無料ボイスチェンジャー (Windows) の選び方

要点: 手軽さなら Voicemod 無料版か Clownfish、声質を大きく変えるなら RVC 系 AI 変換 (NVIDIA GPU 推奨)、録音済み音声なら Audacity を使う。

候補一覧#

方式の違い#

• DSP エフェクト: ピッチシフト・フォルマント・リバーブ等を信号処理で掛ける。CPU 負荷と遅延が小さい。元の声の特徴は残る。
• AI 音声変換 (RVC 等): 学習済みモデルの声質に変換する。変換後の声は元の声から大きく離れる。GPU (NVIDIA / CUDA) がないと遅延が大きくなる。モデルは配布元の利用規約を確認する。
• 録音後編集: 遅延の制約がないため品質を優先できる。配信・通話には使えない。

通話・配信アプリに流す構成#

マイク → ボイスチェンジャー → 仮想オーディオデバイス (VB-CABLE 等) → Discord / OBS / Zoom の入力

• Voicemod・Clownfish は自前の仮想デバイスを持つので VB-CABLE 不要。
• w-okada・VST ホスト構成では VB-CABLE (無料) を出力先にし、通話アプリの入力デバイスを CABLE Output にする。
• 自分の変換後の声は、ボイスチェンジャーのモニター機能かヘッドホンで確認する (スピーカーだとハウリングする)。

VRChat で使う場合#

• PC 版 VRChat (デスクトップ / SteamVR / Quest Link・Virtual Desktop 経由) で使える。Quest 単体版には PC のソフトを挟めない。
• VRChat の設定 → Audio → Microphone で、ボイスチェンジャーの仮想マイク (CABLE Output や Voicemod Virtual Audio Device) を選ぶ。
• ヘッドセット内蔵マイクを使う場合は、ボイスチェンジャー側の入力デバイスをそのマイクにする。
• 会話では遅延が長いと応答がずれる。AI 変換はバッファ (chunk) を小さくすると遅延が減り、GPU 負荷が増える。VR 描画と GPU を共有するので、フレームレート低下を確認する。

男声 → 女声 (アニメ調) にする場合#

• RVC 系: ピッチ設定 (w-okada の TUNE) を +10〜+12 半音から始める。+12 で 1 オクターブ。
• DSP (Graillon 2 等): ピッチ +5〜+7 半音、フォルマントを上げる。ピッチだけ上げると声質が変わらず「早回し」の音になる。
• 入力の話し方で結果が変わる。語尾の抑揚を大きくし、声を少し高めに出すと変換後も自然になる。

入力の声が低い場合#

• 成人男性の話声の基本周波数は 85〜155 Hz、成人女性は 165〜255 Hz。+12 半音で周波数は 2 倍になる。
• 必要な TUNE は $12{\log }_2(f_{\text{target}}/f_{\text{in}})$ 半音。例: 80 Hz → 200 Hz は +15.9。
• 入力が 100 Hz 以下なら +12 では女声の下限付近に留まる。+13〜+15 で合わせる。
• 地声の範囲で 2〜3 半音高めに話すと、F0 推定が安定し変換後の明瞭度が上がる。裏声にする必要はない。
• 口を横に開き、声を口の前方で響かせる発声にすると、フォルマントが上がる。

入力の声質 (鼻声等) が変換後に残る場合#

• RVC は HuBERT 特徴量で発音内容を抽出する。特徴量に入力の声質の一部が残り、変換後に出る。
• INDEX を上げる (0.75〜1.0): 特徴量をモデル学習データの特徴量で置き換える割合が増える。滑舌は崩れやすくなる。
• Protect を下げる (0.2〜0.33): 入力特徴量をそのまま通す区間が減る。
• 入力を EQ で補正する: 鼻にかかった音は 800 Hz〜1.5 kHz 付近の強調として聞こえることが多い。Equalizer APO 等でこの帯域を −3〜−6 dB 下げて比較する。
• 学習データが少ないモデルほど入力の声質が残る。

w-okada voice-changer 導入手順 (Windows + NVIDIA)#

1. VB-CABLE を vb-audio.com から入れ、再起動する。
2. GitHub w-okada/voice-changer の README から Windows NVIDIA (CUDA) 版を取得・展開する。
3. 起動するとブラウザで UI が開く (初回はモデル等の取得に数分かかる)。
4. 入力 = 実マイク、出力 = CABLE Input、モニター = ヘッドホン。
5. モデル選択 → TUNE 調整 → F0 Detector は rmvpe (品質) か fcpe (軽量)。
6. CHUNK を下げて遅延を減らす。音が途切れたら 1 段戻す。
7. 通話・VR アプリのマイクを CABLE Output にする。

w-okada の主なパラメータ (RVC)#

遅延の主成分は CHUNK。GPU 負荷は CHUNK と EXTRA の比で決まり、CHUNK を下げたら EXTRA も下げる。

w-okada にモデルを追加する#

1. モデル一覧横の edit でスロット管理画面を開く。
2. 空きスロットの upload → Voice Changer Type に RVC を選ぶ。
3. model にモデル (.onnx / .pth / .safetensors)、index に .index (任意) を指定 → upload。
4. sample を選ぶと許諾済みサンプルをダウンロードして追加できる。
5. 追加後、Index 比率を 0〜1 で調整する。高いほど元モデルの声に近づき、滑舌が崩れやすくなる。

保存先は model_dir/<スロット番号>/。

サーバーとクライアントを別 PC にする#

w-okada は変換を行うサーバー (MMVCServerSIO.exe) と、ブラウザの操作画面 (クライアント) に分かれる。

• 別 PC のブラウザから使う場合は start_https.bat で起動し、https://<サーバーIP>:18888 を開く。ブラウザは http の非 localhost でマイクを許可しない。
• 自己署名証明書の警告が出る。サーバー PC のファイアウォールで TCP 18888 を許可する。
• client モードは音声が LAN を往復するため、遅延がネットワーク分増える。有線 LAN 推奨。

外出先から使う (Tailscale)#

• サーバー PC を start_http.bat で起動し、tailscale serve --bg 18888 を実行する。https://<マシン名>.<tailnet>.ts.net に正規証明書付きで公開される (tailnet 内のみ)。
• 事前に管理画面で MagicDNS と HTTPS Certificates を有効にする。
• 遅延は往復 RTT 分増える。tailscale ping <サーバー> で via DERP と出る場合は中継経由で遅延が大きい。直接接続 (via <IP>:<port>) を確認する。
• 帯域は 48 kHz モノラル PCM で片方向 0.8〜1.5 Mbps (16bit〜float32)。

声モデルの権利#

• 実在の声優・アニメキャラの声を学習した非公式モデルは、本人・権利者の許諾がない。公開の場で使うとパブリシティ権・契約上の問題になり得る。日本の声優団体は無断 AI 音声に反対を表明している (2024 年、「NOMORE 無断生成 AI」)。
• 利用許諾付きの公式モデルを使う。例: w-okada voice-changer 同梱のサンプルモデル (つくよみちゃん、あみたろ、黄琴まひろ 等)。各キャラの規約でクレジット表記や禁止用途を確認する。

RVC モデルの入手先#

.pth ファイルの安全性#

• .pth は PyTorch の pickle 形式で、読み込み時に任意コードを実行できる。
• 出所不明の .pth は読み込まない。配布元が .onnx や .safetensors を出していればそちらを使う。

選択基準#

1. まず試したい → Voicemod 無料版 / Clownfish
2. 声の高さだけ自然に変えたい → Graillon 2 Free
3. 別人の声にしたい、GPU あり → w-okada voice-changer + RVC モデル
4. 動画ナレーション用 → Audacity

関連#

• 無料効果音の入手先
• レイテンシ計測