配信録画の分割作業を自動化する — 手作業・メモリ・速度の3つの壁

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。

  1. 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
  2. 時刻をメモして、動画編集ソフトに打ち直す
  3. 書き出しを待つ
  4. 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。

Before: 手作業
録画をプレイヤーで開く
曲の開始・終了を耳で探す
編集ソフトに時刻を打ち直す
書き出しを待つ(曲数ぶん繰り返し)
→
After: JamSlicer
動画をアップロード
無音区間を自動検出
スライダーで区切りを確認
ストリームコピーで一括切り出し(ZIP)

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。

ココナラで開発相談を依頼する


も参照してください