声の録音を放り込むと（動画でも構いません。音声トラックだけを使います）、最初の 15 秒がすぐにきれいになって聞けます。再生位置を保ったまま「元の音」と「処理後」を切り替え、どれくらい消すかを決めたら、元と同じ長さの WAV をダウンロード。RNNoise が WebAssembly として Web Worker の中で動くので、ファイルはパソコンから出ません。
ファイルはブラウザから送信されません — 処理はすべてローカルで行われます。
音声か動画のファイルをドロップ、またはクリックして選択
一度に 1 ファイル。MP3・M4A・WAV・OGG・FLAC、動画なら音声トラックを使います
部屋で録った音には部屋そのものが入り込みます。ノートパソコンのファン、エアコン、窓の外の車の音、キーボードや冷蔵庫のうなり。このページはそうした「一定して鳴り続ける」背景雑音を、Jean-Marc Valin が 2018 年に発表した再帰型ニューラルネットワークの音声ノイズ除去器 RNNoise で取り除きます。RNNoise は WebAssembly にコンパイルされ、ブラウザの中の Web Worker で動きます。背後にサーバーはなく、デコードも処理も書き出しも全部あなたのマシンで行われるので、順番待ちもアカウントも容量による料金もありません。MP3、M4A、WAV、OGG、FLAC のほか、MP4 や MOV などの動画も受け付け、動画からは音声トラックだけを読み取ります。チャンネルはすべて残して別々に処理するので、ステレオはステレオのままです。
最初の 15 秒が先に処理されて、ほぼすぐに再生できる状態になります。残りがまだ処理中でも「元の音／処理後」のスイッチで聞き比べができ、再生位置はそのまま保たれるので、同じ一文で何度も行き来できます。強さのスライダーは 0〜100% で、初期値は 85%。元の雑音を少しだけ残したほうが、言葉の合間が無音になるより自然に聞こえます。消しすぎた録音が不自然に感じられるのは、まさにそこです。強さの変更は二つの信号を混ぜ合わせているだけで、処理をやり直しているわけではないので、即座に反映され、ファイルを再処理することはありません。
結果は 48 kHz・16 ビットの WAV で、長さもチャンネル数も元とまったく同じです。RNNoise は本来 48 kHz・10 ms フレームで動くため、入力は処理の前にこのレートへ変換されます。44.1 kHz の MP3 を入れても、出てくるのは 48 kHz の WAV です。WAV は無圧縮なので、きれいになった声を二度目の非可逆圧縮にかけずに済みます。サイズはモノラルで 1 分あたり約 5.8 MB、ステレオはその倍です。処理中はファイル全体をメモリに保持するため、現在の上限はモノラル 30 分、ステレオ 15 分。それより長い録音は、音声編集ソフトで先にいくつかに切り分けてください。
RNNoise は音声だけで学習されています。音楽は雑音として扱われ、壊れます。曲にはかけないでください。消せるのは一定した雑音であって、部屋の響きではありません。エコーや残響はモデルから見ると声の一部なので、そのまま残ります。マイクの入力が大きすぎて割れた音は修復できませんし、マイクから遠い声を近づけることもできません。強くかけすぎると、特に小さな子音のあたりで声が水っぽくなったり途切れたりします。そうなったら別のファイルを探すより、強さを下げてください。ビデオ会議ソフトやブラウザで録った音は、保存の時点でノイズ抑制がかかっていることが多く、二度目の処理で消せるものはそのぶん少なくなります。
このページは公開や文字起こしの前の一段階のために作られています。カフェで録ったインタビュー、プロジェクターのファンが回る中での講義、電車の中のボイスメモ。ここで音をきれいにしてからVideo Subtitles で文字起こしをしたり、動画から先に Extract Audio from Video で音だけ取り出したりできます。音楽ファイル——曲のテンポやキーを知りたい場合——は、このページではなく BPM & Key Finder が担当です。
されません。ファイルはブラウザがデコードし、WebAssembly にコンパイルされた RNNoise が Web Worker の中で処理し、同じタブの中で WAV に書き出します。サーバーには何も送られません。そもそもページの背後にサーバーがないのです。公開中のポッドキャストでも、機密のインタビューでも、ページの動きは同じです。ファイル名も長さも中身も、ブラウザの外には出ません。
この録音に対して強さが高すぎるからです。RNNoise は周波数帯ごとに「どれくらいが音声か」を推定して残りを減らしますが、雑音と声が重なる場面——小さな子音、息まじりの母音、とてもうるさい部屋——では、強い設定だと声の一部まで削ってしまい、水中でしゃべっているような音や細かい途切れになります。初期値の 85% からスライダーを下げて、違和感が消えるところを探してください。少し雑音が残るほうが、壊れた声よりずっと自然です。
使えますが、結果は気に入らないはずです。このモデルは「音声を残して他を全部消す」ように学習されているので、楽器も残響の尾も和音も雑音として扱われ、ずたずたになります。想定しているのは話し声の録音です。インタビュー、講義、ポッドキャスト、ボイスメモ、会議の録音。曲を分析したい——BPM やキーを知りたい——なら、BPM & Key Finder を使ってください。
消えません。エコーや残響は声そのものの反射で、モデルにとっては雑音ではなく音声の一部です。マイクから遠いところで録った声も同じで、このページで近づけることはできません。消せるのは一定して鳴り続ける背景雑音——ファン、エアコン、車の音、電気的なハム、キーボードのカタカタ——で、部屋の音響とは別の問題です。
48 kHz なのは、それが RNNoise の動作レートだからです。48 kHz で 10 ms のフレームを処理するので、入力はノイズ除去の前にこのレートに変換されます。WAV なのは無圧縮だからです。きれいになった声を二度目の非可逆エンコーダーに通さずに済み、どんな編集ソフトも文字起こしツールも動画ソフトも開けます。MP3 より大きく、モノラルで 1 分あたり約 5.8 MB になるので、小さくしたければ WAV をあとから変換してください。
デコードした録音全体を処理中ブラウザのメモリに保持するからで、48 kHz の音声はすぐに大きくなります。普通のノートパソコンやスマホで安全に収まるのが、だいたいモノラル 30 分、ステレオ 15 分です。それより長い録音は先に分割してください。この上限は時間ではなくメモリの話で、長いファイルが極端に遅くなるわけではなく、タブがメモリ不足で落ちる危険があるということです。
期待するほどではありません。ビデオ会議ソフトやブラウザ上の録音機能は保存前に独自のノイズ抑制をかけるので、RNNoise が得意とする一定した雑音はすでにほとんど消えていて、残っているのはたいていその一度目の処理の跡です。それは二度目の処理では元に戻せません。15 秒のプレビューで試してみて、「元の音」と「処理後」がほとんど同じに聞こえるなら、その録音には必要なかったということです。
きれいになった録音を文字起こし・字幕に →
曲のテンポ・キー・Camelot を調べる →
動画の音声トラックを単独のファイルに →
声を録音しながらその場で文字起こし →