Så fungerar röstfilter i ett dubbningsspel

Varenda röstförvrängare du har använt fungerar likadant under ytan: den samplar om. Spela upp inspelningen snabbare och du går upp, långsammare och du går ner. Det är en rad kod, det är vad en bandspelare gör, och det är hela anledningen till att jordekorrsrösten finns.

Det är också den enda sak ett dubbningsspel inte kan göra, och att lista ut varför är det mesta av det som gör röstfilter intressanta i den här genren.

Hastighet ändrar tonhöjd och längd tillsammans

I en dubbning spelas din tagning inte upp för sig själv. Den läggs mot en bild — en figur öppnar munnen vid 4,2 sekunder och slutar vid 6,1, och din replik ska ner i den luckan. Ingenting töjer den så att den passar och ingenting kortar av den.

Så i samma stund som du ändrar uppspelningshastigheten har du ändrat hur länge repliken varar. En jordekorre i 1,9× är klar halvvägs, med figurens mun fortfarande i rörelse. En jätte i 0,55× pratar fortfarande flera sekunder efter att scenen klippt bort. Båda är precis den osynk som varenda annan del av ett dubbningsspel finns till för att förhindra — och ju roligare filtret är, desto extremare hastighet och desto värre glidning.

Det är därför en röstförvrängare byggd för chatt eller stream ofta låter fel första gången någon riktar den mot en dubbning. Ingenting är trasigt. Chatt har ingen bild att hålla sig synkad mot, så ingen har behövt lösa det här.

Formanter, och varför de bär mer än tonhöjden gör

Lösningen är att sluta röra tonhöjden helt och flytta resonanserna i stället. Din röstkanal är ett rör, och ett rör har frekvenser det klingar i — formanter. En kort kanal klingar högt, en lång klingar lågt, och längden på någons kanal är det mesta av det som får en röst att läsas som liten eller stor. Förmodligen mer än tonhöjden gör.

Att flytta var en röst resonerar är ren EQ. I PartyDub är varje filter en kedja av klockfilter runt 240 Hz för bröstresonansen, 1400 Hz där vokalerna bor, och 3000 Hz för den ljusstyrka som läses som en lättare röst. Lyft de två översta och sänk den nedersta så blir den som talar mindre; gör tvärtom så blir den större. Inspelningen samplas aldrig om, så den varar exakt så länge som den framfördes, på samplet när.

Bytet är ärligt och värt att säga: en formantförskjuten jordekorre är en liten människa, inte en bokstavlig jordekorre. Det är mindre extremt än omsampling. Det stannar å andra sidan kvar på bilden, och i ett spel där skämtet är en röst mot ett ansikte betyder det mer än de sista tjugo procenten av effekten.

De som inte handlar om storlek

Alla filter är inte en formantförskjutning. Flera är äldre trick som råkar vara gratis i en webbläsare:

• —Robot är ringmodulering — signalen multiplicerad med en sinusvåg på 55 Hz. Web Audio har ingen multiplikationsnod, men gain-parametern på en gain-nod är en multiplikator, så att driva den med en oscillator är precis ringmodulering.
• —Arg geting är samma trick vid 260 Hz, klämt in i ett smalt band. Snabb modulering in i ett bandpass är rent surr.
• —Telefonsamtal är röstbandet 300–3400 Hz och ingenting annat. Det bandet är vad som får en telefon att låta som en telefon; det är ett faktum om telefonnätet, inte om rösten.
• —I en grotta är en återkopplad delay på 220 ms med diskanten nerdragen, vilket är ungefär vad en riktig grotta gör med dig.
• —Demon är en stor formantförskjutning nedåt med waveshaper-distorsion ovanpå.

Allt körs i webbläsaren, i det ögonblick rummet spelar upp en dubbning. Ingenting laddas upp, ingenting renderas på en server, och effekten kostar lika mycket vare sig en person hör den eller tio.

Designproblemet under ljudproblemet

Att få arton filter att låta bra visade sig vara den lätta halvan. Den svåra var att de länge var en rullgardinsmeny: du öppnade en meny före inspelningen, valde Demon och fick Demon.

Det är en preferens, och en preferens är en ensam sak i ett festspel. Ingen annan i rummet har något i den, ingen blir överraskad av den, och när du väl har hittat den du gillar slutar du öppna menyn. En rolig röst du valt åt dig själv är en dräkt du bär ensam.

Filter i PartyDub väljs därför inte längre. De kastas. Under en runda finns en hylla med arton trolldrycker; du tar en flaska, väljer en spelare, och alla ser den bågna över skärmen och brista på den personens kort. Resten av rundan kommer deras röst ut genom det filtret — i båset medan de fortfarande spelar in, och vid avslöjandet när rummet hör den.

Den som blir träffad får inget att säga till om, vilket är hela poängen och det enda en rullgardinsmeny aldrig kan göra.

Två regler som hindrar det från att bli irriterande

1. En trolldryck varar en runda. Nästa runda är du ren igen om inte någon lägger en till på dig. Att bli träffad i runda ett och sitta fast som geting i en timme är ett straff; att bli träffad i en runda är ett skämt.
2. Du får veta det direkt. När du lyssnar på din tagning i båset hör du hur du faktiskt låter. Att dölja det för att rädda överraskningen var frestande och hade varit sämre — den som inte vet att hen låter som en demon kan inte spela på det, och en replik läst rakt för att du inte hade en aning är ett skämt som landar hos ingen.

Ett kast var per runda, så i ett rum där flera personer håller i trolldrycker kan en runda ha fyra flaskor i luften samtidigt. Att bli träffad kräver varken konto eller plan: skämtet fungerar inte om halva rummet inte kan vara måltavla.

Vad det kostar

Ett inloggat gratiskonto får en trolldryck i månaden. Stöttare får femtio. En i stället för ingen, för en siffra på en prissida betyder ingenting förrän du har kastat en; en i stället för fem, för bristen är hela anledningen till att en trolldryck är värd något. Gäster kan bli träffade men inte kasta, av det oglamorösa skälet att en månadspott behöver ett konto att hänga på.

Hur som helst är ljudet identiskt. Varje filter är ett par Web Audio-noder som körs på maskinen som spelar upp dubbningen, vilket inte kostar oss något och inte kostar dig något — potten finns för att hålla en kastad trolldryck vid att vara en händelse snarare än väder.