音声とサウンド
あなたは音を聴くことができません。測定結果から判断し、書き起こしで検証し、本人に何を聴くべきかを伝えてください。
1. 声
scripts/vo.py lines.json assets/vo-raw <voice_id> を使って、各行ごとに1ファイルを生成します。これはElevenLabsに単語タイミングを要求し、前後の行も渡すため、イントネーションが行間で連続します。これらの単語タイミングが映画の時計となります。すべてのカットとカードは単語上に配置されます。
次に scripts/vo_finish.py assets/vo-raw assets/vo を実行します:
- すべての行を −17 LUFS にレベル調整します(生成されたテイクは10 dB以上変動します)。
--tighten <prefix>を付けると、速いセクションで0.34秒以上のポーズを短縮します。断片として書かれた行(「カビール。デザイナー。...」)は0.5秒以上の隙間ができ、そのせいで映像が遅く感じられます。
すべての行を検証してください。 ファイルを結合し、書き起こします(npx hyperframes transcribe file.wav --json)。そのテキストを脚本と照合してください。生成された音声は小さな単語を落としたり入れ替えたりします。「couldn't」が「could」と返ってきたことがあります。そのような行は「could not」のように書き直して再生成してください。書き起こしと脚本が一致しない箇所は、たとえ書き起こし側が間違っていると思っても報告してください。
ペース。 完成後、映画の音声は、エネルギッシュな作品であれば毎秒2.4〜2.8語で流れるべきです。落ち着いたゆっくりしたナレーターは、どんなカッティングでも映像を遅くします。これが最初のドラフトが退屈と言われる最も一般的な理由です。
単一行のやり直し は --only id,id で行います。タイミングファイルはマージされます。
2. 本人とのナレーター選び
声は好みの問題であり、本人のものです。映像が1つの声に基づいて構築される前に、早い段階でサンプルを提供してください。新しい声はすべての行の長さとすべてのキューを変えるからです。
- アクセント、性別、用途で音声ライブラリを検索します(そのAPIは共有音声と説明をリストします)。
- 同じパッセージを5〜8の声で生成します:
vo.py lines.json samples A,B,C --sample 5。名前とブランド名が含まれるパッセージを使用してください。 - それぞれのファイルに1行ずつ、ライブラリ自身の説明と測定されたペースを添えて渡します。あなたは耳でランク付けできません。そのことを伝えてください。
名前。 声が別の言語の名前を誤って発音することがあります。名前の行についてA/Bテストを作成します。元の表記と、そのリーダー向けに綴り直したもの(カビール、アルジュン)の両方です。本人に選んでもらいます。ブランド名の聞き取り確認は本人の仕事です。明示的に依頼してください。
3. 雰囲気に沿う音楽
一曲だけを最初から最後まで使うと、物語が平坦になります。まず各幕を雰囲気にマッピングし、それから各幕に合ったトラックを見つけます:
| 映画のパート | 雰囲気 | 探すもの |
|---|---|---|
| オープニング、人との出会い | 軽やかで希望に満ちた | 静かなピアノか柔らかいパルス、打楽器は少なめ |
| 問題 | 緊張、重厚 | ゆっくりと盛り上がる暗いベッド。心拍音か低いドローンを追加 |
| それを要約する一言 | ほぼ無音 | 低いヒット一つ、その後は言葉の下にほとんど何もなし |
| プロダクトの登場 | 盛り上がり | 最初は控えめで後でキックするアップビートなトラック |
| エンディングとエンドカード | 安堵 | 同じトラックのより柔らかいセクション |
聴かずに選ぶ。 各候補について、時間経過に伴うレベル(scripts/levels.py track 2)とテンポを測定します。探しているのは形状です。オープニング用の安定した静かな部分、緊張のためのゆっくりした上昇、トラックがキックする場所での5 dB以上の明確なジャンプ。キックをプロダクトの答えが現れる瞬間に配置します。ビートに合わせてカットするセクションについては、ビートグリッド(テンポと最初のダウンビートの時間)を見つけてください。
トラックの編集。 バーラインでのみカットし、40 msのクロスフェードをかけ、その結合部を映像のカットで隠します。トラックを早めに終了するには、大きなセクションのバーラインから小さなセクションの始まりのバーラインにジャンプします。編集後、結合部をまたいでレベルを測定し、意図した場所でレベルが変化していることを確認します。
トラックの変更。 映像のハードカット上で、カットにヒットを合わせて変更します。出力トラックを0.3秒かけてフェードアウトします。
4. 効果音
小さな音は、カードやカットが意図的に配置されたように感じさせます。キットを用意してください。3〜4つの短いポップ、タップ、送受信音、ペンと紙の音、柔らかなウィッシュ、低いブーム、暗いライザー、心拍音。
- 各効果音のピーク位置を測定します(
levels.py file 0.1)。ライザーはファイル開始から1.9秒後にピークに達するかもしれません。ヒットは最初に0.25秒の無音があるかもしれません。ピークが映像に合うようにファイルの開始位置を調整します。 - 音は映像の約20 ms後に配置し、決して前に配置しないでください。
- カードの連続では2〜3種類の異なるポップを交互に使用します。
- 緊張したセクションの下の心拍音: 最初は静かに(0.3)、盛り上がり(0.4、次に0.6)、音楽が止まったら1秒間そのままにします。
5. ミックス
ルートコンポジション内のクリップ: 音楽は data-volume="1" の独自クリップ、声はレベリング後に1.25、効果音はファイルに応じて0.35〜2.0。
scripts/mix.py index.html mix.json は、声の下で音楽をダッキングするボリュームレーンを書き込みます。レベルはトラックの測定レベルから選択します。ベッドは声の下に11〜13 dB低く配置する必要があります。
| ベッド(測定値) | 声の下 | 隙間 |
|---|---|---|
| 静かなピアノ、−25 dBFS | 0.9 | 1.5 |
| 暗いベッド、−21 dBFS | 0.55 | 0.95 |
| アップビートなトラック、控えめなオープニング、−17 dBFS | 0.34 | 0.62 |
| 同じトラックのフルアレンジメント、−11 dBFS | 0.19 | 0.4 |
| その柔らかいセクション、−15 dBFS | 0.3 | 0.75 |
声のクリップが移動するたびに mix.py を再実行してください。
目標。 レンダリングされたファイルを測定します: ffmpeg -i film.mp4 -af ebur128=peak=true -f null -。目標は約−16 LUFSインテグレーテッド、トゥルーピークは−1 dBFS以下です。
6. 本人に伝えること
すべての引き継ぎでは、平易な言葉で以下のことを伝えます。何も聴いていないこと、音声の行を書き起こして照合し一致したこと(または一致しなかったもの)、ラウドネスの数値、そして具体的に聴くべき点(ブランド名がどう言われているか、特定の区間で声の下の音楽が大きすぎないか、音楽の変更が自然に感じられるかなど)。
7. ライセンスとキー
音楽と効果音は、本人がアカウントを持つライブラリか、ライセンスが使用を許可するソースから入手します。タイトルとアカウントを CREDITS.md に記録し、そのプランが映画の上映場所をカバーしていることを確認するよう本人に促します。キーは環境変数またはプロジェクト外のファイルから読み取られ、決してプロジェクト内に書き込まれません。