「ボイスチェンジャー」と言うとき、まったく異なる2つのものを指している可能性がある――そして混同すると期待がズレる。ピッチシフトとニューラルボイスクローンは似た問題を正反対のアプローチで解決する。どちらが何かを知ることで、ソフトウェアの選択、設定、最終的な結果が変わる。

ピッチシフトの仕組み

ピッチシフトは信号の数学だ。マイクからのオーディオ波形を受け取り、周波数を上下に引き伸ばすか圧縮する――何を話したかは分析せず、コンテンツを理解せず、モデルなしで。

結果は即座（5〜30msのレイテンシ）で予測可能だ。低い声で話せば高く出てくる。普通の声で話せば、他のエフェクトと組み合わせればロボットになる。楽器をチューニングするようなもの：周波数が変われば音程が変わる。

問題：ピッチシフトはティンバーを本当には変えない。細くて鼻声なら、ピッチダウンしても細くて鼻声なまま低くなるだけだ。あなたのサウンドのキャラクターは残る。聴く人、特にあなたを知っている人には即座に処理とわかる。

ニューラルボイスクローンの仕組み

ニューラルボイスクローンは別物だ。ネットワークは周波数を触らない――あなたの話したこと（音素、イントネーション、テンポ、リズム）を理解し、そのコンテンツをまったく別のターゲット声のティンバーで再合成する。

プロセスを簡単に言うと：

だからニューラルクローンが根本的に違うサウンドになる。別のトーンのあなたの声ではなく、あなたが話したことを話している別の声だ。

ピッチシフトは劣っているわけじゃない――違うんだ。特定のシナリオで勝つ：

ライブ音楽のエフェクト。 ギターを弾きながら自分でハーモナイズしたいなら、10msレイテンシのピッチシフトが機能する。400msのニューラルクローンでは無理――タイミングが狂う。

即座のコミカルエフェクト。 ヘリウムボイス、巨人ボイス、即興ダースベイダーボイス。人工さがエフェクトになるクイックなギャグ。誇張されたピッチシフトがジョークの一部だ。

非力なハードウェア。 古いCPUで専用GPUなし？ニューラルクローンはつまる。ピッチシフトはどんな環境でも動く。

配信での没入感。 視聴者に何分もではなく何時間もボーカルキャラクターを信じてもらいたいとき。ニューラルクローンはピッチシフトが達成できない一貫性を保つ。

ボーカルプライバシー。 ゲームの音声チャットやフォーラムでオンラインの見知らぬ人にリアルな声を特定されたくないなら、ニューラルクローンはティンバーを本当に変える――ピッチシフトだと声のアイデンティティがトレース可能なままだ。

プロフェッショナルコンテンツ。 吹き替え、ナレーション、キャラクター動画。クオリティの差は最終製品で非常に目立つ（そして耳立つ）。

VoxBoosterは両方のモードをサポートする。リアルタイムエフェクト（ピッチシフトとシンプルな変調を含む）は5msのレイテンシで動作する。ニューラルボイスクローンは標準モードで350〜500ms、ローレイテンシオプションで約250ms。ユーザーがユースケースに応じて選択する。

絶対的に優れた技術はない。あるのは各シチュエーションに適した技術だ。