ライブ配信者やVTuber、バーチャルイベントの司会者がリアルタイムでキャラクターボイスを演じ分ける際、最大の障壁となってきたのが「音声遅延」です。従来のクラウド型ボイスチェンジャーでは200〜400ミリ秒以上の往復遅延が発生し、リスナーとの掛け合いやコラボ相手との会話テンポが崩れるだけでなく、アバターのフェイストラッキング（口パク・リップシンク）と音声が目に見えてずれてしまう問題がありました。さらに、通信環境によるパケットロスやプライバシー流出のリスクも無視できません。
Altered Real-Time Pro は、AI音声変換および話者分離処理をすべてデスクトップの「ローカルCPU」上で実行することで、このボトルネックを根本から解消します。システムネイティブの仮想オーディオデバイス（Microphone (Altered Virtual Audio Device)）として動作し、わずか約135ミリ秒という極めて低いアルゴリズム遅延で20種類の高品質Voice Skinsを適用。周囲の生活音や同居人の声を遮断する生体識別ノイズアイソレーション機能も備えています。
本稿では、Altered Real-Time Proを仮想マイクとして初期化し、DiscordおよびOBS Studioへ正しくルーティングして低遅延かつクリアなキャラクターボイスを配信する手順を徹底解説します。
1. 動作環境とハードウェアの事前準備
Altered Real-Time Proはクラウドサーバーを介さず、PCのCPU性能をフルに活用してディープラーニング推論を行います。そのため、安定したリアルタイム変換には一定水準のスペックと音響環境が求められます。
必要動作環境と推奨スペックの比較
| 構成要素 | 必要動作環境 | 配信・VTuber向け推奨スペック |
|---|---|---|
| CPUアーキテクチャ | 5nmプロセス以内のモダンなIntel/AMD x86、またはApple Silicon | Apple Silicon Mシリーズ、AMD Ryzen AI、またはIntel Core Ultra 200シリーズ |
| CPUコア数 | 物理6コア以上（12スレッド推奨。※Intelの低電力Eコアは計算対象外） | 物理8コア以上（16スレッド以上） |
| システムメモリ | 最低 8 GB RAM | 16 GB RAM 以上 |
| オペレーティングシステム | Windows 10（ビルド1903以降）、Windows 11、macOS Big Sur 11.0以降（Apple Silicon限定） | Windows 11（64ビット）またはmacOS 14以降 |
| マイク・音響機器 | 口元に近接したヘッドセットまたはブームアームマイク | 単一指向性（カーディオイド）のダイナミック/コンデンサーマイク、密閉型モニターヘッドホン |
配信開始前の3大音響ルール
- 必ず密閉型ヘッドホンを使用すること： スピーカーからの外放や開放型ヘッドホンからの音漏れは厳禁です。漏れた音がマイクに再入力されると、リアルタイムAIの変換ループ内で強烈なハウリング、金属的なフランジングノイズ、音声破綻を引き起こします。
- マイクは口元の直近に固定する： ポップガードを装着し、マイクと唇の距離を5〜10cm前後に保ちます。SN比（信号対雑音比）が高く芯のある原音を入力することが、AIによる正確なピッチ検出とフォルマント変換の必須条件です。
- 有線接続を徹底する： Bluetoothワイヤレス機器は100〜200ミリ秒以上のハードウェア無線遅延を独自に発生させます。USBオーディオインターフェースまたは3.5mm有線接続を使用してください。
2. Altered Real-Time Pro 本体のセットアップ
DiscordやOBSと連携する前に、Altered Studio上で物理マイクを指定し、変換エンジンを立ち上げます。
[物理マイク (USB / オーディオインターフェース)]
│
▼
[Altered Real-Time Pro ローカルエンジン]
- Voice Skin の選択 (20種類のキャラクター声線)
- Isolate (Advanced / Biometric) の設定
- ローカルCPU推論 (約135msの極小遅延)
│
▼
[Altered Virtual Audio Device 仮想マイク]
┌──────┴──────┐
▼ ▼
[Discord 通話] [OBS Studio 配信出力]
ステップ1：リアルタイム画面の起動
- デスクトップで Altered Studio を起動します。
- 画面上部メニューの Real-Time タブをクリックし、リアルタイム変換コンソールを開きます。
- 入力デバイス一覧から、使用している物理マイク（例：Focusrite USB、Elgato Wave:3、ヘッドセットマイク）を選択します。
ステップ2：Voice Skin（声色モデル）の選択
Altered Real-Time Proには、多様な性別、年齢、トーン、キャラクター性を持つ 20種類の Voice Skins が用意されています。アバターのキャラクター像や企画に合わせたモデルを選択してください。
ステップ3：Isolate（周囲のノイズ・他者音声の遮断）の設定
タイピング音、PCファンの送風音、同居人の会話などが気になる場合は、Isolate 機能を有効化します。
- Advanced（アドバンスドモード）： スタジオ品質の音響ノイズ除去。部屋の反響音やエアコンの風切り音を強力に低減します。
- Biometric（バイオメトリックモード）： ユーザー固有の「声紋（Voiceprint）」を登録・認識します。たとえ同じ部屋で別人が大声で話しかけてきたり、背景干渉が-6 dB SIR（干渉音が自分の声の2倍の音量）に達していても、他者の声を完全に除外して本人の声だけを変換・抽出します。
ステップ4：エンジンの起動（Start the Engine）
Start the Engine ボタンをクリックします。マイクに向かって発声し、インジケーターメーターが正常に反応し声が変換されていることを確認します。この時点で、OSのオーディオドライバ層に Microphone (Altered Virtual Audio Device) がマウントされます。
3. Discordの設定：ボイスチャット・コラボ通話
マルチプレイゲームのVCや配信者同士のコラボ通話では、Discordの入力マイクをAlteredの仮想デバイスに向けるだけで変換後の音声がそのまま相手に届きます。
Discord設定手順
- Discordを起動し、左下の歯車アイコン（ユーザー設定）をクリックします。
- 左側メニューの「アプリの設定」配下にある 音声・ビデオ（Voice & Video）を選択します。
- 入力デバイス（Input Device）のプルダウンメニューから、Altered Virtual Microphone（または Microphone (Altered Virtual Audio Device)）を選択します。
- 出力デバイス（Output Device）は、普段使用している自身のモニター用物理ヘッドホンを指定します（仮想デバイスは絶対に選択しないでください）。
音質劣化を防ぐための必須チューニング
Discord標準の音声処理フィルターは生身の人間の声を前提としているため、AI変換後の音声と干渉して音途切れやこもりを招く原因になります。
- Krispノイズ抑制をオフにする： 「高度なノイズ低減（Krisp）」を「なし」または標準に切り替えます。AlteredのIsolateエンジンの方が遥かに高精度に動作するため、Krispを二重にかけると不自然なクリッピングや語尾の消失が発生します。
- エコー除去をオフにする： 密閉型ヘッドホンを使用している場合、Discord側の「エコー除去」を無効化します。感情が高ぶった叫び声や大笑いがエコーと誤認されてミュートされるのを防ぎます。
- 音量自動調整（AGC）を無効化： 声のダイナミクスが崩れるのを防ぐため、自動調整をオフにします。
- 入力感度の手動調整： 「入力感度を自動調整します」をオフにし、囁き声がしっかり拾われ、無音時の吐息でゲートが開かない位置に手動スライダーを設定します。
4. OBS Studioの設定：配信音声のルーティング
OBS Studioでは、変換されたキャラクター音声のみをリスナーへ確実に届け、生の声の混入や二重出力を防ぐ設定を行います。
設定方法A：グローバル音声デバイス（シンプル構成）
- OBS Studioの「設定」を開き、左メニューの 音声 を選択します。
- グローバル音声デバイス 内の マイク音声（Mic/Auxiliary Audio）を開きます。
- リストから Altered Virtual Audio Device を選択します。
- マイク音声 2、3、4 がすべて「無効」になっていることを確認します（生の物理マイクが同時に有効化されていると地声が配信に乗ってしまいます）。
- 「適用」をクリックして保存します。
設定方法B：シーン別「音声入力キャプチャ」（柔軟な切り替え構成）
オープニング雑談では地声、ゲームプレイ本編ではキャラクター声といった切り替えを行う場合は、シーンごとにソースを追加するのが最適です。
- OBSの「ソース」パネルで + をクリックします。
- 音声入力キャプチャ を選択します。
- ソース名を
Altered キャラクター音声と入力します。 - デバイス一覧から Altered Virtual Audio Device を選択し、OKをクリックします。
5. VTuber向け：リップシンクとアバター描画の同期（Sync Offset）
VTube StudioやWarudo等のトラッキングアプリを使用している場合、映像と音声の間でわずかなズレが生じることがあります。
- カメラによる顔認識と2D/3Dモデル描画処理には通常 40〜90ミリ秒 の描画遅延が伴います。
- Altered Real-Time ProのローカルCPU推論によるアルゴリズム遅延は約 135ミリ秒 前後です。
OBSでの遅延同期調整手順
- OBSの「音声ミキサー」パネルを確認します。
Altered キャラクター音声の右側にある歯車（または縦3点リーダー）をクリックし、オーディオの詳細プロパティ を開きます。- 同期オフセット (ms) の項目を調整します：
- アバターの口が声より先に動いている場合：仮想マイク側に正のディレイ（例：
+30 ms〜+70 ms）を追加します。 - 声がアバターの口の動きより早く聞こえる場合：カメラソース側のプロパティで映像バッファ遅延を付与します。
- アバターの口が声より先に動いている場合：仮想マイク側に正のディレイ（例：
- 配信本番前にOBSの録画機能を使い、手拍子や破裂音（パ、タ、カ）を発音する10秒程度のテスト動画を収録し、口の開閉と音のタイミングが一致しているか必ず目視確認してください。
6. トラブルシューティングと最適化のポイント
1. 音割れ、ロボット声、バッファ落ちが発生する場合
重量級の3Dゲームを同時に起動した際に音質が劣化する場合の対策：
- CPU負荷の上限管理： Alteredの推論スレッドがCPUリソース不足に陥ると「バッファアンダーラン」を起こし、プチプチとしたノイズになります。GPUコントロールパネルでゲームの最大フレームレートを制限（例：60 FPSや120 FPSに固定）し、CPUの余力を確保してください。
- サンプルレートの一致： Windowsのサウンドプロパティ、OBSの音声設定、Altered Studioの設定をすべて 48,000 Hz（48 kHz） に統一してください。サンプリングレートが混在すると、OSによる再サンプリング負荷で音飛びが発生します。
- オーディオバッファサイズ： オーディオインターフェースのバッファサイズは 128〜256 samples が適正です。64未満はCPU負荷が極端に高まり、512を超えると会話遅延が顕著になります。
2. 地声と変換後の声が二重に聞こえる場合
リスナーから「エコーがかかっている」「地声が混ざって聞こえる」と指摘された場合：
- OBSの音声ミキサー上で、物理マイクとAltered仮想マイクが同時にアクティブになっていないか確認してください。
- デスクトップ音声キャプチャがDiscord等のマイクモニター音声を拾っていないかルーティングを再確認してください。
7. 料金プランと機能比較
Altered Real-Time Proには、配信頻度や用途に応じたプランが用意されています。
| プラン名 | 料金（月払い / 年払い換算） | 1日の処理可能時間 | 利用可能機能 | プライバシー・データ取り扱い |
|---|---|---|---|---|
| Free（無料版） | 永年無料 | 1日 20分 | 日替わり4種のVoice Skins、Isolateノイズ除去 | AI改善プログラムに参加（匿名化データ） |
| Voice Skins プラン | $5.00/月（年払い時 約$2.50/月） | 1日 120分 | 全20種のVoice Skins、すべてのIsolateモデル | AI改善プログラムに参加 |
| Call Center / Euphonia（標準プライバシー） | $12.00/月（年払い時 約$10.00/月） | 無制限 | アクセント変換または発話支援、全Voice Skins & Isolate | 100%デバイス内ローカル処理、データ送信なし |
| Call Center / Euphonia（割引プラン） | $8.00/月（年払い時 約$6.00/月） | 無制限 | アクセント変換または発話支援、全Voice Skins & Isolate | AI改善プログラムに参加 |
| Cloud Compute アドオン | +$2.00 / 1日1時間枠 / 月 | 追加枠 | 推論負荷を最寄りのクラウドサーバーへオフロード | 軽量ノートPC等でローカル負荷を抑えたい方向け |
1回あたり2時間以内の配信を行うストリーマーであれば、Voice Skins プランで十分な実用性を確保できます。4時間以上の長時間配信を日常的に行う専業VTuberの場合は、制限時間を気にせず利用できる 無制限プラン を選ぶことで、配信中の声色断絶を回避できます。
参考文献
- Real-Time Voice Changer | Altered
- How Altered Real-Time Pro Works | Altered
- OBS with Altered Real-Time Pro Voice Changer
- Discord with Altered Real-Time Pro Voice Changer
- Real-Time Voice Isolation & Speaker Isolation | Altered
- Real-Time Pro Pricing | Altered
- Real-Time Pro Frequently Asked Questions | Altered