Altered Studio 藉由其語音轉語音（Speech-to-Speech，STS）聲音變形引擎，讓遊戲開發者與音效設計師能夠僅憑單一配音員的參考音軌（guide track），製作出涵蓋各個不同角色的完整配音陣容。透過擷取真人演員富有自然節奏、呼吸控制、情緒起伏與戲劇抑揚頓挫的現場人聲演出，並將其映射至精心挑選或複製（clone）的聲音設定檔，音效團隊無需在前期製作階段聘請數十位配音員，即可為龐大的 RPG 對話樹、環境 NPC 語音（barks）及互動式過場動畫填入豐富聲音。這種「一人分飾全體角色」的工作流程，弭平了機械生硬的文字轉語音（TTS）佔位符與成本高昂的專業錄音室錄音之間的落差，讓敘事設計師與音訊總監能夠在統一的製作環境中，對音色、年齡、性別、口音及演出張力實現精細化掌控。
核心概念：基於演出到演出的人聲變形
傳統遊戲對話製作在開發過程中往往依賴兩種極端方案：早期灰盒（graybox）測試採用合成文字轉語音（TTS），最終發行資產則使用昂貴的多演員錄音室錄音。雖然 TTS 能迅速生成台詞，但在戲劇節奏、潛台詞與情感共鳴上往往差強人意。反之，在原型設計階段或為了數百個次要非玩家角色（NPC）聘請完整配音陣容，會迅速耗盡獨立與中型工作室的製作預算。
Altered Studio 透過語音轉語音（STS）演出到演出的聲音變形解決了這個兩難局面。STS 並非從文字合成語音，而是接收一段錄製好的真人聲音參考音軌（通常稱為 guide 或 scratch track），並分析其聲學特徵：
- 韻律保留： 神經網絡完整保留原始演出者的抑揚頓挫、微停頓、重音與音節節奏。
- 動態範圍與表達張力： 無論演出者是低聲耳語、密謀輕談，抑或是發出粗獷的戰鬥咆哮，其動態張力都會直接傳遞至目標聲音。
- 聲學音色轉換： 演算法將發音者的聲道特徵、共振峰輪廓及基頻基準線替換為特定目標角色形象的相應特徵。
這種方法讓單一音效設計師或配音導演得以走進錄音室，親自詮釋對話的所有角色，並將每句台詞轉換為真實可信且具備聲學辨識度的角色聲音。
專為對話設計師打造的 Altered Studio 核心模組
為了高效運行多角色製作管線，音訊團隊運用了 Altered Studio 平台 內建的數項核心工具：
1. 音色聲音變形與說話風格模型
Altered Studio 提供了針對不同敘事需求量身打造的變形引擎：
- 音色變形（Timbre Morphing）： 替換聲音解剖特徵（音高、共鳴、性別與年齡特徵），同時嚴格維持演員的自然口音與方言。該模型對於多語言專案與本地化尤其珍貴，因為它能在不同語言間順暢運作，而不會引入不自然的合成外語口音。
- 複製與說話風格變形（Clone and Speaking Style Morphing）： 同時轉換聲音身分與特定的風格習慣，使音效團隊能夠賦予聲音特定口音、沉穩威嚴的氣勢或戲劇化特質。該平台包含多達 14 種不同的說話風格，讓聲音設計師得以在耳語、對話、吶喊與旁白敘事等語域之間自由切換單一聲音設定檔。
2. 精選聲音庫與快速聲音複製
該平台擁有陣容龐大的專業聲音原型庫，涵蓋多元族群特徵、年齡與口音：
- 精選聲音庫（Portfolio Library）： 預先訓練的聲音涵蓋粗獷戰士、年邁店主、年輕夥伴以及超自然生物等角色。
- 快速聲音複製（Rapid Voice Cloning）： 音效設計師僅需 4 至 8 秒乾淨的參考音訊即可建立自訂角色聲音設定檔。這讓工作室能夠確立獨特且可重複登場的 NPC 身分，並在續作或章節式內容更新中再次使用。
3. 整合式 AI 聲音清理器
原始錄音常包含細微的口腔雜音（clicks）、爆破音、呼吸雜音或環境空間噪音，這些雜音會降低神經變形的品質。Altered Studio 將 AI Voice Cleaner 直接內嵌於時間軸中，讓聲音設計師在將原始音訊傳入 STS 變形管線之前，先行完成降噪、去殘響與去雜音處理。
端到端製作工作流程：從單軌錄音到多角色場景
將單場人聲錄音轉換為互動式對話場景遵循結構化的六階段製作管線：
[原始參考音軌錄製]
│
▼
[AI 聲音清理器：降噪與去雜音]
│
▼
[音軌切分與 Cue 拆分]
│
▼
[角色選角與聲音設定檔指派]
│
▼
[STS 變形與共振峰/音高微調]
│
▼
[匯出與中介軟體整合 (Wwise / FMOD / Unreal Engine)]
步驟 1：參考音軌錄製與 Cue 設定
最終變形對話的品質取決於參考音軌的表現力。雖然配音員無需模仿目標角色的最終音色，但必須以預期的戲劇意圖、能量與節奏來詮釋台詞。
- 聲學隔離： 在空間殘響與背景噪音極低的乾燥聲學環境中錄製。聲學反射經由神經聲碼器處理時可能會產生相位雜音。
- 單人發聲錄製： 依序錄製交替的對話台詞或採用獨立 take。避免在單軌上出現重疊對話，因為 STS 模型需要清晰無歧義的人聲訊號源。
- 刻意呈現肢體狀態： 若遊戲內場景描繪的是一名筋疲力竭的士兵，演員在錄製時應沉重呼吸並展現出該份疲憊感。變形引擎會保留這些生理層面的細膩表現。
步驟 2：音訊前處理與清理
在套用聲音變形之前，先於 Altered Studio Voice Editor 內清理原始人聲音軌：
- 執行 AI Voice Cleaner 模組，消除空調低鳴、空間共振與麥克風自生雜訊。
- 去除多餘的口腔雜音與過多唾液聲，防止在神經重新合成過程中引發高頻失真。
- 將音軌音量標準化（normalize），以在整份對話劇本中維持一致的增益架構（gain staging）。
步驟 3：劇本切分與聲音指派
將音訊檔案切分為對應遊戲對話樹的離散 cue：
- 切分時間軸，讓每位角色的台詞置於專屬片段或軌道中（例如
NPC_Shopkeeper_01、NPC_TavernPatron_02、Player_Response_01）。 - 開啟 Altered Studio Voice Library，為每個片段選定目標角色形象。
- 對於經常出現的主要角色，指派已儲存的自訂聲音複製；對於偶爾出現的背景 NPC，則從精選庫中指派不同的聲音。
| 角色類型 | 原始演出表達 | 目標 Altered Studio 模型 | 關鍵調整參數 |
|---|---|---|---|
| 歷經滄桑的老兵 | 低共鳴、沉穩從容的節奏 | 精選成熟男性（低沉男低音） | 共振峰下調，略微降低音高 |
| 年輕偵察兵 | 語速輕快、呼吸能量充沛 | 精選年輕女性或男性 | 音高上調，增強暫態清脆度 |
| 神祕商人 | 低沉沙啞、帶有深思熟慮的停頓 | 自訂快速複製 + 耳語風格 | 音色變形，混合耳語成分 |
| 酒館喧鬧群眾喊聲 | 吶喊式、充滿活力的投射發聲 | 說話風格：吶喊 / 投射發聲 | 高動態範圍，保留限幅器餘裕 |
步驟 4：聲音變形與微調
對已指派的片段執行聲音轉換：
- 選取片段，並透過 Altered Studio voice changer 啟動 Speech-to-Speech Voice Morphing 流程。
- 對照原始演出試聽變形後的音訊，確保戲劇完整性未受破壞。
- 如有需要可微調參數：調整共振峰偏移以改變感官上的顱骨與聲道大小而不改變音高，或套用說話風格修飾器以加強緊迫感。
步驟 5：對話節奏與場景審查
所有角色台詞變形完成後：
- 在多軌編輯器中播放對話序列，評估對話氛圍與互動默契。
- 檢查說話者之間的聲學對比：確保兩位對話者的頻率範圍與音色具有充分辨識度，讓玩家能立刻辨別由誰在發言。
- 調整片段時序、淡入淡出與回應間隙，營造自然流暢的對話節奏。
步驟 6：匯出與遊戲中介軟體整合
在最終確認演出效果後，匯出音訊資產以進行遊戲內整合：
- 分軌與 Cue 匯出： 將個別角色台詞匯出為無損 24-bit/48kHz 或 96kHz 的 Broadcast WAV 檔案。
- 標準化命名慣例： 採用遊戲音訊管線要求的嚴格資產命名結構（例如
VO_Quest102_Shopkeeper_Greeting_01.wav）。 - 中介軟體實作： 將資產匯入 Audiokinetic Wwise 或 FMOD Studio 等音訊中介軟體。在此階段，聲音設計師可套用與場景情境相符的環境處理：
- 配合遊戲物理幾何空間（地牢、大教堂、戶外峽谷）的動態殘響。
- 距離衰減、遮蔽曲線與空間音訊定位。
- 針對科幻或軍事設定的無線電或頭盔 DSP 濾波器。
- 臉部動畫管線： 變形後的 WAV 檔案可直接傳送至 Epic Games MetaHuman Animator、Unreal Engine Live Link Face 或 NVIDIA Omniverse Audio2Face 等自動化嘴型同步工具，以驅動同步的臉部形變表情（blendshapes）。
製作優勢與工作室使用案例
眾多遊戲開發工作室——包括 Neon Giant、Embark Studios、Sweet Justice Sound 與 DPS Games 等團隊——在多個專案里程碑中廣泛運用 Altered Studio 等語音 AI 平台：
快速原型設計與灰盒測試
在前期製作初期，編劇與敘事設計師需要頻繁反覆修改對話。每週為了劇本更動預約專業錄音室極為不切實際。借助 Altered Studio，敘事設計師可在辦公桌前錄製參考對話，將其變形為多角色場景，並在數分鐘內整合至灰盒建置版本中。遊戲測試人員得以體驗真實的戲劇節奏，而非生硬機械的 TTS，進而針對任務設計與情緒起伏提供更明確的回饋。
充實環境 NPC 與世界廣播語音
開放世界遊戲需要成千上萬條背景台詞：酒館閒聊、市集喧囂、戰鬥呼喊以及環境平民反應。為每位次要 NPC 錄製專屬配音員的成本令人望而卻步。音效團隊利用 Altered Studio 將單一演員的錄音擴展為涵蓋不同年齡、性別與社會階層的數十位市民陣容，在大幅削減配音製作預算的同時，顯著提升遊戲世界的沉浸感。
保護配音員安全並減輕聲帶負擔
動作遊戲經常要求極度的聲帶負荷——持續尖叫、戰鬥嘶吼、怪獸咆哮以及垂死呻吟。面臨聲帶受損風險的配音員可以適度音量詮釋這些台词，再透過 Altered Studio 的音高、共振峰與吶喊風格模型來放大感官上的攻擊性與聲學力道，而不會傷及演出者。
實現最高真實度的編輯最佳實踐
- 保持來源聲學環境乾燥： 避免在具有硬質表面顫動回聲或明顯殘響的房間內錄音。STS 神經網絡會將空間反射誤判為人聲泛音，導致變形輸出中產生金屬般的相位雜音。
- 切勿過度刻意扭轉原始音高： 讓 AI 來處理音高與共振峰偏移。男演員勉強用高音假音為女性角色配音往往會產生不自然的人聲緊繃感；在自然、放鬆的音域中帶著適切的情感演繹進行錄製，所產生的變形效果要乾淨得多。
- 維持預設檔一致性： 務必將聲音設定檔、共振峰設定與清理鏈路儲存為專案預設檔。若某個 NPC 在六個月後的 DLC 製作中需要追加台詞，相同的設定能確保聲音表現前後連貫。
- 結合高階中介軟體效果： 使用 Altered Studio 確立核心人體解剖結構的聲音身分，並仰賴遊戲音訊中介軟體（Wwise/FMOD）處理環境聲學、聲學遮蔽與空間定位。