2025/7/15

ffmpeg＋SoX×Python：ノイズキャンセリングパイプラインの作り方

はじめに

ノイズキャンセリングは、マイク特有のハムノイズや環境音を低減し、クリアな音声を得るための技術です。単体のツールだけでは対応が難しい場合もありますが、ffmpeg のFFTベースノイズ除去フィルタと、SoX の詳細なプロファイル除去・ダイナミックレンジ圧縮を組み合わせることで、より高品質な結果を得られます。

前提条件と環境構築

• Python 3.7+
• ffmpeg
• SoX (Sound eXchange)

Ubuntu/Debian 系でのインストール例:

sudo apt update
sudo apt install ffmpeg sox

Python側は標準ライブラリのみで動作可能です。

パイプラインの全体像

• ffmpeg フィルタ処理

  • FFTベースのノイズ除去 (afftdn)
  • イコライザ補正
  • 無音区間の自動トリミング
  • ゲート処理

• SoX プロファイル除去

  • ノイズサンプル抽出 → プロファイル化
  • noisered でノイズ除去

• SoX ダイナミックレンジ圧縮

  • compand で音圧のムラを平準化

• ファイル置き換え & クリーンアップ

ステップ詳細解説

ffmpeg によるフィルタ処理

ffmpeg_filters = [
    "afftdn",                                     # FFTベースのノイズ除去
    "equalizer=f=1500:t=q:w=1:g=3",               # 1.5kHz 帯域のゲイン調整
    "silenceremove=stop_periods=-1:stop_duration=1:stop_threshold=-50dB",  # 無音トリム
    "agate",                                      # ゲート処理
]
subprocess.run(
    ["ffmpeg", "-y", "-i", str(audio_path),
     "-af", ",".join(ffmpeg_filters),
     str(temp_ffmpeg_output)],
    check=True, stdout=subprocess.DEVNULL, stderr=subprocess.DEVNULL
)

equalizer フィルタの各パラメータ解説

• f (frequency) 中心周波数を Hz 単位で指定。 本例では 1500 → 1,500 Hz 帯域をターゲットにしています。

• t (filter type) フィルタの形状を指定。

  • q：クオリティファクタ（ピーク型イコライザ）
  • ほかに g（グラフィック）、o（オクターブ）などあり。

• w (width) 帯域幅を Q ファクタで指定。 w=1 → Q＝1 の比較的幅広い帯域（約中心周波数の±50％）に適用。

• g (gain) ゲイン量を dB 単位で指定。 g=3 → +3 dB ブースト。マイナス値でカットも可能。

このように、equalizer=f=1500:t=q:w=1:g=3 は「1.5 kHz 帯を Q=1 で広めに取りつつ +3 dB 持ち上げる」設定です。録音環境やマイク特性に合わせて、中心周波数（f）や帯域幅（w）・ゲイン（g）を調整してください。

SoX によるノイズプロファイル作成と除去

sox <入力ファイル> -n trim 0 0.2 noiseprof noise.prof
sox <入力ファイル> <出力ファイル> noisered noise.prof 0.21

• trim 0 0.2

  • 入力ファイルの先頭 0 ～ 0.2 秒を切り出し、「この区間は音声ではなくノイズのみ」として扱います。
  • 0.2 秒という長さは「ノイズ成分を十分に集めるが、話し声が混ざらない程度」の目安です。環境によっては 0.1～0.5 秒に調整します。

• noiseprof noise.prof

  • 切り出したノイズサンプルからノイズ特性（スペクトルプロファイル）を解析し、noise.prof に保存します。

• noisered noise.prof 0.21

  • プロファイルに基づきノイズを低減します。

  • 最後の引数 0.21 は「除去強度」を示し、0.0～1.0 の範囲で指定します。

    • 小さめ（例：0.1～0.3） → ノイズ除去は穏やかだが、音声への影響も少ない
    • 大きめ（例：0.4～0.6） → ノイズ除去は強力だが、音声にアーチファクト（ざらつき）が出やすい

SoX によるダイナミックレンジ圧縮（compand）

sox <入力ファイル> <出力ファイル> compand 0.3,1 6:-70,-60,-20 -5 -90 0.2

• 0.3,1

  • attack = 0.3 秒：音量が閾値を超えたときに圧縮を開始するまでの時間
  • decay = 1 秒：圧縮を解除して元に戻るまでの時間

• 6:-70,-60,-20

  • 圧縮カーブの定義（スロープとポイントリスト）
  • 6: → 圧縮比（ratio）が 6:1
  • -70,-60,-20 → 入力レベル（dB）が −70dB のとき出力を −60dB に、−20dB のときは −20dB にマッピング
  • この組み合わせで「−70～−60dB 範囲内は強く圧縮し、−20dB 以上はほぼそのまま」のカーブが得られます。

• -5

  • 圧縮後の全体ゲイン調整（makeup gain）を + (−5)dB で行います。
  • マイナス値に見えますが、SoX では「出力を −5dB 下げる」という指定です。 音量が大きくなりすぎないようヘッドルームを確保します。

• -90

  • ノイズフロア閾値（noise floor）を −90dB に設定。
  • これ以下のレベルはほぼ無音と見なし、圧縮の対象外またはゲート処理されます。

• 0.2

  • ディレイ（lookahead）時間を 0.2 秒指定。
  • 先読みすることで圧縮の反応を滑らかにし、歪みを抑えます。

これらの値はあくまでも「音声を聞き取りやすくする」ための一例です。録音環境や素材の特徴に合わせて以下のように調整してください。

• ノイズサンプル長（trim の長さ）：話し声のない純ノイズ部分をしっかり拾える長さ
• noisered 除去強度：音声への影響を見ながら徐々に大きくしていく
• compand の攻撃／解除時間：会話の速さや音の立ち上がり・切れ方に合わせて
• 圧縮比・ポイントリスト：音量ムラの度合いに応じてスロープを変更

これらを詰めていくことで、よりクリアで自然なノイズキャンセリング結果が得られます。