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

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。

出典

この記事をシェア