目次
分割作業のどこが苦痛か
配信のアーカイブを曲ごとに分けたいだけなのに、やることは多いものです。
- プレイヤーで頭から再生し、曲の始まりと終わりを耳で探す
- 時刻をメモして、動画編集ソフトに打ち直す
- 書き出しを待つ
- 曲数ぶん繰り返す
曲が10曲あれば、この往復が10回。途中で1箇所でも時刻を間違えると、その区間だけやり直しになります。
JamSlicer は、この作業を「アップロード → しきい値の調整 → 一括切り出し」の3ステップに置き換えます。ここでは、実際にぶつかった3つの壁と、その外し方を書きます。
既存手段の限界
| 手段 | できること | 限界 |
|---|---|---|
| 動画編集ソフトで手作業 | 自由な位置で切れる | 曲数に比例して時間がかかる。時刻の記録と入力が二度手間 |
| Python で librosa / moviepy | 無音検出を自動化できる | 音声を配列に読み込むため、1GB の動画で 5〜10GB のメモリを使う |
| FFmpeg を直接叩く | 高速・低メモリ | 毎回コマンドを組み立てる必要があり、区切りの確認ができない |
JamSlicer が狙ったのは、3番目の速さと1番目の確認しやすさを両立させることでした。
解決の設計
分割の流れを、作業の前後で比べます。
図1: 分割作業の前後比較
設計の要点は3つです。
- 解析は1回だけ: アップロード時に音量カーブを取り、以降はそのデータを使い回す
- 調整はブラウザ: しきい値を変えても再解析しない
- 切り出しはコピー: 再エンコードせず、画質と時間を守る
区切りの確認と調整をブラウザに置いたことで、「自動検出の結果をその場で直せる」ようになりました。完全自動にしなかったのは、無音の長さも音量も動画ごとに違うためです。
実装の要点
解析: 音量カーブを取る
POST /analyze-volume に動画を送ると、0.5秒間隔の音量データと、推奨しきい値が返ります。推奨値は平均音量と標準偏差から計算しています。
curl -X POST http://localhost:8000/analyze-volume \
-F "file=@live.mp4"
調整: 区間はクライアントで作る
返ってきた音量データから、ブラウザ側の detectSilence が無音区間を求め、calculateSegments が音楽区間を組み立てます。最小無音長は1.0秒、サンプリング間隔は0.5秒です。
// frontend/src/segmentCalculator.ts
const isSilent = point.volume < threshold;
しきい値を下げれば区間は長く、上げれば短くなります。この試行錯誤が通信なしでできることが、使い勝手の中心です。
切り出し: 確定した区間だけを送る
区間が決まったら POST /cut-simple に JSON で送ります。
curl -X POST http://localhost:8000/cut-simple \
-F "file=@live.mp4" \
-F 'segments=[{"start":0,"end":45.2,"duration":45.2}]'
サーバーは各区間を -c copy で切り出し、ZIP にまとめてダウンロードURLを返します。2秒未満の区間はノイズとみなして捨てています。
片付けとダウンロード
切り出したファイルはサーバーの一時ディレクトリに置かれ、ZIP にまとめてから /download-segments/{zip_filename} で配信されます。アップロードした動画の一時ファイルは処理の最後に削除されるため、ディスクに残り続けることはありません。
# backend/main.py(cut_simple)
output_dir = tempfile.mkdtemp()
...
"download_path": f"/download-segments/{os.path.basename(zip_path)}"
分割結果をDBに保存しない設計なので、「まず試して、違えばしきい値を変えてもう一度」という使い方が気軽にできます。
結果
README に記録されている従来実装との比較です。
| 項目 | 従来版 (librosa/moviepy) | JamSlicer |
|---|---|---|
| メモリ使用量 | 5〜10GB | 30〜50MB |
| 音量解析速度 | 基準 | 2〜5倍高速 |
| 動画分割速度 | 基準 | 10〜20倍高速 |
作業としては、曲ごとの時刻メモと編集ソフトへの打ち直しがなくなり、確認と調整だけが残ります。分割そのものはストリームコピーなので、待ち時間はほぼファイルコピーの時間です。
実行コスト
CPU を使うのは解析の1回だけで、FFmpeg が音声トラックを1度デコードします。その後にやり取りするのは数百KBのJSONです。切り出しはストリームのコピーなので I/O が中心になります。GPU は不要で、ノートPCでも小さなVPSでも動きます。
向かないケース・残課題
- 無音が短い動画: ライブのように曲間の拍手が続く場合、無音区間が1秒未満だと検出できません。しきい値を上げても区切りが曖昧になります。
- BGM が流れ続ける動画: 曲間にも音が乗るため、無音検出そのものが使えません。
- 厳密な頭出し:
-c copyはキーフレーム単位で切るため、狙った位置と数フレームずれることがあります。厳密に合わせたい場合は再エンコードが必要です。 - 正規化: コードには YouTube 向けのラウドネス正規化(-14 LUFS)のオプションがありますが、UI からは未公開です。
「無音で区切れる素材」に限定すれば強い、というのが現時点の結論です。逆に、区切りが音の変化で決まる素材には、別の検出手法が必要になります。
まとめ
- 手作業の壁は「確認しながら自動化する」ことで外す(完全自動にしない)
- メモリの壁は「FFmpeg に任せて配列を作らない」ことで外す
- 速度の壁は「再エンコードしない」ことで外す
3つとも、特別なライブラリではなく、処理の置き場所を変えることで解けました。
関連記事
動画処理・自動化ツールの開発でお困りのことはありませんか?
技術相談や開発サポートを承っています。お気軽にご相談ください。