实时修音
麦克风进来的声音经过音高检测与修正后立刻送回耳返。修正力度可调 —— 从「修得不露痕迹」到「彻底电音」之间连续可选。
- 端到端实测 29.92 毫秒，压在 30 毫秒硬线之下
- 颤音会保留，不会把人唱成 MIDI
- 按调式量化，不是简单吸附到最近半音；跑调太离谱时不硬拉
已完成
Windows 桌面工具 · 不联网 · 声音不出本机
实时修音，
实时换声
不是唱完再修 —— 麦克风进来的声音，修正之后 直接回到耳返里，实测 29.92 毫秒。声线同样是当场换的： 更细、更厚、更亮，都不动音高、不增加延迟。 干声原样落盘，随时能重来。
实时显示：音名、偏差音分、最近 8 秒走势
29.92ms端到端实测延迟
- < 20ms感知为「自己的声音」
- 20–50ms能察觉发飘，但不影响发声
- > 50ms触发延迟听觉反馈效应，人会不自觉结巴、跑调
唱歌音准自动修正
跑调的人，唱出来就是准的。
离线重新校准
实时那条路被 30 毫秒捆着：不能回看、基频只能用因果算法、合成窗口被下限截断。离线重跑这三条限制一条都没有。
- 八度纠错 —— 拿邻域中位数揪出翻倍/减半的离群帧，实时看不到邻域
- 零相位平滑 —— 前向一遍反向一遍，修正不再慢半拍
- 产物与干声等长，在录音页里并排 A/B
已完成
声音克隆
同一件事的两个强度：像另一个人，和像某个指定的人。
声线塑形（纯 DSP）
共振峰平移改变「声道长短」，频谱倾斜改变「整体明暗」—— 两者都不动音高、不增加一毫秒延迟。打包成具名「角色」，选中即生效。
- 放一段参考音频，自动算出该拧多少
- 纯 DSP，不需要下载任何模型
- 做得到「像另一个人」，做不到「像某个指定的人」
已完成
神经声线转换
「像某个指定的人」那一档。它做不进 30 毫秒（内容编码要看上下文），只能放在录制之后。目前仍在开发，**没有包含在可下载的版本里**。
- 设计上全程在你自己的电脑上跑，声音不上传
- 主程序体积不会变 —— 模型只在要用这个功能时才下载
- ⚠️ 现在下载的版本里没有这个功能
开发中
本软件不提供、不上架、不托管任何人的声纹 —— 参考素材与目标声线完全由你自己提供，取得被模拟者同意是使用者的责任。
AI 生成标识与水印尚未实现，会随神经声线转换一起上线 —— 在那之前，可下载的版本里只有纯 DSP 的声线塑形，它做不到克隆。
为什么「实时」这么难，以及我们怎么做的
人唱歌时，自己的声音通过两条路进大脑：骨传导（零延迟）和耳返（有延迟）。 两条路一旦拉开距离，人会不自觉地结巴、跑调 —— 这是延迟听觉反馈效应，超过 50 毫秒之后，开着比关着更糟。
所以目标很明确：必须压进 30 毫秒。这不是性能指标，是这个产品成不成立的前提。
难点不在算法，在音频后端
跨平台音频库在 Windows 上走的是共享模式，块周期由系统音频引擎决定、改不了。 实测恒定 480 帧（10 毫秒），光输入输出缓冲就吃掉 35 毫秒 ——算法再快也进不了线。
我们绕开它，直接用 WASAPI 独占模式，把周期压到输入 2 毫秒 / 输出 3 毫秒。 代价是运行期间独占声卡（系统其他声音会静音）， 这对录音工具是可以接受的 —— 录音时本来就该独占。
- 输入块96 帧2.00 ms
- 环形缓冲456 帧9.50 ms
- 输出块144 帧3.00 ms
- 音高修正算法PSOLA15.42 ms
- 端到端48 kHz · WASAPI 独占29.92 ms
这是同一台机器上实测出来的数字，不是理论估算。 软件内置诊断页，你可以在自己的机器上量一遍 —— 它会告诉你设备实际拿到的块大小、时钟漂移、以及有没有丢帧。
跑起来需要什么
需要
- 有线耳机，或外置声卡 / USB 麦克风
- Windows 10 / 11
- 录音时能让本程序独占声卡 —— 运行期间系统其他声音会静音
- Microsoft Edge WebView2 运行时（微软官方免费组件，Win11 与较新的 Win10 自带）
做不到
- 蓝牙耳机 —— 编解码本身就有 100~250 毫秒延迟，是无线协议的物理限制，任何软件都绕不过
- macOS / Linux —— 暂不支持
- 手机 —— 不做移动端
用蓝牙耳机时软件不会假装能用：它会检测到并切换成纯视觉模式 （只看音高条，不听修正声），同时明确告诉你原因。
第一次运行
弹出「Windows 已保护你的电脑」 —— 程序未做代码签名，点「更多信息 → 仍要运行」即可。 不放心的话 Release 页附有 SHA256，可以自己核对。
双击完全没反应 —— 多半是缺 WebView2 运行时。 这种情况程序会弹窗说明原因，不会静默失败； 如果连弹窗都没有，那是被安全软件拦在了启动之前。