音声素材の冒頭0.8秒が無音だった。配布前にWAVを4本検査した見本

見本のlate.wavでは、再生を始めてから0.8秒、何も鳴りません。短い効果音なら、買った人はファイルを壊れていると感じます。AIに音のたたき台を作らせると、内容を直す作業に意識が向き、先頭の無音は後回しになりがちです。
そこで、販売用の実データを使わず、WAVを4本作る合成見本を試しました。許容する先頭の無音を120msに決め、長すぎる1本と全編無音の1本を止めます。確認するのは、音の良さではなく開始位置だけ。利用許諾まで保証するものではありません。
無音を「聞いて判断する」だけでは残ります
AIで生成した音は、最初から使える形で出ることもあります。でも、出力の先頭に余白があるかを、ファイルごとに波形で確認する作業は抜けやすいです。短い素材を何本も配るほど、再生して待つ確認は不安定になります。
今回は、音が現れる最初のサンプルを探します。振幅が500以上になった位置を開始とし、120msを超えたら保留にしました。500と120msは、この見本にだけ使う基準です。話し声、環境音、フェードインを含む商品へ、そのまま当てはめません。
Python標準ライブラリのwaveは、非圧縮PCMのWAVを読み書きできます。対象はモノラル、16-bit PCMだけ。圧縮WAVやステレオまで一度に扱おうとせず、まず配る形式を固定します。
4本の短いWAVを作りました
clean.wavは80ms後に音が始まります。late.wavだけを820ms遅らせ、silent.wavは1.2秒すべてを無音にしました。修正版のfixed.wavは、先頭を80msへ戻した同じ条件のファイルです。4本とも実際の商品ではありません。
4本の検証用WAVを作るコード
# make_samples.py
from __future__ import annotations
import math
from pathlib import Path
import struct
import wave
RATE = 8_000
AMPLITUDE = 4_000
def write_wav(path: Path, leading_ms: int, tone_ms: int) -> None:
leading = [0] * (RATE * leading_ms // 1_000)
tone = [
int(AMPLITUDE * math.sin(2 * math.pi * 440 * index / RATE))
for index in range(RATE * tone_ms // 1_000)
]
frames = struct.pack(f"<{len(leading) + len(tone)}h", *(leading + tone))
with wave.open(str(path), "wb") as out:
out.setnchannels(1)
out.setsampwidth(2)
out.setframerate(RATE)
out.writeframes(frames)
def write_silent(path: Path, duration_ms: int) -> None:
frames = struct.pack(f"<{RATE * duration_ms // 1_000}h", *([0] * (RATE * duration_ms // 1_000)))
with wave.open(str(path), "wb") as out:
out.setnchannels(1)
out.setsampwidth(2)
out.setframerate(RATE)
out.writeframes(frames)
write_wav(Path("clean.wav"), leading_ms=80, tone_ms=320)
write_wav(Path("late.wav"), leading_ms=820, tone_ms=320)
write_silent(Path("silent.wav"), duration_ms=1_200)
write_wav(Path("fixed.wav"), leading_ms=80, tone_ms=320)
一時ディレクトリにファイルを置きました。ここでは、販売素材や購入者のデータを読みません。
work="$TMPDIR/hibanas-audio-leading-silence"
mkdir -p "$work"
cd "$work"
python3 make_samples.py
作成後にWAVの条件も読みました。
clean.wav frames=3200 rate=8000 channels=1 width=2
late.wav frames=9120 rate=8000 channels=1 width=2
silent.wav frames=9600 rate=8000 channels=1 width=2
fixed.wav frames=3200 rate=8000 channels=1 width=2
最初の音だけを小さく探します
検査は全フレームを読み、絶対値が500以上になった位置をミリ秒へ換算します。該当するサンプルが1つもなければ、無音として止めます。waveが扱えない形式や、モノラル16-bit PCMではない入力も保留にします。確認対象は開始位置だけ。
開始位置を確認する検査コード
# check_leading_silence.py
from __future__ import annotations
from pathlib import Path
import struct
import sys
import wave
LIMIT_MS = 120
THRESHOLD = 500
def leading_signal_ms(path: Path) -> int | None:
with wave.open(str(path), "rb") as source:
if source.getnchannels() != 1 or source.getsampwidth() != 2:
raise ValueError("mono 16-bit PCM WAV only")
rate = source.getframerate()
frames = source.readframes(source.getnframes())
samples = struct.unpack(f"<{len(frames) // 2}h", frames)
for index, sample in enumerate(samples):
if abs(sample) >= THRESHOLD:
return index * 1_000 // rate
return None
failed = False
for raw_path in sys.argv[1:]:
path = Path(raw_path)
try:
value = leading_signal_ms(path)
except (OSError, ValueError, wave.Error) as exc:
print(f"HOLD file={path.name} reason={exc}")
failed = True
continue
if value is None:
print(f"HOLD file={path.name} reason=no_signal limit_ms={LIMIT_MS}")
failed = True
elif value > LIMIT_MS:
print(f"HOLD file={path.name} leading_ms={value} limit_ms={LIMIT_MS}")
failed = True
else:
print(f"PASS file={path.name} leading_ms={value} limit_ms={LIMIT_MS}")
raise SystemExit(1 if failed else 0)
長い無音と全編無音は、同じ結果にしません
最初は「先頭の無音が長いもの」だけを想定していました。しかし、生成の失敗で全編が無音になれば、開始位置そのものはありません。そこで、late.wavとsilent.wavを別の保留理由で出すようにしました。
悪い入力を含めて実行すると、終了コードは1でした。保留が混ざったまま配布工程を通さないためです。
python3 check_leading_silence.py clean.wav late.wav silent.wav
printf 'check_exit=%s\n' "$?"
PASS file=clean.wav leading_ms=80 limit_ms=120
HOLD file=late.wav leading_ms=820 limit_ms=120
HOLD file=silent.wav reason=no_signal limit_ms=120
check_exit=1
この結果を見て、「先頭を切ればよい」と単純には決められません。全編無音はトリミングでは直りません。音源を作り直す必要があります。開始だけが遅い素材と、信号がない素材を分けると、次の作業を誤りません。
修正版だけを通しました
fixed.wavは先頭の無音を80msにして作り直した見本です。同じ検査で終了コード0になりました。
python3 check_leading_silence.py fixed.wav
printf 'fixed_exit=%s\n' "$?"
PASS file=fixed.wav leading_ms=80 limit_ms=120
fixed_exit=0
販売前の工程では、音源を直した後にこの検査をもう一度走らせる位置づけです。ただし、基準値を機械的に厳しくすると、意図した間やフェードインまで落とします。商品ごとに許容値を決め、説明文の再生時間とも照合してから、人が配布可否を判断する運用です。


