1. Remove Silence
  2. ブログ

無音検出のしきい値設定:dB、最小無音時間、パディング

よい無音のしきい値は、録音のノイズフロアより数dB上、かつ最も小さい話し声より下にあります。自宅の仕事部屋、講義室、ゲーム配信ではルームトーンがまったく違うので、どこでも通用する数字はありません。この記事では、無音カットツールが使う設定を一つずつ説明し、収録の種類別に初期値を示し、書き出す前に結果を確認する方法を紹介します。

どの無音カットツールにもある5つの設定

ツールによって呼び方は違いますが、ほとんどの無音カットツールは同じ項目で動いています。

設定 決めること 別の呼び方
しきい値 どのくらい静かなら無音と見なすか レベル、感度、無音レベル
最小無音時間 静かな区間がどれだけ続いたらカットするか 継続時間、最小ポーズ長
パディング 話し声の前後にどれだけ音声を残すか プリロールとポストロール、ハンドル、Truncate to
最小保持セグメント 2つのカットの間に残す音の最短の長さ 最小クリップ長
クリック音の扱い 短いノイズで無音が途切れたことにするか クリック無視、トランジェント除去

しきい値は、何を無音と見なすかを決めます。最小無音時間は、どの無音を対象にするかを決めます。パディング、最小保持セグメント、クリック音の扱いは、カットがどれだけ自然に聞こえるかを決めます。

しきい値:ノイズフロアから考える

しきい値は、デジタルフルスケールを基準にしたdBのレベルです。それより小さい音はすべて無音と見なされます。Audacityのマニュアルはルールを簡潔に示しています。間のノイズフロアより上、最も小さい話し声より下に設定すること。そして、ノイズの多い録音ではその2つの間にほとんど、あるいはまったく余裕がないことがある、と注意しています。

ノイズフロアの見つけ方は次のとおりです。

  1. 録音の中で、誰も話していない間を探します。テイクの冒頭のルームトーンが理想的です。
  2. それを再生して編集ソフトのメーターでレベルを読むか、選択して波形の目盛りを見ます。
  3. 椅子のきしみや息継ぎによる一時的な山ではなく、ふだんのレベルを記録します。
  4. 出発点として、そのレベルより4〜8 dBほど上にしきい値を設定します。

ルームトーンが-55 dBなら、最初は-48〜-50 dB前後のしきい値が妥当です。扇風機やエアコンのせいでルームトーンが-40 dBなら、しきい値を-34 dB前後まで上げる必要があり、小さな話し声がそれを上回っているかを確認しなければなりません。

-40 dBをよく見かける理由

-40 dBは、推奨値としてよく目にする数字です。そこそこのマイクを使った静かな自宅録音の多くではうまくいきますが、それはあなたの部屋についての推測であって、基準ではありません。Audacity自身の現行のデフォルトは-20 dBで、かなり多くの音を無音として扱います。静かな録音や未処理の録音では、弱い音節や語尾が-20 dBを下回ってカットされることがあります。まず測って、それから決めましょう。

しきい値と感度

dBの値ではなく、感度のスライダーを表示するツールもあります。制御しているのは同じもので、どのくらい静かなら無音と見なすかです。どちらの方向に動かすとカットが増えるかは、ツールのヘルプで確認してください。言葉が欠けるときの直し方はどちらでも同じで、検出を控えめにします。

最小無音時間

音声がしきい値を下回った状態がどれだけ続いたら無音と見なすか、という設定です。間延びした空白と、言葉と言葉の間の自然な隙間を分けるのがこの設定です。

  • 短すぎる(ふつうの話し声で約0.2秒未満)と、ツールが言葉と言葉の間までカットします。話し方がせかせかして、息つく暇もないように聞こえ始めます。
  • 長すぎる(約1.5秒超)と、最も長い空白しか消えず、言いよどみの多くが残ります。

Audacityの Duration はデフォルトが0.5秒で、0.001秒まで指定できます。Microsoftによると、Clipchampの無音部分の削除は3秒より長い間を見つけ、カットが唐突にならないよう短い空白を残します。この2つのデフォルト値が幅を示しています。Audacityはふつうの間を詰め、Clipchampは明らかなデッドエアだけを取り除きます。

パディング:プリロールとポストロール

パディングは、各カットの前後に残す音声です。パディングがないと、すべてのカットがしきい値を横切るちょうどその位置で行われ、それは弱い子音や消えかけた母音の途中であることがよくあります。

  • プリロールは言葉の頭を守ります。英語の「s」「f」「h」のような音は小さく始まり、言葉の残りが来る前の数ミリ秒、しきい値の下にいることがあります。日本語でも、「す」「ふ」「は」のような音の頭は小さく始まりがちです。
  • ポストロールは言葉の終わりを守ります。母音や最後の子音は徐々に消えていき、声が止まったあとも部屋の残響が続きます。

カットのあとに残る空白は、おおよそプリロールとポストロールの合計だと考えるとわかりやすいでしょう。Audacityはパディングを使いません。Truncate Detected Silence のアクションでは、各無音を一定の Truncate to の長さ(デフォルト0.5秒)に縮め、これが同じ役割を果たします。もうひとつのアクション Compress Excess Silence は、各無音をその長さに対する割合(デフォルト50%)に縮めるので、長い間は短い間より長く残ります。

最小保持セグメントとクリック音の扱い

小さな設定が2つあり、よくある不自然さを防ぎます。

最小保持セグメントは、2つの無音の間に小さな音の島が残るのを防ぎます。長い間の途中の咳、マウスのクリック、椅子のきしみが、間を2つの無音に分け、その間に50ミリ秒の断片を残すことがあります。最小保持セグメントを0.2〜0.5秒ほどにしておけば、その断片も間と一緒に取り除かれます。

クリック音の扱いは、さらに一歩進んだ設定です。短く鋭いノイズが無音の中にあっても、無音が途切れたことにしません。画面録画のキーボードの打鍵音や、ゲーム中のマウスのクリックが典型的な例です。残す必要のある短いアタックを含む音楽や効果音では、オフにしてください。

収録の種類別の初期値

これらは耳で調整するための出発点で、基準ではありません。しきい値は、測定したルームトーンからの相対値で示しています。

収録 しきい値 最小無音時間 パディング(片側) 最小保持セグメント
ポッドキャスト、静かな部屋、1人1本のマイク ルームトーン+6 dB 0.6〜0.8秒 0.15〜0.25秒 0.3秒
ジャンプカットを使うトーク動画 ルームトーン+6 dB 0.3〜0.4秒 0.08〜0.12秒 0.2秒
講義、授業 ルームトーン+8〜10 dB 1.0〜1.5秒 0.25〜0.3秒 0.5秒
音楽やゲーム音のあるゲーム実況 最も小さい話し声のすぐ下 0.8秒 0.2秒 0.4秒
リモート通話の録音 ルームトーン+6 dB 0.6秒 0.2秒 0.3秒

補足です。

  • ポッドキャストは自然なリズムが必要なので、パディングを多めにとります。2人の声が重なるのは、無音の問題ではありません。
  • トーク動画は、画面の飛びがすでに編集を示しているので、タイトなカットにも耐えられます。詳しくは姉妹サイトのトーク動画のジャンプカットをご覧ください。
  • 講義には板書や考えるための長い間があり、部屋のノイズも大きいことが多くなります。講義録音の無音カットをご覧ください。
  • 音楽のあるゲーム実況は難しいケースです。声の下で音楽やゲームの音が鳴っていると、ルームトーンから決めたしきい値をレベルが下回ることはめったにありません。できればマイクを別トラックで録音し、そのトラックで無音を検出してください。

マルチトラックの録音は同期を保つ

話し手ごとにトラックが分かれている場合は、全トラックをまとめて無音検出しないと、トラック同士がずれていきます。Audacityのマニュアルは、Truncate tracks independently オプションについてこの点を指摘しています。デフォルトはオフで、オンにすると別々に録音したマイクの同期がずれることがある、というものです。さらに、このエフェクトは選択範囲を短くするので、それに合わせて配置していたものはあとで確認が必要だとも書かれています。

Adobeのヘルプによると、Adobe Auditionでは Multitrack ビューで Effects > Diagnostics > Deleting Silence を使ってこれに対応できます。音声からレベルを検出し、無音を取り除くか、クリップを分割してカットを一つずつ先に確認できるようにします。

設定をチェックする方法

無音の設定を、短縮できた合計時間で判断しないでください。次のように確認します。

  1. 早口の部分と長い間の両方を含む、2〜3分のサンプルで実行します。
  2. つなぎ目を等倍速で聞きます。 「す」や「つ」のような音が欠けていたら、しきい値が高すぎるか、プリロールが短すぎます。
  3. リズムを確認します。 息つく暇もないように聞こえたら、最小無音時間かパディングを増やします。
  4. 波形をざっと見て、消えるべきなのに残っている空白を探します。それがあれば、しきい値がノイズフロアより低いということです。
  5. それから録音全体に適用し、冒頭、中盤、終盤を抜き取りで確認します。

よくあるミス

  • 別の録音のしきい値をそのまま使う。 ある部屋でうまくいった設定が、別の部屋ではうまくいきません。
  • 空白をすべて削除する。 話し声には間が必要です。すべて削ると、せかせかした声に聞こえます。どの間を残すべきかはデッドエアとはをご覧ください。
  • カット後に測り直さずにノーマライズする。 無音をカットすると統合ラウドネスがわずかに変わります。順番はポッドキャストのラウドネスガイドで解説しています。
  • 息継ぎを見落とす。 大きな息継ぎはしきい値を超えて、短いセグメントとして残ることがあります。最小保持セグメントを設定すれば、ほとんどは取り除けます。

自分の音声で設定を試す

これらの設定をいちばん早く身につける方法は、自分のファイルで聞いてみることです。このサイトの無料の無音カットツールは、ブラウザ上で無音を検出し、すべての空白を表示して、無音を削除した音声を再生したりWAVでダウンロードしたりできます。3分までの録音は無料で、ファイルがデバイスの外に出ることはありません。デスクトップの編集ソフトを使っているなら、AudacityとPremiere Proのガイドで、同じ設定がどこにあるかを紹介しています。

iPhoneとiPadでは、QuellCutがPodcast、Jump Cut、Gaming、Remote Call、Soft Voiceなどのプリセットから始められ、この記事で紹介した設定をすべて調整できます。感度、最小無音時間、パディング、最小保持セグメント、クリック音の無視、トラックノイズです。書き出す前にタイムラインですべてのカットを確認でき、すべてデバイス上で処理されます。

よくある質問

無音のしきい値は何dBがよいですか?
唯一の正解はありません。間のルームトーンのレベルを測り、それより数dB上、かつ最も小さい話し声より下にしきい値を設定してください。
AudacityのTruncate Silenceのデフォルトのしきい値は?
現行のAudacityマニュアルでは、Thresholdのデフォルトが-20 dB(範囲は-80〜-20 dB)、Durationのデフォルトが0.5秒とされています。
カットすると言葉の頭が欠けるのはなぜですか?
しきい値が高すぎて弱い子音がその下に入ってしまっているか、話し始めの前のパディングが足りないかのどちらかです。しきい値を数dB下げるか、プリロールのパディングを足してください。
何もカットされないのはなぜですか?
たいていは、しきい値がノイズフロアより低く、ルームトーンが一度も無音と見なされていないためです。BGMがある場合も同じことが起きます。しきい値を上げるか、声だけのトラックで処理してください。
パディングは話し声の前と後で同じにすべきですか?
同じでなくてかまいません。語尾は話し始めよりゆっくり消えていくことが多いので、話し声の前より後に少し多めに余白を残す編集者がたくさんいます。
最小無音時間はどこまで短くできますか?
Audacityは0.001秒まで受け付けますが、極端に短い値では言葉と言葉の間の自然な隙間までカットされます。話し声なら、0.3〜1秒から始めるほうが実用的です。

出典: Audacity マニュアル:Truncate Silence(現行版), Audacity マニュアル:Truncate Silence(旧版), Microsoft サポート:Clipchampの無音部分の削除.