリング周波数（例：44100Hz）
    formant_shift : 声質の変化倍率（1.0で変化なし）
    pitch_semitones : ピッチ変化量（単位：半音）
    """

    # 1. 基本的なピッチシフト
    # 音の高さを変える（例：+5で5半音上げる）
    if pitch_semitones != 0:
        shifted = librosa.effects.pitch_shift(audio, sr=sample_rate, n_steps=pitch_semitones)
    else:
        shifted = audio.copy()
    
    # 2. フォルマントシフト
    # 声道の共鳴周波数（声質）をシフトさせる
    if formant_shift != 1.0:
        # フーリエ変換で周波数領域へ
        spectrum = np.fft.rfft(shifted)
        freqs = np.fft.rfftfreq(len(shifted), 1 / sample_rate)

        # 高周波成分を強調／抑制して声質を変える
        gain = 1 + (freqs / (sample_rate / 4)) * (formant_shift - 1)
        gain = np.clip(gain, 1, formant_shift)

        # 逆フーリエ変換で時間領域に戻す
        shifted = np.fft.irfft(spectrum * gain).real
    
    # 長さ調整
    # ピッチ変換によって波形の長さが変わることがあるため、元の長さにそろえる
    if len(shifted) < len(audio):
        shifted = np.pad(shifted, (0, len(audio) - len(shifted)))
    else:
        shifted = shifted[:len(audio)]

    return shifted.astype(np.float32)

🔍 技術ポイント

• librosa.effects.pitch_shift()
  →高品質なピッチ変換を簡単に実現できます。
  音の高さだけを変えて、話すスピードは変えません。

• np.fft.rfft()/np.fft.irfft()
  →音声を時間領域⇔周波数領域に変換します。
  これにより「どの周波数成分を強調・抑制するか」を直接操作できます。

• np.pad()
  →ピッチ変換によって波形が短くなったり長くなったりするため、長さを調整して整合性を取ります。

📣呼び出し側

Python と音声ライブラリ（sounddevice, librosa, numpy）を用いて、マイク入力 → ピッチ・フォルマント変換 → スピーカー出力 をリアルタイム処理します。

def callback(indata, outdata, frames, time, status, *, sample_rate, formant_shift, pitch_semitones):
    if status:
        print(status)
    
    audio = indata[:, 0].astype(np.float32)
    processed = change_voice(audio, sample_rate, formant_shift, pitch_semitones)
    outdata[:, 0] = processed


def dev_play(input_device, output_device, sample_rate, block_size, formant_shift, pitch_semitones):

    stream = None
    
    cb = partial(callback,
            sample_rate=sample_rate,
            formant_shift=formant_shift,
            pitch_semitones=pitch_semitones
    )

    input_info = sd.query_devices(input_device)
    output_info = sd.query_devices(output_device)
    print(f"入力デバイス: {input_info['name']} / 出力デバイス: {output_info['name']}")

    input_hostapi = sd.query_hostapis()[input_info['hostapi']]['name']
    output_hostapi = sd.query_hostapis()[output_info['hostapi']]['name']
        
    extra_settings = None

    stream = sd.Stream(
            samplerate=sample_rate,
            blocksize=block_size,
            channels=1,
            dtype='float32',
            callback=cb,
            device=(input_device, output_device),
            extra_settings=extra_settings,
            latency='low',
    )
        
    stream.start()
    print("✅ ストリーム開始成功")

🧠 実行例

if __name__ == "__main__":
    input_device = 1  # マイクデバイス番号
    output_device = 3  # スピーカーデバイス番号
    sample_rate = 44100
    block_size = 1024

    # 声質パラメータ
    formant_shift = 1.2      # 1.0=変化なし / 1.5で明るく / 0.8で落ち着いた声
    pitch_semitones = 4.0    # +4で高く / -4で低く
    
    dev_play(input_device, output_device, sample_rate, block_size, formant_shift, pitch_semitones)

💬コツ

block_size:小さくすると遅延が減るがCPU負荷が増える
latency='low':リアルタイム性を重視する設定
formant_shift/pitch_semitones:両者のバランスで性別・年齢感を自然に調整可能

次回予告

今回はCUIによる音声変換を実現させましたが、ゆくゆくは配布していきたいと思うのでfletによるGUI実装に取り掛かりたいと思います。