Es gibt Machine Learning Projekte, wie z.B. RVC
https://huggingface.co/lj1995/VoiceConversionWebUI/tree/main
Vorbedingung: Man hat die Programmiersprache Python installiert
Ich hatte mir die RVC Beta heruntergeladen und ausgepackt. Dann per Python die Abhängigkeiten auflösen lassen
Danach kann man per go_web.bat die Webanwendung starten und im Browser lokal aufrufen.
Dort kann man mehrere WAV Dateien mit der Zielstimme (das müssen saubere Aufnahmen sein) zu einem Modell berechnen lassen, welches man in weiteren Schritten dann nutzen kann, um in einer eigenen WAV Aufnahme die Stimme gegen das errechnete Modell ersetzen kann. Hat man erst einmal ein Modell errechnet, gibt es in dem Umfeld auch Anwendungen, welche die Stimme sogar RealTime ersetzen können (man sollte dann aber schon eine gute Grafikkarte haben, welche dann die Berechnungen durchführt)
Die Berechnung eines Sprachmodells benötigt je nach Rechner und Qualitätsauflösung zwischen 10 Min. und mehreren Stunden Rechenzeit. Ich hab das mal anhand Tonaufnahmen meines Vaters gemacht und in einer Audioaufnahme meines Bruders den Gesang gegen die Stimme des Modells ausgetauscht. Das funktioniert eigentlich recht gut. Man sollte aber bei jedem Einzelschritt darauf achten, daß die Aufnahmequalität der Samples für das Modell, wie auch der Qualität der Samples, welche bearbeitet werden sollen stimmt und man sollte bei der Berechnung eher mit der Auflösung höher gehen, was dann natürlich mehr Rechenzeit für das Erstellen des Modells bedeutet.
Auf der huggingface Webseite gibt es auch Sammlungen fertiger Sprachmodelle