soundcheck

soundcheck は何をしますか？

AI ビデオは、見た目が完成するずっと前に音が完成しているように見えます。TTS テイクは異なるレベルで貼り合わされ、BGM はサイドチェインで下がらず、ミックスは「大きく」聞こえるようにリミッターに押し込まれ、AI ボイスは 6-10 kHz のヒスノイズと 100-300 Hz のドーンという響きを残したままです。

soundcheck はそれを数値に変え、修正し、修正が効いたことを証明します。

実行方法

python scripts/soundcheck.py analyze <file> [--target youtube] [--music music.wav] [--json]
python scripts/soundcheck.py fix     <file> [--target youtube] [--music music.wav] [--out out.wav] [--level] [--naturalize]
python scripts/soundcheck.py demo

fix は ffmpeg が PATH 上にある必要があります。analyze と demo は Python 3 + numpy のみで動作します（scipy があればより高速なフィルタリングに使用されます）。

fix にビデオを渡すと、ビデオが返されます。補正されたオーディオが元のビデオストリームと多重化されます（コピーされ、再エンコードはされません）。--out を指定しない場合、ソースの隣に <name>.soundcheck.mp4 として書き出されます。

--level は、マスタリング前に個別のスピーチテイクのレベルを揃えます。行ごとに録音または合成されたダイアログに使用してください。音楽主体のコンテンツでは使用しないでください。そこでの盛り上がりや落ち込みは、アレンジであり、欠陥ではありません。analyze は最も大きなテイクジャンプのタイムスタンプを出力するので、判断材料にできます。

信頼する前に検証する

python scripts/verify.py        # 20 のチェック、exit 0 = 全て良好

このスイートは、メーターが ffmpeg の ebur128 と一致すること、fix が全てのテルをパスした場合のみ終了コード 0 を返すこと、納品ファイルが独立したメーターで再測定されること、ダイナミクスがつぶされていないこと、そして無音 / 短いクリップ / モノラル 24-bit / mp4 / 存在しないファイルが適切に処理されることをチェックします。マシンで失敗した場合は、誰かのオーディオに触れる前に修正してください。

実際の素材を処理するときは、常に A/B 比較してください。測定による準拠は必要ですが、十分ではありません。

ワークフロー

1. 何にも触る前に測定する。 analyze を実行します。推測から EQ を始めてはいけません。
2. スコアではなく、スコアカードを読む。 スコアは要約です。問題となるテルは作業の対象です。
3. 修正する。 fix --target <platform> を実行します。測定結果から補正 EQ の深さを選び、チェーンを適用し、自身のラウドネス測定から静的ゲインを計算し、リミッターをかけ、再測定します。
4. 検証する。 測定されたテルのいずれかが仕様範囲外である場合、fix は非ゼロで終了します。非ゼロ終了で「完了」と報告せず、代わりに残っているテルを報告してください。
5. A/B 比較する。 元のファイルを保持します。修正が問題よりも悪く聞こえる場合（オーバー EQ、ポンピング）、補正の深さを減らして再実行します。測定による準拠は必要ですが、十分ではありません。

7 つの AI Audio Tell

#	Tell	測定値	目標値	よくある原因
1	テイク間のレベル不一致	スピーチ帯域の領域レベル、隣接デルタ	<= 3 dB	TTS テイクが個別にレンダリングされた
2	ヘッドルームがない	True Peak	<= -1 dBTP	「大きくする」マスタリング
3	ボーカル/音楽の競合	ボーカル LUFS - 音楽 LUFS	>= 4 dB	サイドチェインダッキングがない
4	耳障りな歯擦音	6-10 kHz / 1-4 kHz のエネルギー比	<= 0.45	合成された /s/ と /sh/
5	中低域のこもり	100-300 Hz / 300-3k のエネルギー比	<= 0.40	近接ブーム、大きい低音ベッド
6	フロア（最低ノイズレベル）と空間がない	ノイズフロアとプログラムレベルの差	45 dB 以上下	ノイズ除去アーティファクト、重ねられたルームトーン
7	位相 / DC 問題	L/R 相関、DC オフセット	相関 >= 0.2	連結されたテイク、リサンプリング

Tell 3 は、分離された音楽ステムを --music で渡した場合のみ実行されます。Tell 6 は、素材に無音部分がない場合に n/a を報告します。静かな音楽はノイズではありません。「評価不能」は合格ではありません。Tell 1 は最も大きなジャンプの位置を報告するため、人間が聴いて確認できます。

ラウドネスラダー

納品先	Integrated	True Peak	備考
YouTube / TikTok / Reels	-14 LUFS	-1 dBTP	プラットフォームがここでノーマライズ
Spotify	-14 LUFS	-1 dBTP
Apple Music	-16 LUFS	-1 dBTP
ポッドキャスト（ステレオ / モノラル）	-16 / -19 LUFS	-1 dBTP
放送（EBU R128）	-23 LUFS	-1 dBTP
ショートドラマ / OTT (CN)	-24 LKFS	-1 dBTP
映画館	-27 LUFS	-2 dBTP	ダイアログアンカー方式

チェーン順序（重要）

ハイパス 70 Hz -> サブトラクティブ EQ（こもり、次に歯擦音） -> ソフトコンプレッション -> リミッター -> 静的ゲイン -> リミッター

• 補正 EQ の深さは、固定プリセットではなく、測定されたテルから導出されます。
• コンプレッションは意図的にソフト（2.5:1、約 3-6 dB のゲイン低減）です。これはポストプロダクションであり、サウンドデザインではありません。
• ゲインは補正チェーンの 後 に適用され、チェーン出力で測定されるため、EQ がラウドネスを変えても、納品ファイルは仕様通りになります。
• リミッターは 0.79（-2 dBFS サンプルピーク）に設定され、-1 dBTP でのインターサンプルオーバーシュートを防ぎます。

ガードレール

• 新しい測定なしに成功を主張してはいけません。 スクリプトの終了コードが真実の源です。
• ロッシーを 2 回再エンコードしないでください。 一度 WAV にデコードし、WAV で作業し、最後に一度だけエンコードします。
• 品質を偽るためにアップサンプリングしないでください。 出力は 48 kHz。loudnorm の 192 kHz 内部レートは機能ではありません。
• 数値に合わせるためにダイナミクスを平坦化しないでください。 -14 LUFS を達成するために 6 dB 以上のリミッティングが必要な場合は、そのように伝え、代わりに -16 で納品してください。つぶれたミックスは、静かなミックスよりも悪いです。
• 音楽ステムは分離したままにしてください。 ミックスされたトラックをダッキングするとボーカルが破壊されます。ステムを要求してください。
• 元のファイルを保持してください。 常に新しいファイルに書き出します。

これで修正できないもの

analyze は、ソースに 8 kHz 以上のエネルギーがほとんどない場合（16/22 kHz TTS が 48 kHz セッションにパイプされた場合の兆候）に警告を出力します。そのくすみはマスタリングの問題ではなく、EQ で回復することはできません。警告が出た場合は、「修正しました」ではなく、「再レンダリングしてください」と伝えてください。ニューラル TTS でボイスを再レンダリングし、その後マスタリングしてください。

--naturalize は、小さな部屋の残響、ブレス / ルームトーンのフロア、少量の高域の空気感を追加します。「ドライでデジタル的に無音」という手がかりを取り除きますが、プロソディを発明することはできず、ロボットのようなソースを救うことはできません。音楽主体のコンテンツではデフォルトで有効にしないでください。

制限事項

• 「BGM」のテルにはステムが必要です。ステムがない場合、ボーカル/音楽のバランスは測定されません。
• ノイズフロアは、実際に静かな部分がある場合にのみ意味があります。
• True Peak は 4 倍オーバーサンプリングされています。8 倍を必要とする放送局は、自社のメーターで確認する必要があります。
• これはクリエイティブミックスではなく、納品ツールです。悪いパフォーマンスを良くすることはできません。