Ну собсно да. Тут конвертор пытается разложить голос на базовые тона и получается что получается. Итог работает точно также. Если засунуть в него чисто голос - у него получится лучше. По подобному принципу, только наоборот (то-есть конструкция, а не деконструкция), работает синусоидальный синтез речи, где просто сочетается куча синусоид разных амплитуд и частот.