我担心这里的所有答案都与问题无关。在音乐制作界所谓的声码器与信号处理中使用的相位声码器无关。更糟糕的是，原始帖子引用的Songify应用程序不是声码器的示例。让我们来解决这个问题！
1.相位声码器
其他答案引用的相位声码器是一种信号处理技术，可通过计算信号的时频表示（短期傅里叶变换）来执行信号的时间/音高修改（时间拉伸，音高移位） （或STFT），然后插入/删除信号帧，然后保持相位信息的一致性。它与语音的关系只是历史性的，目前用于低端音频硬件/软件中的音调转换和时间拉伸。RubberBand是基于相位声码器的开源C ++时间/音调更改库的示例。
2.声码器
当音乐制作领域的人们指的是声码器时，他们指的是一种提取信号频谱包络的设备（通常是声音，称为调制器），并过滤另一个信号（通常是丰富的合成器纹理，称为载波）。使用一个滤波器，其响应是提取的频谱包络。有关产生声音的示例，请在头几秒钟内收听Kraftwerk Trans Europe Express中的 0:23 或Alan Parsons的Project The Raven。产生的效果是施加到载波信号播放的旋律或和弦上的类似声音的音色，给人感觉是通过合成器发出了声音。
声码器最初是一个模拟设备，它由两排或十二个以上具有高Q的带通滤波器实现。调制器信号通过第一个滤波器组发送，所有子带信号的幅度都通过一个信封关注者数组。并行地，载波信号通过另一个滤波器组发送。每个子带都以包络跟随器给出的增益进行放大（使用VCA）。如果你读的模拟，你可以看看在的示意图声码器信道这里，从尤尔根Haible的生活声码器-在调制器信号滤波器的顶部，在载波滤波器和VCA的底部。声码器的软件实现与此接近，仅因为音乐制作人希望声码器听起来像经典的模拟设备！但是，如果您不希望对“老式”设备保真，并且想要比40 biquads便宜的东西，则获得相同结果的另一种方法是估算全极点滤波器（取决于所需的接近程度，约为8至20阶）从调制器信号获得原始语音）（AR建模）；然后将此过滤器应用于载体。这里的典型问题是，您需要每20ms帧左右更新一次滤波器系数；因此，您需要一个能处理突然的系数更新的全极点滤波器的表示形式。
3.自动调谐和音高重映射
Songify的工作如下：提取录制语音的韵律（音高轮廓），并对其进行更改，以使最终的音高轮廓与目标旋律匹配。这有点类似于自动调谐的功能，区别在于自动调谐会将音高“舍入”到最接近的音乐准确半音，而Songify只是将其推向目标值。
由于语音信号是单声道的并且非常适合源滤波器模型，因此这里使用的算法与传统的音高移位时延非常不同。像时域音高同步重叠叠加（TD-PSOLA）这样的方法在计算和质量方面比常规时间拉伸算法（通常由相位声码器完成）透明地改变音高，效率更高。 ）。例如，这些用于语音合成中以更改合成句子的韵律-确实与Songify不同！自动调谐也基于此类时域方法（检测输入波形的完整周期并对其进行重采样）。
