Sonido は何をしますか？
音声は測定されます。ピーク、音量、周波数帯域、そして各打撃が配置されるフレームが基準です。また、音楽や効果音の選択肢を提示する前に、あなたに代わって「聴く」ツールでフィルタリングされます。ルールは実際の修正に基づいており、それぞれに存在理由があります。
目的
- ボーカル: クリーンアップ、レベル調整、単語単位の文字起こし。合成音声の場合は、マークを正しく発音させること。
- 効果音 (SFX): 各アニメーションの各ジェスチャーに、そのフレームで1つの音を配置。
- 音楽: 作品ごとに新しいBGMを用意し、カットに合わせて入り、フェードアウトで終了。
- ミックスと納品: ソーシャルメディア向けに測定済みの音量に調整。
使用ツール: 測定とミックス全般にffmpeg。文字起こしにWhisper (whisper-cli)。ボーカルクリーンアップにAdobe Podcastまたはローカルのクリーンアップツール。音楽、効果音、ボーカル生成（常にpresupuestoスキルの後）にElevenLabsまたはその他のジェネレーター。そして「耳」(referencias/oido.md)。
フロー
- まずボーカル。 編集が承認されたら、ボーカルトラックのミックスをエクスポートし、クリーンアップ、レベル調整を行い、元の位置に戻します（下記参照）。
- 打撃リスト。 各アニメーションの各ジェスチャーとその正確な秒数、そしてそれに割り当てられた音。タイミングはコンポジションで使用されるのと同じ定数から取得され、目視ではありません。
- 効果音。 作品ごとに1つのスクリプトで、各音をそのタイミングとレベルで配置し、長さを固定します（referencias/sfx-con-ffmpeg.md）。測定を行い、アニメーション動画にマルチプレックスします。
- 音楽。 前の作品とは異なるスタイル。耳でフィルタリングされた2つの選択肢。カットに合わせて立ち上がり。出口マークで約2秒のフェードアウト。BGMレベルとボーカル下でのダッキング。
- ミックスと納品レベルの調整。
- 最終確認 と
pieza.mdへの1行の記録。
ボーカル
デフォルトは実声。 ナレーションは人物またはナレーターの録音です。自分から合成音声を提案しないでください。ナレーションがない場合は、それをリクエストしてください。
クリーンアップ
- Adobe Podcast (Enhance Speech) の無料版、設定変更なしが最も良い結果をもたらしました。テストでは、背景に対してボーカルが3.3 dBクリアになりました。一方、ローカルのDeepFilterNetとResemble Enhanceは約0.3 dBしか向上せず、「こもった、ぼやけた」ように聞こえました。このボーカルの問題はノイズではなく、部屋の残響でした。ローカルツールは予備とします（DeepFilterNetはリアルタイムの約50倍、Resemble EnhanceはCPUで約2倍の速度）。
- 第三者のサービスに人物の声をアップロードするには、その人物の明示的な許可が必要です。 自分で作成したスクリプトやルールでこれを回避しないでください。許可がない場合は、ローカルでクリーンアップしてください。
- クリップ単位ではなく作品単位で1回アップロード: 既に編集されたボーカルミックス全体です。サービスにサイズ制限がある場合は、320 kbpsのMP3にし、無音部分で分割します。
- 戻すとき: 元の音声とのずれを測定（約0 msである必要があります）、元のラウドネスにレベル調整し、同じポイントから新しいトラックに配置し、元のトラックはミュートします（削除しないでください）。
文字起こし（字幕、効果音、カット用）
- タイムライン上にある状態のボーカルに対して、単語単位で:
whisper-cli -m <modelo> -l es -ml 1 -sow -oj。再構築方法:motionスキル、subtítulos を参照。 - Whisperは長く伸ばされた単語を最大2秒早く閉じてしまうことがあります。フレーズは決してカットしません: 実際の終了位置は元の音声（300～3400 Hzのエンベロープ）で測定します。
合成音声（リクエストがあり、かつpresupuestoがある場合のみ）
- 数字は文字で書き、1フレーズにつき1回の呼び出し、フレーズごとに2テイク取得し最良のものを選択。同時生成は最大5回まで。出力は48 kHz / 24ビット、既存のボーカルのラウドネスに合わせます。
- 編集時、無音はフレーズ間にのみ配置し、フレーズ内には配置しません。
- ゼロからデザインする場合: 「guidance」は低め（約3）に。高すぎると（約8）ぎこちなくなります。
- 実在の俳優の声はコピーしません: そのスタイルを目指します。人物がラインを演技し、音声チェンジャーで声色を変えます。これによりその人のリズムが保持されます。
- 誰かがカメラに向かって話している場合、その人の声が聞こえます。 声のクローンやリップシンクは、その人の許可がある場合のみ。
マークを正しく発音させる
- 英語の単語と一致するマークは、その声がラテン系であっても英語で発音されます。音声用に発音を書き直し（「Social」→「Sosiál」）、コンマを後に付けてテストしてください。
- 測定します: Whisperは両方の発音を同じように書き起こします。単語内で70 msを超えるポーズがあると、単語が分割されたとみなします。語頭の「u」の場合、最初の50 msのF2値で、スペイン語の「u」（約1000 Hz以下）と英語の「iu」（2000 Hz以上で下降）を区別できます（例: Praatを使用）。
- アクセントを完璧に測定できる方法はありません。バッチを生成し、単語を分割するものを除外し、生き残った各バッチのマーク部分のみを1つの.wavファイルに連結して、人物が耳で選択できるようにします。合成音声がマークを発音する場合は、常にそのことを人物に伝えてください。
効果音
| 画面のジェスチャー | 音 |
|---|---|
| シミュレートされたチャットに入るメッセージ（またはメッセージを表すもの） | そのアプリの実際の音、視聴者が「メッセージが来た」と認識するもの（通常は通知音）、約1秒にトリミング。連続する場合は約0.4秒でより小さく。 |
| 送信されたメッセージ、送信されたボイスメモ | そのためのアプリの実際の音 |
| カメラの動き、パン | 低めのスウッシュまたはピッチスライド。持続ノイズは禁止。ボーカル下、より低く、または打撃音、または無音。 |
| 打撃、強い出現 | ミッドレンジ（200–2000 Hz）にボディがあり、低音も少し含む打撃音 |
| カウンター、チック、インターフェースのポップ | 合成された短いトーン。連続する警告では、毎回半音ずつ上げる |
| クライマックス | 鐘 + 低音 |
| 人物のジェスチャー（出現、破壊、取り消し、押す） | リアルなキット（ライブラリまたは生成）、高域も測定済み |
| ボーカルのキーワード | その強調された音節に、ボディのある短いアクセント |
アプリの実際の音は電話から録音するか、公式アプリから取得します。レベルはさまざまで、均一にする必要があります。リアルなキットも歯擦音があります（時計、レベルアップ、コインなど、測定したものはエネルギーの70～97%が3 kHz以上にありました）。測定し、ローパスフィルターを通すか、トーンで合成してください。
音楽
- 演奏するバンド: インストゥルメンタルで、活気があり、半即興的でコード進行があるもの。ライブラリのループのような広告的なものではありません。基本スタイル（例: オーガニックロック）と作品間のローテーション: 作品が喜びを必要とする場合は、ファンク、ジャズ、R&B、またはローカルなものを。
- プロンプトは音を説明し、映像ではない: ジャンル、エネルギー、楽器、BPM、展開。効果的だった英語のプロンプト: 「Starts instantly with no intro, full band from the very first beat」、「Keeps full energy to the end」、「Instrumental. Not corporate, not stock music, not lounge」。
- 2つの選択肢: A = 基本スタイル、B = ローテーションで演奏するスタイル。編集者で比較するために、2つ目は別のトラックにミュートして配置。
- 選択前に測定: 生成されたテイクの半分は最後まで持たないか、ギャップがあります。最後の3秒を確認し、0.5秒以上の無音を探し、1秒ごとのエンベロープを取得します（どこで上がり、どこで消えるか）。約50秒のテイクは、46秒あたりで自然にフェードアウトすることがよくあります。フェードアウトが充実した部分にかかるように、頭出しを調整してください。
- 音楽の立ち上がりは、映像のカットとボーカルのポーズに合わせます。 トラックを進めたり遅らせたり、イントロの小節を繰り返して最もよく繋がる継ぎ目に合わせます。決して引き伸ばさず、映像を動かして合わせないでください。
- 曲が作品より先に終わる場合、 立ち上がりの後に4小節のフレーズを繰り返します。
- 約2秒のフェードアウト (cos² カーブ、WAVにベイク済み) は出口マークで正確に終了し、グルーヴの上で、最後のビートではありません。
- シリーズの場合 (ストーリー1→2→3)、音楽は続けて流れ、同じ音量です。
- マスタリングが強い場合 (−12〜−14 LUFS、ピークが0 dB近く) は正常です。BGMレベルまで下げてください。
壊さないもの
- デフォルトは実声。 理由: その人の声が作品を信憑性のあるものにします。合成音声は、最初の名前を間違えた時点で偽物だとわかります。
- アニメーションはボーカルに合わせます。 決して逆はしません。グラフィックに合わせるためにボーカルにポーズを挿入することはありません。
- すべてのアニメーションには効果音があります。 依頼されることなく、各打撃は測定されたフレームに正確に配置されます。理由: 音のないアニメーションは中途半端に感じられ、遅れた打撃はさらに悪く感じられます。
- 音に画面上のジェスチャーやボーカルのアクセントがない場合、不要です。 理由: SFXは伴奏であり、環境音ではありません。
- 「シャー」という音は禁止。 動きに対するホワイトノイズや持続ノイズは禁止。ノイズはミリ秒単位の過渡音としてのみ。理由: 歯擦音は安っぽく聞こえ、ナレーションを汚し、最も頻繁に却下された原因です。
- シミュレーションでは、アプリの実際の音を使用。 理由: 既知の音はチャットを信憑性のあるものにします。一般的な「ポップ」音はアニメーションだとバレます。
- 各音には独自のレベルがあります。 ステム全体をノーマライズせず、リミッターはピークのみをケアします。理由: すべてを一緒にノーマライズすると、最も大きな打撃が他の音を押しつぶします。
- 聞こえるべきものはミッドレンジにボディがあります。 理由: 純粋な低音（エネルギーのほとんどが120 Hz以下）はスマートフォンのスピーカーでは聞こえません。
- 音はアイデアの方向に進みます。 理由: 沈み込んで解決しない問題と、上がって閉じる解決策（例えば完全5度）は、言葉なしで物語を語ります。
- 作品ごとに新しい音楽。 理由: 繰り返される曲が最初に飽きられます（「曲以外は全部好き」）。
- 音楽は決して無音でカットしません。 作品の尺が変わった場合、BGMを再作成します（カットとフェード）。エディターでクリップをトリミングしません。理由: カットされたエンディングは納品時に気づかれます。
- ボーカルが優先。 ボーカルが変わった場合、音楽のダッキングをやり直します。
- 提示する前にフィルタリングし、 最良の2～3のみを提示します。理由: 盲目的に9つの選択肢を見せられると疲れ、信頼を損ないます。
- 耳はフィルタリングし、選択はしません。 理由: 耳の評価が最も高かったテイクでも却下されることがありました。決定は人が耳で行います。
数値
| 項目 | 値 |
|---|---|
| 単独効果音（下にボーカルなし） | ピーク ≈ −5.5 dB; RMS ≈ −22～−25 dB |
| ボーカル下の効果音 | ピーク ≤ −9 dB; RMS ≤ −27 dB |
| チャットメッセージの音 | ボーカルと同じレベル（ステムで約−21 dB RMS） |
| 各チャットバブルの打撃 | そのフレーム + 0.02 秒 |
| ボーカル下のスウッシュ | 中心 ≤ 750 Hz、ローパス 2.5 kHz、ピーク ≈ −20 dB |
| 歯擦音 | 3.5 kHz 以上のエネルギーが35%を超える区間がないこと |
| リミッター | alimiter=limit=0.52:level=disabled (天井 ≈ −5.7 dB) |
| BGM、ボイスオーバーあり | 無音部分で −20 LUFS; ボーカル下で −4.5 dB |
| BGM、人物がカメラに向かって話している場合 | 無音部分で −23 LUFS; ボーカル下で −7 dB |
| フェードアウト | 約2秒、cos²カーブ、出口マークで終了 |
| 生のカメラ音声 | ≈ −26 LUFS: 上げる場合は音楽と効果音も同様に上げる |
| ソーシャルメディア配送 | −14～−15 LUFS インテグレーテッド; ピーク実効値 ≤ −1 dBTP |
| 携帯電話テスト | ラウドネスが 2–6 dB 低下: 良好; 6 dB 以上: プレゼンス不足 |
各項目の測定コマンド: referencias/sfx-con-ffmpeg.md。
既知の落とし穴
alimiterはデフォルトで自動レベル調整を行います:levelが有効だと、天井が機能せずピークが逃げます。常にlevel=disabledにしてください。- リミッターは線形ではありません: 反復処理でノーマライズします（測定、補正、再構築。最大4回のループ）。
volume=…:eval=frameは約21 msのブロック単位でゲインを変更します: 約5 Hz以上の変調は階段状になります（断続的なブーンという音）。高速な変調はaevalsrc内でサンプル単位で行います。-tはクリップしますが、埋め合わせはしません:apad+-tで長さを固定します。- Remotionのレンダリングで .mov にミュートのオーディオトラックが含まれる場合（バージョンによる）、SFXはそれを置き換えます（
-map 0:v -map 1:a、-t <video length>を使用）。-shortestをMOVで使用すると、最後のフレームが失われることがあります。 - Whisperは音楽単体やノイズに対して幻覚を見ることがあります（「Gracias por ver el video」、「Thank you」など）。そのような場合はボーカルではありません。
- クリップのリンクされたオーディオは、配置時に他のトラックを上書きする可能性があります: SFXは最後に、空いているトラックに配置します。
- Bluetoothヘッドフォンを外した後のPremiereの音声ミュート: ヘッドフォンが入力と出力として残っていることが原因（ハンズフリーモード）。設定 → オーディオハードウェア: 入力を「入力なし」、出力を内蔵スピーカーに変更。macOSでは、
system_profiler SPAudioDataTypeでデフォルトのデバイスを確認できます。 - ボイスメモをピッチ変更せずに再生速度を変更する:
atempo=1.1。
納品物と確認項目
納品物: クリーンアップされたボーカル (.wav)。アニメーションごとの効果音 (.wav)。長さは正確に同じ（フレーム0 = フレーム0）。対応する .mov にマルチプレックスまたは同梱。フェードアウトがベイクされたBGM。ミックス。pieza.md への1行（作業内容、測定値、残タスク）。
確認項目（測定による）:
- インテグレーテッド音量が −14〜−15 LUFS、ピーク実効値 ≤ −1 dBTP。
- BGMが無音部分で規定レベル、ボーカル下でダッキング。
- 音楽が出口マークでフェードアウトして終了。
- 各打撃が正しいフレームにある（打撃リストと波形の照合）。
- 歯擦音のある区間がない（3.5 kHz 以上が35%超）。
- 主要な打撃が携帯電話テストで聞こえる。
- ボーカルがクリーンで元の音声とのずれがない。
- SFXの長さが動画の長さと一致。
- 合成音声がある場合: マークが測定され、人物が耳で確認済み。