Note : Cette page n'est qu'une courte vue d'ensemble des méthodes utilisées par RealSinger pour générer la voix. Ce n'est pas nécessaire de lire ceci pour pouvoir utiliser RealSinger. Ce chapitre est destiné à répondre aux questions techniques que pourraient se poser certains utilisateurs quant aux algorithmes internes, et n'est donc pas nécessaire pour utiliser le produit.

Trois problèmes apparaissent rapidement :

1. L'algorithme doit être capable de générer le phonème à n'importe quelle fréquence. Enregistrer tous les phonèmes possibles à toutes les fréquences possibles n'est pas envisageable, car cela conduirait à un processus d'enregistrement long et complexe, ainsi que des fichiers de définition de voix très volumineux.
2. L'algorithme doit pouvoir prolonger le phonème autant que désiré.
3. L'algorithme doit être capable de générer une transition douce entre un phonème et un autre, afin de simuler le phénomène de coarticulation (le phonème suivant commence à être entendu  alors que le précédent n'est pas encore complètement terminé).

Pour les problèmes 1 et 2, quelques algorithmes efficaces ont déjà été développés. Ils traitent directement le signal numérique de l'échantillon enregistrée et permettent de changer la fréquence aussi bien que la durée. Ces algorithmes sont utilisés dans la plupart des éditeurs de son, pour changer la fréquence ou la durée d'un fichier sonore de manière indépendante. Ils sont également utilisés avec succès en synthèse vocale parlée car les variations de fréquence sont assez faibles dans ce cas.
Cependant, en voix chantée, ces algorithmes ne peuvent pas être utilisés car ils ne sont plus efficaces dans le cas de changement de fréquence trop importants. Le résultat n'est pas "faux" en lui-même, mais la voix est déformée, exactement comme quand une bande magnétique défile trop vite (voix de canard).

Pour le problème 3, une solution courante est de ne pas enregistrer seulement les phonèmes d'une langue, mais toutes les combinaisons possibles de deux ou trois phonèmes (diphonemes, triphonemes). Ce système stocke les coarticulations et rend la voix synthétisée plus réaliste. Cependant, ici encore, le processus d'enregistrement est assez long et compliqué, et nécessite souvent de la part du locuteur (chanteur) plusieurs heures d'enregistrement. Le fichier définissant la voix est souvent assez imposant (plusieurs méga-octets)

RealSinger utilise des algorithmes originaux pour résoudre ces trois problèmes à la fois, en manipulant les spectres de fréquence.
Certains synthétiseur vocaux ont déjà essayé d'utiliser les spectres de fréquence pour générer la voix.
Cependant, cette méthode s'est avérée difficile à mettre en oeuvre car régénerer un signal à partir d'un spectre en utilisant une transformée de Fourier inverse rapide (IFFT) nécessite de réajuster correctement les valeurs de "phase", sinon les morceaux consécutifs de signal ne se joignent pas correctement, et un bruit de fond est perceptible.

Spectre vocal

Quand on parle ou qu'on chante, la forme d'onde de la source glottale (son produit par les cordes vocales lorsqu'elles sont excitées par le flux d'air venant des poumons) est une combinaison d'harmoniques (fréquences multiples de celles de la fondamentale f0)

Dans un graphe puissance/fréquence, le signal produit par la source glottale ressemble à un peigne, chaque dent du peigne étant localisé à un multiple de la fondamentale f0:

Quand la fréquence de la voix augmente, f0 glisse vers la droite (hautes fréquences) et la différence de fréquence entre deux harmoniques consécutives augmente également, pour rester égale à f0.

Processus d'enregistrement

• Il est demandé à l'utilisateur de prononcer un mot pour chacun des phonèmes de la langue choisie
• Chaque mot est enregistré en données sonores traditionnelles
• Alors, le phonème est isolé dans le mot, et le signal est recadré afin de ne conserver que cette partie
• Un spectre moyen de ce son est calculé.
• Ce spectre est déconvolué pour supprimer l'influence de la source glottale, et de ne garder que la courbe de fréquence des résonances du conduit vocal.
• Ce pseudo-spectre est stocké (moins de 100 valeurs pour chaque phonème)
• Pour les phonèmes qui varient dans le temps comme les plosives, plusieurs pseudo-spectres sont stockés pour conserver les informations sur les changements dans le spectre.

Generation de la voix

• Pour chaque phonème à chanter, le pseudo-spectre correspondant est extrait. Dans les parties transitionnelles entre deux phonèmes, les deux pseudo-spectres sont déformés et mixés ensemble pour simuler le processus de coarticulation.
• Un signal synthétique de source glottale synthétique est généré à la fréquence désirée. Le spectre glottal de la source peut être aisément modifié pour changer le timbre global de la voix (pour égaliser, ou appliquer divers effets de type vocoder).
• Cette source est re-convoluée avec le pseudo-spectre du phonème.
• Ce spectre est alors traité par une transformée inverse sans phase, pour générer un bloc de données sonores standard.