話者マップ

話者マップノードは、カメラ自身のマイクから、各話者がどのカメラに映っているかを判定します。そのため、誰も表を埋めなくても、マルチカメラの編集が正しい人に切り替わります。結果はカメラ切り替えの話者マップ入力に接続します。カメラ切り替えは、各カットを話している人のカメラに割り当てます。

マルチカメラのポッドキャストやインタビューでは、通常、ゲストごとに専用のカメラがあり、どのカメラにもマイクが付いています。ゲストが話している間、そのゲストに向いたカメラが最も大きくその声を拾います。話者マップは、話者ラベル付きの文字起こしを受け取り、各話者が話している間の各カメラの音を聞いて、どのカメラが誰のものかを決めます。

ノードは、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ので、すべてのエディションで使えます。

使いどころ

• ゲストごとにカメラがあるマルチカメラのポッドキャストで、話者の表を埋めずに、どのカメラが誰のものかをカメラ切り替えに伝える。
• ゲストがセッションごとに席を替えるインタビューで、セッションごとにカメラを改めて割り当てる。

クイックスタート

入力

出力

話者マップ出力は次のようになります。

{
  "version": 1,
  "speakerMap": { "speaker_0": "camA", "speaker_1": "camB", "speaker_2": "" },
  "confidence": {
    "speaker_0": { "camera": "camA", "marginDb": 9.4 },
    "speaker_1": { "camera": "camB", "marginDb": 6.1 },
    "speaker_2": { "camera": "", "marginDb": 1.2 }
  },
  "notes": ["\"speaker_2\": no clear camera (the loudest led by 1.2 dB) — shown on the wide shot; set the map to override."]
}

設定

カメラの決め方

各話者について、その話者のすべての発話を通して判定します。

• 最も大きいカメラが選ばれます。話者の声を最も大きく拾うカメラが、次のカメラを必要な差以上上回っている場合、そのカメラがその人のカメラになります。
• はっきりしたカメラがない場合。話者が 2 台のカメラの間に座っているなどの理由で、それだけ上回るカメラがない場合、その話者にははっきりしたカメラがありません。カメラ切り替えは、その話者を引きのショットで、引きのショットがなければ映像のあるいずれかのカメラで映します。注記には、その話者と、最も大きいカメラがどれだけ上回っていたかが記されます。
• 引きのショットとマスター録音は選ばれません。全員の声を拾うので、誰のカメラにもなりません。
• 音のないカメラは失敗の原因になりません。オーディオトラックのないカメラ、ミュートされたマイク、どの発話も聞こえなかったカメラは、どの話者にも選ばれないだけで、注記にその名前が記されます。

クレジット

話者マップは、録音の長さや本数にかかわらず、1 回の実行につき一律の料金です。ノードの実行ボタンに料金が表示されます。セルフホスティングの Community エディションと Business エディションでは、クレジットを使いません。

次のものは、クレジットが課金される前に拒否されます。

• 2 本未満または 6 本を超える録音、または同じ ID を持つ 2 本の録音。
• オーディオノードのような、音声だけの録音を引きのショットにした場合。
• 文字起こしがない場合、または話者ラベルがまったくない文字起こし。文字起こしで話者分離をオンにして、もう一度実行してください。

キャンバスでは、録音のどれでもないマスターや引きのショットは無視されます。API では拒否されます。

ヒント

• メインのマイクと引きのショットを指定する。指定しないと、それらの音がカメラの音と競合し、全員の声を拾う引きのショットが話者に選ばれることがあります。
• 録音を別々に開始した場合はオフセットを接続する。オフセットがないと、各カメラは文字起こしの時間で読み取られ、遅れて開始したカメラは間違った時点で聞かれます。
• 注記を読む。はっきりしたカメラがない話者は、たいてい 2 台のカメラの間に座っているか、カメラのマイクの設定が大きく異なっています。その話者のカメラを、カメラ切り替えの話者の表で設定してください。そこで設定したカメラは、マップより優先されます。
• 差を調整する。わずかに大きいだけのカメラがマップで選ばれる場合は、必要な差を上げます。はっきりしたカメラがない話者が多すぎる場合は、下げます。
• スピーカーレイアウトに任せる。スピーカーレイアウトは、音声同期、文字起こし、話者マップ、カメラ切り替えを代わりに実行し、各話者をその人のカメラでフレーミングします。

トラブルシューティング

API から

POST /v1/speaker-map は、sources（一意の id、url、任意の kind を持つ 2〜6 個のオブジェクトのリスト）と transcript を受け取ります。任意で、offsets（音声同期の結果）、masterSourceId、wideSourceId、0〜30 の marginDb も受け取ります。kind: "audio" は、メインのマイクのような音声だけの録音を示し、その録音は誰のカメラにもなりません。

形式が正しくないリクエストは 400 validation_error を、話者ラベルのない文字起こしは 422 no_speakers を、どちらもクレジットが確保される前に返します。完了したジョブの output_data.json は上記の話者マップの結果で、output_data.edl が編集です。

SDK のメソッドは client.edit.speakerMap、CLI コマンドは nodaro edit speaker-map、MCP ツールは speaker_map です。結果をカメラ切り替えに渡すには、SDK では speakerMapResult、CLI では --speaker-map-result、MCP では speaker_map_result を使います。音声とメディア、SDK での編集、MCP ツールリファレンスを参照してください。