英単語リストから自動生成した多数の音声ファイルを1つに統合してみた

1. はじめに

前回の記事の「英語学習のため、自作のExcel英単語・英例文リストから英日音声ファイルを生成してみた」では、英単語帳のExcelファイルから音声付きの語彙学習素材を作成し、ウォークマンなどのデバイスで再生できるようにしました。
ただ、この方法ですと、英単語の数が増えると 数千個のMP3ファイル が出力されてしまい、ウォークマンなど一部のプレイヤーでは再生可能数の上限を超えてしまいます。そこで今回は、これらの分割MP3ファイルを 1つの長い音声ファイルに統合するためにPythonでスクリプトを作成した、というのが今回の記事の内容です。

2. 実施環境

• CPU: CORE i5 8th Gen
• メモリ: 8GB
• OS: Windows 11 22H2

3. 使用ライブラリ

必要なライブラリをインストールします。

pip install pydub

また、音声処理のために ffmpeg が必要です。

4. 作成したプログラム：merge_vocab_audio.py

以下が実際に作成したプログラムです。

merge_vocab_audio.py

from pathlib import Path
import re
import csv
import os
import subprocess
from pydub import AudioSegment
from pydub.utils import which

# === 設定 ======================================================
IN_DIR = Path("分割mp3のフォルダを指定")   # 分割mp3のフォルダ
OUT_WAV = Path("merged_vocab.wav")
OUT_MP3 = Path("merged_vocab.mp3")
TIMELINE_CSV = Path("merged_timeline.csv")

GAP_MS = 300          # 同一行の各パート間の無音
ROW_GAP_MS = 700      # 行と行の間の無音

PAT = re.compile(r"^(?P<num>\d{4})_.*_(?P<order>[1-4])_(?P<tag>en_word|mean|ja_example|en_example)\.mp3$", re.IGNORECASE)

# 必要なら ffmpeg のフルパスを指定（例：r"C:\ffmpeg\bin\ffmpeg.exe"）
# 未設定なら PATH から自動検出
FFMPEG_PATH = os.environ.get("FFMPEG_PATH", "").strip()
# ===============================================================


def resolve_ffmpeg_path() -> str:

    if FFMPEG_PATH:
        if Path(FFMPEG_PATH).exists():
            return FFMPEG_PATH
        raise SystemExit(f"FFMPEG_PATH に指定した ffmpeg が見つかりません: {FFMPEG_PATH}")
    p = which("ffmpeg")
    if p is None:
        raise SystemExit("ffmpeg が見つかりません。インストールし PATH を通すか、FFMPEG_PATH を設定してください。")
    return p


def require_ffmpeg():
    ff = resolve_ffmpeg_path()
    AudioSegment.converter = ff 
    return ff


def export_mp3_with_lame(merged: AudioSegment, out_mp3: Path, tmp_wav: Path, ffmpeg_path: str):
    # まずは pydub で直接 MP3 出力（libmp3lame 明示）
    try:
        merged.export(
            out_mp3,
            format="mp3",
            codec="libmp3lame",      
            bitrate="48k",
            parameters=["-ac", "1", "-ar", "24000", "-write_xing", "0"]
        )
        return  # 成功
    except Exception as e:
        print(f"[WARN] pydub 直接MP3出力に失敗: {e}")

    # フォールバック：WAV に一旦書き出してから ffmpeg CLI で MP3 化
    print("フォールバック: WAV に書き出し → ffmpeg CLI で MP3 化 …")
    merged.export(tmp_wav, format="wav")

    cmd = [
        ffmpeg_path, "-y", "-hide_banner", "-loglevel", "error",
        "-i", str(tmp_wav),
        "-ac", "1", "-ar", "24000",
        "-b:a", "48k", "-codec:a", "libmp3lame",
        str(out_mp3)
    ]
    try:
        subprocess.run(cmd, check=True)
    except subprocess.CalledProcessError as ee:
        raise SystemExit(f"ffmpeg による MP3 変換に失敗しました。詳細: {ee}") from ee
    finally:
        try:
            tmp_wav.unlink()
        except Exception:
            pass


def main():
    ffmpeg_path = require_ffmpeg()

    if not IN_DIR.exists():
        raise SystemExit(f"入力フォルダがありません: {IN_DIR.resolve()}")

    files = list(IN_DIR.glob("*.mp3"))
    if not files:
        raise SystemExit(f"{IN_DIR.resolve()} に mp3 が見つかりません。")

    # 行ごとにグループ化
    rows = {}  # num -> [(order, tag, Path)]
    skipped = []
    for p in files:
        m = PAT.match(p.name)
        if not m:
            skipped.append(p.name)
            continue
        num = m.group("num")
        order = int(m.group("order"))
        tag = m.group("tag").lower()
        rows.setdefault(num, []).append((order, tag, p))

    if not rows:
        raise SystemExit("命名規則に合致するファイルがありません。ファイル名のフォーマットを確認してください。")

    # 行番号で昇順
    sorted_nums = sorted(rows.keys())

    merged = AudioSegment.silent(duration=0)
    timeline = []
    current_ms = 0

    print(f"対象行数: {len(sorted_nums)}")
    if skipped:
        print(f"※命名規則に合わずスキップ: {len(skipped)} 件（例：{skipped[:5]}）")

    for idx, num in enumerate(sorted_nums, start=1):
        items = sorted(rows[num], key=lambda x: x[0]) 
        parts = []
        print(f"[{idx}/{len(sorted_nums)}] 行 {num} を結合中...", end="")

        for order, tag, path in items:
            try:
                seg = AudioSegment.from_file(path, format="mp3")
                parts.append(seg)
            except Exception as e:
                print(f"\n  [WARN] 読み込み失敗: {path.name} ({e})")

        if not parts:
            print(" スキップ（有効なセグメントなし）")
            continue

        # 行の開始時刻を記録
        timeline.append((num, current_ms))

        row_audio = parts[0]
        for s in parts[1:]:
            row_audio += AudioSegment.silent(duration=GAP_MS)
            row_audio += s

        merged += row_audio
        current_ms += len(row_audio)

        # 行間の無音
        if idx < len(sorted_nums):
            merged += AudioSegment.silent(duration=ROW_GAP_MS)
            current_ms += ROW_GAP_MS

        print(f" 完了（{len(row_audio)} ms）")

    if len(merged) == 0:
        raise SystemExit("統合結果が空でした。")

    # WAV も必要なら出力
    print("WAV に書き出し中…")
    merged.export(OUT_WAV, format="wav")

    # MP3 へ（libmp3lame 明示＋フォールバック付き）
    print("MP3 に変換中…")
    tmp_wav = OUT_WAV.with_suffix(".tmp.wav")
    export_mp3_with_lame(merged, OUT_MP3, tmp_wav, ffmpeg_path)

    print(f"OK: {OUT_MP3.resolve()}  総時間: {len(merged)} ms")

    # 目次CSV
    with open(TIMELINE_CSV, "w", newline="", encoding="utf-8") as f:
        w = csv.writer(f)
        w.writerow(["row_num(先頭4桁)", "start_ms"])
        for row_num, start_ms in timeline:
            w.writerow([row_num, start_ms])
    print(f"目次: {TIMELINE_CSV.resolve()}")


if __name__ == "__main__":
    main()

5. 実行方法

以下のコマンドで実行します。

python merge_vocab_audio.py

6. 実行結果

スクリプトを実行すると、指定フォルダ内のMP3ファイルが自動的に読み込まれ、
1つのファイルにまとめられます。

生成されるファイルは次の3つです。

ファイル	内容
merged_vocab.wav	中間生成物（WAV形式）
merged_vocab.mp3	完成した音声ファイル（ウォークマン対応）
merged_timeline.csv	各英単語（行）の再生開始時刻(ms)を記録

7. 結果とまとめ

このスクリプトを使うことで、数百〜数千に分割されていた英単語音声ファイルを1つの長いMP3としてまとめることができました。ウォークマンに転送すると、リスト全体をスムーズに再生できることも確認できました。現在は、ExcelからKindle対応の英語単語帳PDFを自動生成してみたの記事で作成したPDFを見つつ、この英単語音声ファイルを聞いて勉強を進めています。　ちなみに問題点としては、やはり発音やイントネーションにやや難があるところです。これの解決に今は取り組むつもりはありませんが、何か新しい手法を見つけたら取り組みたいと思います。