概要

ASMR動画では、以下のような「一瞬だけ入るノイズ」が問題になります。

マイクにぶつかった音
マイクスタンドのきしみ
床のきしみ

これらは短時間かつ突発的であり、通常のノイズ除去では対応が難しいです。

一方で、

PCファン音などの定常ノイズ

は、例えば noisereduce などのライブラリで除去できます。

→ 本記事では
ASMRの音は残しつつ、一瞬のノイズだけを検出してカットする方法を紹介します。

やりたいこと

ノイズが鳴っている時間を検出する

入力

未編集のASMR音声

出力

ノイズが鳴っている部分のタイムスタンプ
- （その区間をカットして、短めのクロスフェードで結合する）

アプローチの核心

ノイズには以下の特徴があります：

周囲と比べて「異常な周波数成分」を持つ
左右のチャンネルに同時に現れやすい

これを数値化します。

手法

① 周波数ごとのZスコアを計算

あるフレームにおける周波数成分が
「周囲と比べてどれくらい異常か」を測ります。

$$
z = \frac{x - \mu}{\sigma}
$$

$x$：対象フレームの周波数強度
$\mu$：周囲フレームの平均
$\sigma$：周囲フレームの標準偏差

→ Zスコアが大きいほどレアな音

② ステレオで共通する異常を強調

まず、周波数ごとのZスコアに対して、負の値を切り捨てる：

$$
z' = \max(z, 0)
$$

→ 平均より小さい成分（よくある音）は無視し、異常に大きい成分のみを残す

その上で、左右チャンネルで共通する異常を強調する：

$$
z_{LR} = z'_L \times z'_R
$$

→ 左右で同時に大きい周波数成分のみが強く残る
→ 片側だけのASMR音を除外しやすい

③ スコア化

周波数ごとの $z_{LR}$ をサマってスコアにする。
top_kで異常周波数を取り出し平均する

$$
score = \text{TopK平均}(z_{LR})
$$

④ 判定

score ≥ 300 → ノイズ候補
score ≥ 1000 → ほぼ確実にノイズ

成功した手法

ポイント

周囲と比較してレアな周波数を検出
それが左右共通ならノイズとみなす

処理の流れ

STFTで周波数解析
各フレームについて周囲と比較してZスコアを算出
左右チャンネルで共通する成分を強調
上位周波数の平均でスコア化
閾値以上をノイズとして検出
近い区間をマージ

import librosa
import numpy as np
import pandas as pd
from tqdm import tqdm


# 周辺と比較して周波数ごとにZスコア(∝偏差値)を算出する
# return [0HzのZスコア, 23HzのZスコア, ... 23953HzのZスコア]
def calc_freq_z(stft, f, freq_window_frame, max_duration_frame):
    stft_other = np.concatenate([
        stft[:, f-freq_window_frame:f-max_duration_frame],
        stft[:, f+max_duration_frame:f+freq_window_frame]
    ], axis=1)
    stft_f = stft[:, f]

    # 周波数ごとにzスコアを出す（偏差値=50+10*z）
    mean = np.mean(stft_other, axis=1) # 平均
    std = np.std(stft_other, axis=1) # 標準偏差
    z = (stft_f - mean) / (std + 1e-8) # Zスコア
    return np.maximum(z, 0)


# 瞬間ノイズ除去メインフロー
def detect_noise(
    wav_path,
    hop_length=512, # STFTのフレームサイズ
    freq_window_sec = 5, # 前後5秒の中でレアな音が異音の候補
    max_duration_sec = 0.5, # 単発ノイズが発生する時間の最大値
    top_k=2, # 異常周波数上位k個の平均で判断する
    threshold=300, # 大きくすると検出されるノイズが少なくなる
    merge_interval_sec= 2.0, # merge_interval_sec秒以内なら結合
    noise_max_n=50, # ノイズの個数上限
):

    # --- ① 解析 ---

    y, sr = librosa.load(wav_path, sr=None, mono=False)
    if y.ndim == 1:
        raise ValueError("ステレオ音声が必要です")

    print("    音声解析中")
    L, R = y

    # STFT
    stft_L = np.log1p(np.abs(librosa.stft(L, hop_length=hop_length)))
    stft_R = np.log1p(np.abs(librosa.stft(R, hop_length=hop_length)))

    total_frame = len(stft_L[0])


    # --- ② ノイズ確度スコア算出 ---

    freq_window_frame = int(freq_window_sec * sr / hop_length)
    max_duration_frame = int(max_duration_sec * sr / hop_length)

    print("    ノイズ確度スコア算出")
    stereo_freq_scores = np.full(total_frame, np.nan)

    for f in tqdm(range(freq_window_frame, total_frame - freq_window_frame - 1)):

        # 前後5秒と比較して周波数ごとにZスコア(∝偏差値)を算出する。レアだとZスコアが大きくなる
        z_L = calc_freq_z(stft_L, f, freq_window_frame, max_duration_frame)
        z_R = calc_freq_z(stft_R, f, freq_window_frame, max_duration_frame)

        # 左右に共通するノイズを強調する
        z_LR = z_L * z_R

        # レア周波数ランキングのトップ2を平均してスコアとする
        stereo_freq_scores[f] = np.mean( np.sort(z_LR)[-top_k:] )

    score_df = pd.DataFrame({
        "start_time": (np.arange(total_frame)) * hop_length / sr,
        "end_time": (np.arange(total_frame) + 1) * hop_length / sr,
        "stereo_freq": stereo_freq_scores
    })

    # スコアが大きいものをノイズと判定する
    score_df = score_df[score_df["stereo_freq"] >= threshold]

    if score_df.empty:
        print("    ノイズ検出完了（検出なし）")
        return pd.DataFrame(columns=["start_time", "end_time", "stereo_freq"])


    # --- ③ 連続ノイズをマージ ---
    merged = []
    cur = score_df.iloc[0]

    for i in range(1, len(score_df)):
        row = score_df.iloc[i]

        # 間隔がmerge_interval_sec秒以内なら結合
        if row["start_time"] - cur["end_time"] <= merge_interval_sec:
            cur["end_time"] = row["end_time"]
            cur["stereo_freq"] = max(cur["stereo_freq"], row["stereo_freq"])
        else:
            merged.append(cur.copy())
            cur = row.copy()

    # 最後を追加
    merged.append(cur.copy())

    merged_df = pd.DataFrame(merged)

    # 最大個数でフィルタ
    max_n_threshold = merged_df["stereo_freq"].nlargest(noise_max_n).iloc[-1]
    merged_df = merged_df[merged_df["stereo_freq"] >= max_n_threshold]

    print("    ノイズ検出完了")

    return merged_df

if __name__ == "__main__":
    import sys
    results = detect_noise(sys.argv[1])

    print(results)

結果と所感

この手法の良い点：

ASMR音をほぼ壊さない
瞬間ノイズに強い
パラメータ調整で精度を制御可能

特に、

→ 「周囲との差」＋「ステレオ共通性」

この2つを組み合わせたのが効きました。

まとめ

ASMRのノイズ除去は、

定常ノイズ → フィルタで除去
瞬間ノイズ → 検出してカット

と分けて考えるのが重要です。

今回の方法は後者に特化したアプローチです。

実用のコツ

thresholdは300〜1000で調整
- ノイズの検知量の調整
top_kは2〜5あたりが安定
- ノイズの音色による。正弦波に近い音色であれば小さく、ホワイトノイズに近い音色であれば大きくする。
merge_intervalを長くすると編集しやすい
- 短期間にカットが多すぎると感じたら長くする

おまけ（試したけどダメだった方法）

スペクトルフラックス

方法

STFTでスペクトログラムを計算
隣接フレーム間の差分を取る
その差分の大きさ（フラックス）を計算
平滑化（移動平均）してノイズを除去
ローカル平均との差を取り、急激な変化を強調
閾値以上をイベント（ノイズ候補）として抽出

→ 「急に音が変わった瞬間」を検出する手法

問題点

ASMRはもともと細かい変化が多い
ささやき・タッピング・衣擦れなども検出される
ノイズとASMRの区別がつかない

→ 検出はできるが、判別精度が低い

左右の音量差

方法

左右チャンネルの音量（RMSや振幅）を計算
左右差（|L - R|）を算出
差が小さい箇所をノイズ候補とする

→ ノイズは左右対称に入るという仮説
他のスコアと併用して使う前提

問題点

ノイズが入っても、もともとのASMR音に重なるため差が出にくい
「ASMRのみ」と「ASMR＋ノイズ」で左右差に明確な変化が出ない

→ 指標として成立しない

MFCC + k-means

方法

音声を短時間フレームに分割
各フレームからMFCC（音の特徴量）を抽出
k-meansでクラスタリング
出現数の少ないクラスタを「異常（ノイズ）」とみなす

→ ノイズは出現頻度が低いという仮説

問題点

ASMR音もバリエーションが豊富でクラスタが分散する
レアなASMR音（例えば特殊なトリガー音）がノイズ扱いされる
クラスタ数kの調整に強く依存する

→ 「レア＝ノイズ」とは限らない

MFCC + IsolationForest

方法

MFCC特徴量を抽出
IsolationForestで外れ値検出
外れ値スコアが高いフレームをノイズとみなす

→ ノイズは統計的に外れ値になるという仮説

問題点

ASMR音も外れ値になりやすい
時系列情報を無視している
ノイズの「短時間性」が考慮されていない

→ k-meansより若干弱い印象