ラジオの自動作成〜ミキシング編〜：FFmpegを利用した音声結合

はじめに

この記事は、モチベーションクラウドシリーズアドベントカレンダー2025の記事です。

最近、「自分の興味のあるテーマでラジオ番組を自動で作れたら面白いのでは？」と思い、
n8n × GPT を使った“ラジオ自動生成”に細々と取り組んでいます。

以前はn8nとOpenAI TTSを組み合わせて、パーソナリティが原稿を読み上げるMP3ファイルを自動生成するところまで構築しました。

今回はその続きで、ラジオの雰囲気を決める重要な工程「BGMのミキシング」を扱います。

読み上げ音声ファイルをラジオらしいものにするために、今回は FFmpeg を使いました。

前提

ラジオ音源のミキシングには、以下の2つの音声ファイルが必要です。

(音源A)BGM 音源
お好みのMP3を用意してください

(音源B)パーソナリティ音声
こちらもお好みのMP3を作成し用意して下さい。

以前はn8nとOpenAI TTSを使用し、ワークフローで自動作成できるまで作りました。
前回記事として下記にまとめております

今回はこの2つの音源を組み合わせて、
“ラジオ風mp3ファイル” を仕立てることが目的です。

使用ツール：FFmpegとは

今回のミキシング処理で使用したツールは FFmpeg です。

FFmpeg は、音声・動画の加工や変換を行うためのOSS のメディアエンコーダーになります

CLIから操作することができ、提供されているffmpegコマンドでは、

• 音量調整
• フェードイン / フェードアウト
• ミキシング
• ディレイ
• 形式変換（mp3, wav, mp4 …）

などを スクリプト1行で実行できます。

GUI のDAWを使わず、自動生成フローの中で音声編集を完結できるため、
今回のような「ラジオ風音声を自動作成したい」というケースに最適かと思います

ゴール

今回の目標は、「BGMをつけて実際のラジオ番組のような自然な"イントロ〜トーク開始"の流れを作る」ことです。

具体的には、次の3つの動きを実現します。

1. 最初の5秒はBGMだけを流す
2. 5秒からBGMの音量をゆっくり下げ、BGMレベルへフェードさせる
3. 同じ5秒地点からパーソナリティ音声が自然に入る

この “イントロ → クロスフェード → トーク開始” をFFmpeg の1コマンドで自動で生成します。

完成したミキシング用のコマンド（FFmpeg）

ffmpeg -i BGMデータ.mp3 -i 音声データ.mp3 \
-filter_complex "\
[0:a]asplit=2[aloud][aquiet]; \
[aloud]afade=t=out:st=5:d=1.5[aloud_faded]; \
[aquiet]volume=0.15,afade=t=in:st=5:d=1.5[aquiet_faded]; \
[aloud_faded][aquiet_faded]amix=inputs=2[aA]; \
[1:a]adelay=5000:all=1[bB]; \
[aA][bB]amix=inputs=2:duration=longest:dropout_transition=2" \
-c:a libmp3lame -b:a 192k output_radio.mp3

コマンドを一行ずつ見ていきます

① BGM（A）を2つに分ける

[0:a]asplit=2[aloud][aquiet];
（クロスフェードの土台になる分岐。音声を2つに分けて用意しておきます）

• aloud：イントロで使う大きいA
• aquiet：後半のBGM用の小さいA

② （クロスフェード）大きいBGMをフェードアウト

イントロの「終わり感“」を作る部分になります
先程分割した中の"aloud"側を使用
[aloud]afade=t=out:st=5:d=1.5[aloud_faded];
5秒からフェードアウト＆1.5秒かけて 1.0 → 0 へ

③ （クロスフェード）小さいBGMをフェードイン（BGMとして登場）

BGMが自然に立ち上がる箇所です
先程分割した中の"aquiet"側を使用
[aquiet]volume=0.15,afade=t=in:st=5:d=1.5[aquiet_faded];
小さいBGMを流し始めます
BGMの大きさ（0.15倍）＆ 無音 → 0.15 に1.5秒かけてフェードイン

④ 2つを重ねて“自然に音量が下がるA”を作る

[aloud_faded][aquiet_faded]amix=inputs=2[aA];
フェードアウトするAと、フェードインするAを合成。
結果として「1本のAが自然に変化した」ように聞こえます。

⑤ パーソナリティ音声（B）を5秒遅らせる

イントロ終了に合わせて、パーソナリティ音声を流し始めます
[1:a]adelay=5000:all=1[bB];
5秒後にトークが始まるようタイミングを調整

⑥ A（BGM）と B（音声）をミックスして完成

[aA][bB]amix=inputs=2
BGMが小さく背後で流れ続けつつ、パーソナリティの声が主役になる“ラジオの出だし”が完成。

出来た出力

生成された MP3 は、

• イントロBGMが単独で流れ
• 徐々に音が下がってBGM化し
• 同じタイミングでトークが入り
• 以降は小音量のBGMが続く

という ラジオの典型的な入り方が自動で生成されます。

感想

FFmpeg の各種フィルタ操作は、GUIなしで細かく再現性ある音声編集が可能で、今回のような“ラジオ生成”を自動実行に組み込んで行きたい場合には相性が良さそうです。

今回はlocalで実行を行いましたが、この工程自体もワークフロー化するためにはFFmpegインストール済みのlocal環境でのn8nなどを立ち上げて使用する。などを持って自動化処理が出来そうです