Вокодер (англ. voice coder — кодировщик голоса) — устройство синтеза речи на основе произвольного сигнала с богатым спектром. Изначально вокодеры были разработаны в целях экономии частотных ресурсов радиолинии системы связи при передаче речевых сообщений. Экономия достигается за счёт того, что вместо собственно речевого сигнала передают только значения его определённых параметров, которые на приемной стороне управляют синтезатором речи. Основу синтезатора речи составляют три элемента: генератор тонального сигнала для формирования гласных звуков, генератор шума для формирования согласных и система формантных фильтров для воссоздания индивидуальных особенностей голоса. После всех преобразований голос человека становится похожим на голос робота, что вполне терпимо для средств связи и интересно для музыкальной сферы. Так было лишь в самых примитивных вокодерах первой половины прошлого столетия. Современные связные вокодеры обеспечивают высочайшее качество голоса при существенно более сильной степени сжатия в сравнении с упомянутыми выше.
Вокодер как необычный эффект был взят на вооружение электронными музыкантами и впоследствии стал полноценным эффектом благодаря фирмам-изготовителям музыкального оборудования, которые придали ему форму и удобство музыкального эффекта. Вокодер как музыкальный эффект позволяет перенести свойства одного (модулирующего) сигнала на другой сигнал, который называют носителем. В качестве сигнала-модулятора используется голос человека, а в качестве носителя — сигнал, формируемый музыкальным синтезатором или другим музыкальным инструментом. Так достигается эффект «говорящего» или «поющего» музыкального инструмента. Помимо голоса модулирующий сигнал может быть и гитарой, клавишными, барабанами и вообще любым звуком синтетического и «живого» происхождения. Так же нет ограничений и на несущий сигнал. Экспериментируя с моделирующим и несущим сигналом можно получать совершенно разные эффекты — говорящая гитара, барабаны со звуком фортепиано, гитара, звучащая как ксилофон.
Для начала важно понять, что такое вокодер. В самом простом виде вокодер можно разделить на два элемента: несущую и модулятор. Вокодер берет несущий звук и изменяет его с помощью гармонической информации модулятора.
Сигнал модулятора делится на различные полосы или точки, в которых несущий звук изменяется по частотному спектру. В зависимости от гармонической информации, представленной звуком модулятора, вокодер перемещает эти полосы выше или ниже, создавая звук, похожий на Daft Punk, который мы все знаем и любим.
Разбор частей вокодера
Прежде чем использовать вокодер, полезно разделить его на основные части, чтобы вы могли эффективно доносить свой звук. Вот некоторые из основных элементов, которые необходимо определить:
Как использовать вокодер
Теперь, когда мы поняли, что такое вокодер и как он работает, самое время начать экспериментировать! Ниже я продемонстрирую несколько способов использования вокодера в ваших сессиях. Я буду использовать Ableton Live для этой демонстрации, но вы можете повторить аналогичные результаты в любой DAW.
Метод 1: Модуляция голоса
Аудиофайл
Я также выбрал стоковый синтезатор, который сам по себе звучит следующим образом
Аудиофайл
Затем я перешел к дорожке, на которой находится голосовая заметка, и разместил вокодер. Я установил тип носителя «внешний» и выбрал синтезатор.
Вуаля! Это звучит так:
Аудиофайл
Как вы можете видеть, я также поиграл с настройками диапазона и формант. Не стесняйтесь играть со своими настройками и регулировать звук по своему усмотрению.
Метод 2: Модуляция инструментов и мелодий
Для примера возьмем басовую линию. Здесь я наметил базовую басовую линию с помощью стандартного басового инструмента. Она звучит следующим образом:
Аудиофайл
Затем я могу добавить вокодер на дорожку и установить тип несущей на «модулятор». Это действие позволит обработать бас через сам вокодер. Я установил 20 полос и оставил все остальные настройки на своих местах.
Аудиофайл
Как вы можете видеть, это использование вокодера более тонкое. Тем не менее, я думаю, что поиграть с типом несущей и настройками определенно стоит попробовать! В моем случае вокодер может служить уникальным способом вырезать некоторые высокие частоты, которые мне не нужны в басовой линии, сохраняя при этом большую часть ощущений.
Метод 3: Модуляция ударных
Этот случай использования вокодера настолько прост, но в то же время настолько эффективен. Не секрет, что многие EDM-продюсеры и другие продюсеры используют белый шум в своих миксах, чтобы придать интерес к цвету. Этот метод использует этот принцип и автоматизирует его с помощью вокодера, придавая вашим барабанам больше мощи и присутствия.
Для этого примера я просто взял простой барабанный цикл в стиле 80-х. В необработанном виде он звучит вот так:
Аудиофайл
Затем я добавил вокодер и установил тип несущей на «шум». Затем я поиграл с ручкой «сухой/мокрый», чтобы получить смесь, которая меня устраивала.
Аудиофайл
Может показаться, что разница невелика, но в контексте микса она действительно заметна. Вот пример автоматизации ручек dry/wet вокодера при воспроизведении барабанной петли и басовой линии.
Материалы 2-ой Всероссийской конференции «Теория и практика речевых исследований»
В настоящее время применяется множество алгоритмов сжатия речи. Все они могут быть реализованы как аппаратнными, так и программными методами. Условно все алгоритмы можно разделить на три вида: — усовершенствованные виды импульсно-кодовой модуляции (ИКМ, Pulse-Code Modulation PCM); — вокодеры (от англ. Voice и Coder); — липредеры (от англ. Linear и Predictor). Для оценки характера вносимых в речевой сигнал изменений и потерь рассмотрим принципы построения различных методов сжатия.
1. Усовершенствованные виды ИКМ.
Параметры ИКМ при оцифровке речевых сигналов описаны в рекомендациях МККТТ (Международный консультативный комитет по телефонии и телеграфии, CCITT) и, как правило, имеют следующие значения: — частота дискретизации 8000 Гц; — число двоичных разрядов на отсчет 8; — скорость передачи 64000 бит/c.
При этом может быть оцифрован и восстановлен аналоговый сигнал с верхней частотой до 4000 Гц.
Наиболее часто применяются следующие разновидности АДИКМ: — рекомендация G.721 МККТТ (скорость передачи 32 кбит/с); — рекомендация G.722 МККТТ (частота дискретизации 16 000 Гц); — рекомендация G.723 МККТТ (скорость передачи 24 кбит/с); — Creative ADPCM (4, 2,6 или 2 бита на отсчет); — IMA/DVI ADPCM (4, 3 или 2 бита на отсчет); — Microsoft ADPCM.
Рассмотренные выше методы могут вносить незначительные изменения и потери в речевые сигналы (например, сужение динамического диапазона в области высших частот, ограничение крутизны сигнала), которые практически не влияют на аутентичность речи.
Схема вокодера
Анализатор
Синтезатор
2. Вокодеры.
Вокодеры можно разделить на два класа: — речеэлементные; — параметрические.
Вообще вокодер (от английских слов voice-голос и coder-кодер) представляет собой устройство, которое совершает параметрическое компандирование речевых сигналов.
Компрессия речевых сигналов в кодере осуществляется в анализаторе, который выделяет с речевого сигнала параметры, которые медленно меняются. В декодере при помощи местных источников сигналов, которые управляются принятыми параметрами, синтезируется речевой сигнал.
В декодере, соответственно, по заданным параметрам генерируются основной тон, шум, а затем пропускаются через гребенку полосовых фильтров для восстановления огибающей спектра речевого сигнала.
По принципу определения параметров фильтровой функции различают вокодеры: — полосные (канальные); — формантные; — ортогональне.
В ортогональных вокодерах огибающая мгновенного спектра разлагается на составные части в ряд по выбранной системе ортогональных базисных функций. Рассчитанные коэффициенты этого расписания передаются на приемную сторону. Распространение получили гармонические вокодеры, которые используют расписание в ряд Фуръе. Рассмотренные вокодеры обеспечивают сжатие сигнала до 1200-4800 Бит/с, позволяя восстановить в декодере частоту основного тона с дискретностью в несколько герц и с невысокой точностью огибающую спектра сигнала с периодом изменения 16-40 мс, при этом даже при достаточно высокой разборчивости речи теряются многие индивидуальные особенности диктора.
3. Липредеры
Одним из наиболее эффективных методов анализа и синтеза речевого сигнала является метод линейного предсказания. Метод получил распространение и продолжает совершенствоваться, суть его в том, что для прогноза текущего отсчета речевого сигнала можно использовать линейно взвешенную сумму предшествующих отсчетов, то есть предсказываемый отсчет
Все методы анализа речи предполагают достаточно медленное изменение свойств речевого сигнала во времени. Характеристики голосового тракта можно считать неизменными на интервале 10-20 мс, то есть параметры надо измерять с частотой порядка 1/20 мс = 50 Гц.
Известно несколько разновидностей метода линейного предсказания, а именно: — с возбуждением от импульсов основного тона- LPC (Linear Predictive Coding); — многоимпульсным возбуждением MPELP (Multi Pulse Excidet Linear Predictive) или MPLPC (Multi Pulse Excited LPC); — возбуждением от остатка предвидения RELP (Residual Excited Linear Predictive); — возбуждением от кода СELP (Code Excited Linear Predictive).
В кодере LPC сигнал возбуждения передается при помощи трех параметров: периода основного тона (Тот) для звуков, которые вокализованы; сигнала тон-шум (характеризующего наличие в данный момент его параметров или тона, или шума) и амплитуды сигнала.
Известно, что кроме ЧОТ основого возбуждения, которое имеет место при смыкании голосовой щели, имеется вторичное возбуждение, которое имеется не только при розмыкании голосовой щели, но и при смыкании.
В многоимпульсном возбуждении сигнал остатка LPC представляется в виде последовательности импульсов с неравномерно распределенными интервалами и с различными амплитудами (приблизительно 8 импульсов за 10 мс).
Информация о положениях и амплитудах импульсов возбуждения вместе с LPC-параметрами в каждом кадре формируется кодером.
Если используется скорость до10 параметров LPC 1,8 кбит/с (36 бит кадров20 мс), то при скоростях передачи 16 и 9,6 кбит/с на передачу параметров сигнала возбуждения отводятся скорости соответственно 14,2 и 7,8 кбит/с. На скорости 16 кбит/с и даже ниже создается высококачественная синтезированная речь. При скоростях 16 и 9,6 кбит/с синтезированная речь отвечает по качеству ИКМ сигналам (с логарифмическим компандированием) со скоростями передачи 56 и 52 кбит/с.
На скорости 4,8 кбит/с на прием передаются параметры LPC и кроскореляционная функция. Автокореляционная функция воспроизводится с параметров LPC, которые принимаются, после чего определяются положения и амплитуды импульсов возбуждения. Качество синтезированной речи при многоимпульсном возбуждении при скорости передачи 4,8 кбит/с заметно выше, чем при одноимпульсном возбуждении при той самой скорости передачи.
Кодер с линейным предсказанием, в котором в качестве сигнала возбуждения может использоваться остаток предсказания, называется RELP кодером. Остаток предсказания пропускается через ФНЧ с частотой среза 800 Гц при передаче на скорости 9,6 кбит/с и 600 Гц на скорости 4,8 кбит/с. В первом случае сигнал остатка дискретизируется с частотой 7,2 кбит/с и с той же частотой передается. Остаток 9,6-7,2 = 2,4 кбит/с используются для передачи коэффициентов предсказания и усиления. Во втором случае, т.е. при скорости передачи 4,8 сигнал остатка дискретизируется на частоте 2,4 кбит/с и с этой же скоростью передается. Остаток 2,4 кбит/с используются так же, как и в первом случае.
В декодере сигнал возбуждения восстанавливается во всей полосе частот. При этом верхняя половина возобновленного спектра возбуждения становится зеркальным отображением нижней половины.
Сигнал остатка для RELP-кодера может формироваться и во время декодирования. Дело в том, что для передачи этого сигнала нужна достаточно высокая скорость, являющаяся неприемлемой для кодеров LPC, скорость передачи каких 2,4 кбит/с, поэтому необходимо создавать сигнал остатка на прием сигнала ЧОТ. Сигнал остатка не обладает амплитудным спектром, а имеет те же самые резонансные области, что и реальный речевой сигнал. Именно поэтому сигнал остатка обладает высокой разборчивостью. Амплитуды формант на выходе синтезирующего фильтра LPC часто бывают меньше амплитуд формант в реальном речевом сигнале. Случается это в результате квантирования параметров LPC.
В линейном предсказателе с возбуждением от кода СELP (Code Excited Linear Predictive) сигнал возбуждения представляется в виде вектора, которому присваивается определенный индекс, т.е. код.
Выбор оптимального вектора осуществляется с большого множества векторов-кандидатов, которые составляют кодовую книгу. Определение размера кодовой книги возбуждения имеет определяющее значение для создания необходимого качества воостановления синтезированного языка.
Метод линейного предсказания с кодовым возбуждением обеспечивает высокое качество речевого сигнала при скоростях передачи 4…16 кбит/с.
По отношению к многоимпульсному методу CELP-метод достигает более высоких показателей восстановления речи при одинаковых скоростях.
В США приняты два федеральных стандарта на применение CELP: — 1015 (LPC-10E, 2400 бит/с); — 1016 (E-CELP, 4800 бит/с). ITU (Международный союз электросвязи, МСЭ) разработал рекомендации: — G.728 на алгоритм LD-CELP (16 кбит/с); — G.729 на алгоритм CS-ACELP (8 кбит/с).
Как устройство для кодирования речи стало популярным эффектом в музыкальной индустрии.
Вокодер был изобретён в 1920-х годах для нужд коммуникации и связи. Однако своё предназначение вокодер нашёл в электронной музыке, где стал инструментом для создания роботизированных голосов. Спустя почти сто лет после своего появления вокодер активно используется в музыкальной индустрии, но далеко не все знают, как появился этот инструмент и как он обрабатывает голос. Из этого текста вы узнаете, как Вторая Мировая война популяризовала синтезаторы речи, как работает вокодер и как им пользоваться.
Разработка вокодера началась в 1928 году силами инженера Гомера Дадли, работавшего на Bell Labs. Итоговый результат был готов к середине 1930-х, в ноябре 1937 года Дадли получил первый патент на изобретение, а в 1939 году — второй. Идея Дадли заключалась в том, чтобы воспроизвести речевой и голосовой аппарат человека посредством электроники. С помощью электронных компонентов и эффектов инженер стремился максимально точно сымитировать работу речевого тракта — то, как звук издаётся благодаря прохождению воздуха через лёгкие и другие органы внутри человеческого тела.
В 1939 году Bell Labs продемонстрировала общественности устройство для синтеза речи VODER (Voice Operating Demonstrator), проведя серию показов в Нью-Йорке и Сан-Франциско. Внутри устройства располагалась пара переключаемых осцилляторов и шумогенератор в роли источника звукового сигнала. Специальный вокальный тракт, состоявший из десятиполосных фильтров, был соединён с чувствительной к силе нажатия клавиатурой, которая управляла интенсивностью фильтрации. Изменение высоты звука производилось посредством ножной педали. Дополнительные специальные клавиши отвечали за генерацию букв «P», «D», «J», а также комбинаций звуков «JAW», «CH».
Показ возможностей VODER в Нью-Йорке, 1939 год
VODER был очень сложен в использовании — без специальной подготовки и обучения, которое длилось несколько месяцев, сгенерировать узнаваемую речь было непосильной задачей. Для проведения ежедневных демонстраций Bell Labs специально обучили 20 человек, которые посменно показывали всем желающим новинку. Во время показа VODER произносил фразу «Good afternoon, radio audience!».
В 1949 году появился голосовой преобразователь KO-6, который кодировал речь и информацию со скоростью 1200 бит в секунду. В 1953 году появился ещё один вокодер — KY-9 THESEUS, который не только увеличил скорость обработки до 1650 бит в секунду, но и использовал другие компоненты. За счёт изменившихся материалов вес вокодера удалось снизить с 55 тонн у SIGSALY до 256 килограмм у KY-9. Наконец, в 1961 году вместе с выходом преобразователя HY-2 удалось снизить вес вокодера до 45 килограмм, а также увеличить скорость кодирования до 2400 бит в секунду. HY-2 стал последним промышленным вокодером, использовавшимся в защищённых системах связи — инструмент остался только на потребительском рынке.
В 1948 году немецкий учёный Вернер Майер-Эпплер, проявлявший особый интерес к синтезу голоса, опубликовал диссертацию на тему синтеза речи и электронной музыки с точки зрения синтеза звука. Позднее его знания сыграли важную роль в создании Студии электронной музыки Радио Западной Германии (англ. Studio for Electronic Music WDR) в Кёльне в 1951 году.
Первое использование вокодера для создания музыки состоялось в 1959 году всё в той же Германии. В период с 1956 по 1959 годы компания Siemens разработала синтезатор Siemens Synthesizer, который мог преобразовывать звук в речь. В 1968 году Роберт Муг, основатель известной компании Moog, разработал один из первых вокодеров, созданных специально для применения в музыкальной индустрии. Вокодер был сделан по заказу Университета Баффало.
После этого история закрутилась сама по себе, а вокодер прочно вошёл во все сферы аудио и видео. Для широкого круга слушателей инструмент стал известен благодаря Kraftwerk, который собрали вокодер для своих экспериментов самостоятельно, и использовали его с момента своего основания в 1970 году. Самым же известным и популярным примером применения вокодера стал альбом Kraftwerk «Trans-Europe Express», подробнее о котором мы рассказывали в обзоре необычных музыкальных инструментов немецких электронщиков.
Как работает вокодер
Лучше одного сигнала — два сигнала. Для работы вокодеру нужны два источника звука:
Звук проходит через специальный «банк фильтров», который анализирует сигнал модулятора, разделяет его на частотные диапазоны и применяет фильтр к каждой полосе. Сами фильтры всегда работают так, что точка среза устанавливается строго по центру каждого диапазона в сигнале модулятора. Вне зависимости от плотности нарезки, внутри каждого диапазона сигнал фильтруется в центре.
Затем на модулятор подаётся сигнал-оператор, который проходит через все фильтры. В зависимости от гармоник и обертонов в сигнале-модуляторе, вокодер повышает или понижает точку среза каждого фильтра.
Схема работы голосового преобразователя VODER Гомера Дадли. На сегодняшний день принцип работы вокодера практически не изменился.
Если отбросить всю техническую заумь и перейти к более приземлённым примерам, проведём аналогию с человеческим голосом. Звук голоса также формируется посредством сигналов операторов и модуляторов. Когда мы хотим что-то сказать, лёгкие выдувают поток воздуха, который проходит через вибрирующие голосовые связки — так «генерируется» исходный сигнал-оператор. Одновременно с этим вибрирует оставшаяся часть голосового аппарата, что генерирует сигнал-модулятор. Его характеристики отличаются от исходного сигнала и напрямую влияют на его звучание.
Когда воздух и звук покидают наш рот, люди слышат совмещённый сигнал оператора и модулятора. То, что слышат наши собеседники — результат влияния модулятора на оператор их объединении. Именно модулятор формирует итоговые характеристики голоса: высоту, тембр, глубину. Вокодер работает схожим образом: исходник изменяется за счёт характеристик дополнительного сигнала.
ЧИТАЙТЕ ТАКЖЕ
Любой аудиосигнал может быть оператором или модулятором (причём одновременно). Несмотря на это продюсеры обычно используют синтезированные звуки в роли оператора, а голос — в качестве модулятора. Классический пример использования вокодера в музыке — уже упомянутый трек Kraftwerk «Trans-Europe Express» (отметка в районе 1:16) с одноимённого альбома немецкого коллектива. Оператором выступает сигнал синтезатора с формой волны Saw, модулятором — обычная речь.
Более экспериментальное использование вокодера найдётся в знаменитом треке Kavinsky «Nightcall», который стал одним из пионеров коммерческого синтвейва (особенности стиля мы уже разбирали подробно). Воссоздать такой же эффект можно с помощью iZotope VocalSynth при настройке патча таким образом, что он генерировал аккорды из двух квадратных звуковых волн и белого шума в роли оператора, которые модулируются голосом. Смело переходите на эту страницу, чтобы посмотреть во всех подробностях, как создаётся такой эффект.
Как пользоваться вокодером
Чтобы вокодер звучал не хуже, чем на различных коммерческих записях, сигнал-оператор должен быть богат на обертона. Чем насыщеннее оператор, тем заметнее проявляется влияние модулятора.
Начните эксперименты с патчей с пилообразной формой звуковой волны (Saw) или тех, что частично созданы на её основе. По своему содержанию сигналы с пилообразной волной богаче и насыщеннее сигналов с треугольной или синусоидальной формой. Хорошая практика — компрессировать или сатурировать сигнал-оператор на пути в вокодер. Сжатие динамического диапазона акцентирует внимание на эффекте от прохождения сигнала через банк фильтров.
Голос в роли модулятора — не простая говорильня. Произносить слова при записи нужно очень чётко и чисто, явно выделяя артикуляцию. Каким бы не был ваш голос, именно чёткая дикция создаёт тот самый эффект вокодера, напоминающий речь робота. Обратите внимание, как всё в той же «Nightcall» Кавински чётко и медленно проговаривает и пропевает каждое слово. При работе с вокодером от вас требуется тоже самое. Будете мямлить или забьете на артикуляцию и на выходе получите пережёванное компьютеризированное месиво.
Вокодер Apple Logic Pro X EVOC-20 Vocoder
Высота звука не так важна при пении через вокодер. Вместо того, чтобы забираться выше или ниже по звукоряду и пытаться поразить всех своими вокальными данными, сконцентрируетесь на других характеристиках голоса: тембре, глубине, чистоте, чёткости звукоизвлечения.
Какие параметры управляют работой вокодера
Аппаратные и VST-вокодеры оснащаются схожим набором параметров. В большинстве случаев настройки идентичны: в зависимости от производителя могут меняться названия регуляторов и настроек, но чуть остаётся неизменной.
Количество полос (Bands)
Параметр Bands отвечает за активность нарезки сигнала на диапазоны. В зависимости от положения регулятора модулятор разделяет сигнал на заданное число диапазонов. В отличие от виртуальных вокодеров и плагинов, винтажные аппараты ограничены в числе диапазонов, на которые можно нарезать сигнал. Для получения классического роботизированного звука в духе Kraftwerk параметр Bands можно установить в пределах 8-12 пунктов.
Диапазон частот (Frequency Range)
Указывает верхнюю и нижнюю границу частотного спектра сигнала-оператора. Во время работы вокодер заберёт для обработки сигнал только в заданном диапазоне, всё остальное пройдёт мимо эффекта. Чтобы повысить разборчивость звука, верхний порог лучше вывести за отметку 5 кГц.
Вокодер Roland VP-330 — один из самых популярных и распространённых вокодеров в музыкальной индустрии. Использовался в сотнях композиций 1980-х годов — звучание VP-330 можно услышать, например, в творчестве The Cars и Лори Андерсон.
Форманта (Formant)
Некоторые модели вокодеров оснащаются возможностью настройки форманты — параметр часто называют «Shift» (сдвиг). С его помощью пользователь может расширить или сузить нарезанные диапазоны для фильтрации. Расширение делает обработанный сигнал ярче, сужение — мутнее и глубже.
Обычно параметром форманта настраивают вокодер под женские и мужские голоса — сдвиг делает роботизированный голос более жено- или мужеподобным. Некоторые модели вокодеров вместо ручки формантов оснащаются параметром «Gender», позволяющим настроить, если так можно выразиться, половую принадлежность получающегося голоса
Неголосовые звуки (Unvoiced)
Неголосовые звуки не обладают высотой и представляют собой шум по всему частотному диапазону, игнорируется вокодером. Радоваться исключению таких шумов нет смысла: представьте, как звучат привычные слова без всё тех же букв «П» и «Б» («привычный» — «риычный», «проблема» — «ролема»).
Показ возможностей VODER в Нью-Йорке, 1939 год
Схема работы голосового преобразователя VODER Гомера Дадли. На сегодняшний день принцип работы вокодера практически не изменился.
Вокодер Apple Logic Pro X EVOC-20 Vocoder
Вокодер Roland VP-330 — один из самых популярных и распространённых вокодеров в музыкальной индустрии. Использовался в сотнях композиций 1980-х годов — звучание VP-330 можно услышать, например, в творчестве The Cars и Лори Андерсон.