無音検出
録音や動画の中の無音区間を見つけ、時間範囲として返します。編集で無音部分をカットするのに、そのまま使えます。AI モデルは使わず、1 回の実行は一律 11 クレジットです。
無音検出ノードは、録音や動画の中の無音区間を見つけ、時間範囲のリストとして返します。この範囲を使って、編集プランなどで、ポッドキャストやインタビューから無音部分をカットします。このノードは AI モデルもプロバイダーのキーも使わずにローカルで動作するため、すべてのエディションで使えます。
使いどころ
- ポッドキャストやインタビューを編集する前に、無音部分や長い間を見つけます。
- 取り除くべき無音を、編集のステップに正確に渡します。
- 録音のうち、どれだけが無音で、どれだけが話し声かを測ります。
クイックスタート
ノードを追加する
キャンバス上で Tab を押し、オーディオ › 分析 › 無音検出を選びます。
録音を接続する
オーディオノードか動画ノードを、オーディオまたは動画入力に接続します。動画の場合、ノードはその音声トラックを使います。音声のないソース(音声トラックのない動画など)では実行が失敗し、クレジットは返還されます。
実行する
ノードの実行をクリックします。見つかった無音区間が、データとして無音区間出力に表示されます。
入力と出力
| 入力 | 接続できるノード | 説明 |
|---|---|---|
| オーディオまたは動画 | オーディオノードと動画ノード | 調べる録音です。必須です。 |
出力の無音区間は、オーディオではなくデータです。編集プランの無音入力や、フィールドを抽出ノードなど、データを読み取るノードに接続します。
設定
| 設定 | 説明 |
|---|---|
| 無音のしきい値(dB) | この値より小さい音は、無音とみなされます。-60〜-10 で指定し、デフォルトは -35 です。値を低くするほど厳密になり、ほぼ完全に静かな部分だけが無音とみなされます。 |
| 最小の無音時間(ms) | この長さ以上の無音だけが報告されます。100〜3,000 で指定し、デフォルトは 700 です。長さは下の音声のパディングで区間が縮む前に測るため、報告される範囲がこれより短くなることがあります。 |
| 音声のパディング(ms) | 話し声の前後に残す余白です。0〜1,000 で指定し、デフォルトは 120 です。各無音区間は、両端からこの長さだけ内側に縮められます。これにより、カットで息継ぎや言葉の出だしが切れるのを防ぎます。縮めた結果、長さがなくなる区間は取り除かれます。 |
結果の読み方
無音区間出力は、次のような形です。
{
"version": 1,
"ranges": [
{ "startMs": 2120, "endMs": 3880 }
],
"durationMs": 6000
}ranges:無音区間です。出現順に並び、元の録音の時間軸に沿ったミリ秒で表されます。endMsはその時点を含まず、常にstartMsより大きい値です。durationMs:録音全体の長さです。単位はミリ秒です。
例
6 秒の録音で、2 秒の位置から 4 秒の位置までが無音だとします。デフォルトの設定では、次のようになります。
- ノードは、約 2,000 ミリ秒から約 4,000 ミリ秒までの無音区間を 1 つ見つけます。長さは 2 秒なので、最小の無音時間である 700 ms より長くなります。
- 120 ms の音声のパディングにより、区間が両端で縮められます。開始は 2,000 + 120 = 2,120 ms に、終了は 4,000 - 120 = 3,880 ms になります。
結果は上の JSON のとおりで、この実行には 11 クレジットかかります。
クレジット
無音検出の料金は、一律で 1 回の実行につき 11 クレジットです。録音の長さ、設定、見つかった範囲の数によって、料金は変わりません。
ノードは、音声トラックを低い解像度で小さくしたコピーを分析するため、長い録音でも数秒で調べ終わります。録音に対する最初の実行で、元のファイルからこのコピーが 1 回だけ作られます。それ以降の実行と、同じ録音に対する文字起こしは、保存されたコピーを読み込みます。
ヒント
- 息継ぎを無視する:最小の無音時間を上げると、短い息継ぎや単語間のすき間が検出されなくなります。短い間も検出するには、値を下げます。
- 言葉を守る:カットで言葉の出だしが切れる場合は、音声のパディングを上げます。無音が長く残りすぎると感じる場合は、値を下げます。
- ルームトーンを無音として扱う:ファンやエアコンなどがある騒がしい部屋では、デフォルトのしきい値より大きい音が出ていることがあります。無音のしきい値を上げます。たとえば -35 から -30 にします。小さな話し声が無音として扱われる場合は、たとえば -45 に下げます。
- ソースの時間軸を保つ:範囲は元の録音のタイムラインを使うため、あとの編集でも、同じオーディオや動画と位置が一致します。
API から
POST /v1/silence-detect は、audioUrl と、任意の thresholdDb(デフォルトは -35、-90〜0)、minSilenceMs(デフォルトは 700、1〜600,000)、padMs(デフォルトは 120、0〜60,000)を受け取ります。API は設定パネルより広い範囲を受け付けます。完了した実行の output_data.json が、上の結果です。MCP ツールは silence_detect です。音声とメディアを参照してください。
よくある質問
無音検出は、無音部分を削除しますか?
いいえ。無音区間を見つけて、時間範囲として返すだけです。無音部分をカットするには、範囲を「間詰め」モードの「編集プラン」に接続し、そのプランを「EDL 適用」でレンダリングします。
無音検出には何クレジットかかりますか?
1 回の実行につき、一律 11 クレジットです。録音の長さ、設定、見つかった無音区間の数によって、料金は変わりません。
静かな部屋の雑音が、無音として検出されないのはなぜですか?
ルームトーンが「無音のしきい値」より大きいためです。静かな環境音が無音とみなされるように、しきい値を上げます。たとえば -35 から -30 dB にします。
範囲の単位は何ですか?
元の録音の時間軸に沿ったミリ秒です。そのため、範囲はソース自体のタイムラインと一致します。各範囲は、終了値の直前で終わります。
無音検出は、セルフホスティングの環境でも使えますか?
はい。AI モデルやプロバイダーのキーを使わずにローカルで動作するため、すべてのエディションで使えます。
関連ページ
編集プラン
EDL 適用
文字起こし
音声同期
最終更新