Как-то задумывался над этим вопросом, загуглить не удосужился, поэтому говорю от балды, если не прав — поправьте, пожалуйста.
Алгоритм примерно такой — берем запись, отсекаем фон, чтобы оставить только голос, дальше — преобразование Фурье, и гармоники, из которых голос состоит, подтягиваем до нужных частот, которые соответствуют ступеням звукоряда, которые хотим получить.
