音声番組へBGMを加えると、声が聞き取りにくくなったり、番組ごとに音量が変わったりします。FFmpegでは、声を検知してBGMを下げるダッキングと、番組全体のラウドネス調整を別の段階で行えます。
声を聞く分岐と、再生する分岐を作る
声を二つに分岐し、一方をBGMの音量制御に使い、もう一方を出力へ混ぜます。以下はPythonからFFmpegを呼び、モノラルの音声番組を作る例です。FFmpegとffprobeがPATHにある前提です。
import json
import math
import subprocess
probe = subprocess.run([
"ffprobe", "-v", "error", "-show_entries", "format=duration",
"-of", "json", "body.wav"
], capture_output=True, text=True, check=True)
duration = float(json.loads(probe.stdout)["format"]["duration"])
if not math.isfinite(duration) or duration <= 0:
raise ValueError("Invalid audio duration")
fade = min(1.5, duration / 2)
graph = (
f"[1:a]aresample=48000,aformat=channel_layouts=mono,"
f"atrim=duration={duration},asetpts=PTS-STARTPTS,volume=-22dB,"
f"afade=t=in:d={fade},afade=t=out:st={duration-fade}:d={fade}[bg];"
"[0:a]aresample=48000,aformat=channel_layouts=mono,"
"asetpts=PTS-STARTPTS,asplit=2[voice][control];"
"[bg][control]sidechaincompress=threshold=0.03:ratio=6:attack=40:release=700[ducked];"
"[voice][ducked]amix=inputs=2:duration=first:normalize=0[out]"
)
subprocess.run([
"ffmpeg", "-nostdin", "-y", "-i", "body.wav", "-stream_loop", "-1", "-i", "bgm.wav",
"-filter_complex", graph, "-map", "[out]", "-t", str(duration),
"-c:a", "pcm_s16le", "mixed.wav"
], check=True)
無限ループするBGMを先に必要な長さへ切り、フェードを掛けます。amixのnormalize=0では入力数による自動の音量調整を行わないため、合算したピークには注意します。声があるときにBGMが下がる量は、声のレベルとコンプレッサーの設定で変わります。
最終出力と同じチャンネルで測る
ステレオで測ってからモノラルで出力すると、測定時と出力時の条件が変わります。資料の制作例では、左右に同じ信号がある音声で約3dBの差が出ました。すべてのステレオ音声に固定で3dBを足せばよいわけではありません。
モノラルで配布するなら、測定前からモノラルへ揃えます。ステレオ再生を想定するdual_mono補正の有無も、1パス目・2パス目・完成品の確認で一致させます。
2パスの前処理を一致させる
次は、例として-16 LUFS、トゥルーピーク-1.5dBTPを目標にするコードです。配信先や用途に応じて目標値を決めてください。最初の測定と本処理で、同じチャンネル変換・コンプレッサーを使います。
import json
import math
import re
import subprocess
head = ("aformat=channel_layouts=mono,"
"acompressor=threshold=0.1:ratio=3:attack=5:release=120:makeup=2")
target = "I=-16:TP=-1.5:LRA=11:dual_mono=false"
measurement = subprocess.run([
"ffmpeg", "-nostdin", "-hide_banner", "-i", "mixed.wav", "-af",
f"{head},loudnorm={target}:print_format=json", "-f", "null", "-"
], capture_output=True, text=True, check=True)
records = re.findall(r"\{[^{}]*\}", measurement.stderr)
if not records:
raise ValueError("Loudness measurement not found")
measured = json.loads(records[-1])
for key in ("input_i", "input_tp", "input_lra", "input_thresh", "target_offset"):
if not math.isfinite(float(measured[key])):
raise ValueError("Cannot normalize silence or invalid measurements")
normalizer = (
f"loudnorm={target}:measured_I={measured['input_i']}:"
f"measured_TP={measured['input_tp']}:measured_LRA={measured['input_lra']}:"
f"measured_thresh={measured['input_thresh']}:offset={measured['target_offset']}:"
"linear=true:print_format=json"
)
subprocess.run([
"ffmpeg", "-nostdin", "-y", "-i", "mixed.wav", "-af",
f"{head},{normalizer},aresample=48000", "-ac", "1",
"-c:a", "pcm_s16le", "program.wav"
], check=True)
linear=trueでも、ラウドネス範囲やピークなどの条件を満たさなければ動的な正規化へ切り替わります。前段のコンプレッサーも、強く掛けると声の聞こえ方が変わります。目標へ届かなかったときは、測定ログと実際の出力を確認します。フィルターの条件はFFmpeg公式資料に記載されています。
完成ファイルをもう一度計測する
書き出したファイルを、前処理のコンプレッサーを再適用せずに測ります。MP3などへ変換した場合は、その配布ファイルが確認対象です。リサンプリングや圧縮でピークが変わるため、正規化前の測定値だけで判定しません。
ffmpeg -hide_banner -i program.wav -af "loudnorm=I=-16:TP=-1.5:LRA=11:dual_mono=false:print_format=json" -f null -
ffmpeg -hide_banner -i program.wav -af "volumedetect,silencedetect=noise=-50dB:d=3" -f null -
volumedetectの最大値だけでトゥルーピークや聞きやすさを判断しないようにします。長すぎる無音、尺、チャンネル数、デコードの終了コードも確認し、最後は声とBGMのバランスを聴いて調整します。