音声ファイルのノイズを除去する

ボイスメモ、インタビュー、講義など、室内で人の声を録音した音声が対象です。 このページでは、対応ファイル、処理内容、出力形式、制作工程に組み込む順序を説明します。

対応するファイル

MP3、WAV、M4A、AAC、FLAC、OGG のほか、ほとんどの動画ファイルに含まれる音声を処理できます。 ただし、これは目安であり、すべてのファイルの動作を保証するものではありません。拡張子ではなく ファイル先頭のデータから形式を判定するため、拡張子が変更されていても実際の内容に従って処理します。

ブラウザでデコードできないファイルには、その旨を示すエラーが表示されます。先に MP3 か WAV に 変換すれば、ほとんどの場合は処理できます。この場合に不足しているのはコンテナを読み取る機能であり、 ノイズ除去機能そのものではありません。

ファイルの読み込み方

MP4、M4A、AAC、MP3 では、ファイルのインデックスを参照し、必要な区間のデータだけを読み込みます。 長時間の録音全体をメモリに載せる必要はありません。大きなファイルを使った実測では、ファイル全体を デコードする場合に比べて、メモリ使用量を約 103 分の 1 に抑えられました。

WAV、FLAC、OGG、WebM などの可逆圧縮形式やオープン形式には、まだこの処理経路がないため、ファイル 全体をデコードします。通常の長さであれば問題ありませんが、非常に長いファイルがブラウザのメモリを 使い切る可能性があるのはこの場合です。メモリ不足になる場合は、同じ録音を MP3 か M4A に変換すると、 負荷の小さい処理経路を利用できます。

ノイズ除去モデルへ渡す前に、すべてのファイルへ次の 2 つの処理を行います。

• **48 kHz のモノラル 1 チャンネルにまとめます。**モデルが 1 チャンネル専用であるため、変更できない 仕様です。ステレオ録音や、2 本のマイクが別チャンネルに収録されている場合は、処理前にミックスされます。 チャンネルを分けて処理すべきケースについては、 ポッドキャストのページをご覧ください。
• **先頭ではなく、最も音量の大きい 30 秒を選びます。**録音の冒頭には椅子の音や咳払い、録音確認の 声だけが入っていることも多く、その区間では実際の効果を正しく判断できません。使用した区間は 結果カードに表示されます。

出力形式

出力は 48 kHz、16 ビット、モノラルの WAV で、30 秒あたり約 2.9 MB です。ブラウザには汎用の 音声エンコーダーがないため、WAV を使用しています。MP3 で出力するには、約 9 MB のエンジンに加えて エンコーダーもダウンロードする必要があり、プレビューの保存機能に対して負担が大きすぎます。

**処理前後の音量はそろえていません。**トップページのサンプルでは、元の音声が −11.6 LUFS、 処理後が −13.7 LUFS で、約 2 LU 小さくなりました。これは不具合ではありません。ノイズを除去すると 音声全体のエネルギーも減るため、お手元のファイルでも同じことが起こり得ます。比較用に音量をそろえると、 実際の変化が分からなくなるため、意図的に正規化していません。

制作工程に組み込む順序

• **最初にノイズ除去、次にレベル調整、最後にマスタリング。**出力は正規化されず、入力より小さくなる ことがあります。音量に関する調整は、ノイズ除去のあとに行ってください。先にレベルを決めると、 あとで変化するノイズフロアを基準に調整することになります。
• **音楽と効果音を敷く前に。**モデルは音声と認識したものを残し、残りを下げるので、声の下に敷いた BGM もノイズとして抑えられる可能性があります。先に声を処理し、そのあとで音楽を加えてください。
• **イコライザーではありません。**ディエッサー処理、音色調整、クリッピングや歪みの修復は行いません。 このツールの役割はノイズ除去だけです。