やりたいこと

実況動画を撮影する際に、数時間にもおよぶ動画データの中から撮れ高を探す必要があって辛いのでなんとかしたい

アプローチ

取れ高 = 盛り上がってるポイント = 音量が大きい部分という仮説に基づき、音量が大きい部分を抽出した
実際のデータをみてみると、後半は（つかれて？)全体的な声量が下がっていくという傾向がみられたので、音量の絶対値ではなく極大値（ピーク)を使うようにした
- 下記のコードでは切り替えられるようにしています。

関連

音量に注目して盛り上がってるポイントを抽出するアプローチは下記でも提案されています。
- https://qiita.com/120byte/items/79a018f73db0544f5631
この記事で使われているmoviepyが手元で動かなかったので、今回はlibrosaとopencvで組んでみました。

ソース

入力

voice.wav: 音声だけのデータ (背景音を含まない)
full.mp3: 音声 + 背景音
full.mp4: 動画(音声を含んでいても含んでいなくても良い)

出力 (実際に使用する際は、下記の二つのファイルをffmpegや動画編集ソフトで結合してください）

cut.wav: 音声データ
cut.mp4: 音声抜きの動画

cut_movie.py

import datetime
import os

import cv2
import librosa
import numpy as np
import scipy


# いい感じにコンソール出力するための関数。なくてもよい。
def pretty_print_sec(sec):
    int_sec = int(sec)

    hour = int_sec // 3600
    left_sec = int_sec - hour * 3600
    minute = left_sec // 60
    left_sec = left_sec - minute * 60

    hour_str = ("00" + str(hour))[-2:]
    min_str = ("00" + str(minute))[-2:]
    sec_str = ("00" + str(left_sec))[-2:]

    return ":".join([hour_str, min_str, sec_str])


# 対象の秒数が切り抜き対象かチェックする時に使う関数
def is_in(tuple_list, val):
    for tup in tuple_list:
        if tup[0] <= val <= tup[1]:
            return True

    return False


# 最大値ベースで切り抜く場合はこっちを使う
def cut_by_max_rms(rms, percentile):

    is_on = False

    start = 0
    end = 0

    threshold = np.percentile(rms[0], percentile)
    cut_list = []

    # 前のフレームも切り抜き対象として選ばれていたら、切り抜き範囲を結合する
    for i, val in enumerate(rms[0]):
        if val >= threshold and is_on:
            pass
        elif val >= threshold and not is_on:
            is_on = True
            start = float(i) * 30
        elif val < threshold and is_on:
            end = float(i) * 30
            is_on = False
            cut_list.append((start, end))
        else:
            pass

    if is_on:
        cut_list.append((start, float(i + 1) * 30))

    return cut_list


# 極大点ベースの場合はこっちを使う
def cut_by_local_max_rms(rms, max_frame_num):

    cut_list = []

    order = 1
    while True:
        pts = list(scipy.signal.argrelmax(rms[0], order=order)[0])

        if len(pts) < max_frame_num:
            break

        order += 1

    for point in pts:
        cut_list.append((point * 30, (point + 1) * 30))

    return cut_list


# 切り抜き箇所の特定
# 音量を基準に切り抜きを行う
def decide_cut_frames(cut_type, voice_file):
    # 切り抜き箇所特定用に音声をロード
    # 少しでも軽くしたいのでsample rate8000で読み込んでいる
    y_voice, sr_voice = librosa.load(voice_file, sr=8000, mono=True)

    # 30秒単位で音量を調べる
    rms = librosa.feature.rms(
        y=y_voice,
        frame_length=sr_voice * 30,
        hop_length=sr_voice * 30,
        center=True,
        pad_mode="reflect",
    )

    if cut_type == "local_max":
        # 音量が極大(ピークが立っている箇所)を最大20フレーム選んで切り抜く
        cut_list = cut_by_local_max_rms(rms, 20)
    elif cut_type == "max":
        # 音量が大きい上位5%のフレームを切り抜く
        cut_list = cut_by_local_max_rms(rms, 100 - 95)

    return cut_list


# 動画の切り抜き
def cut_movie(cut_list, movie_file, output_movie_file):

    movie = cv2.VideoCapture(movie_file)
    fps = movie.get(cv2.CAP_PROP_FPS)
    height = movie.get(cv2.CAP_PROP_FRAME_HEIGHT)
    width = movie.get(cv2.CAP_PROP_FRAME_WIDTH)
    print(fps, int(width), int(height))

    # 出力時のフォーマット
    # OSによって変わると思われるので注意
    fourcc = cv2.VideoWriter_fourcc(*"mp4v")

    # すでに存在しているとエラーになるので一回消しとく
    if os.path.exists(output_movie_file):
        os.remove(output_movie_file)

    out = cv2.VideoWriter(
        output_movie_file, fourcc, int(fps), (int(width), int(height))
    )

    for start, end in cut_list:
        i = start * fps
        movie.set(0, start * 1000)

        # startから1フレームずつ読んで、endを越えたらbreakする
        while movie.isOpened():
            sec = float(i / fps)
            if sec % 60 == 0:
                print(pretty_print_sec(sec), datetime.datetime.now(), flush=True)

            ret, frame = movie.read()
            if not ret:
                break

            # 現在時刻のテキストを追加
            font = cv2.FONT_HERSHEY_SIMPLEX
            cv2.putText(
                frame,
                pretty_print_sec(sec),
                (10, int(height * 0.9)),
                font,
                1,
                (0, 255, 0),
                2,
                cv2.LINE_AA,
            )

            if is_in(cut_list, sec):
                out.write(frame)

            i += 1
            if sec > end:
                break

    movie.release()
    out.release()


# 音声の切り抜き
def cut_audio(cut_list, voice_file, output_audio_file):

    # srはNoneを指定しないと22050になるので注意
    y_full, sr_full = librosa.load(voice_file, sr=None, mono=False)

    output_array = [[], []]
    for start, end in cut_list:
        for i in range(int(start * sr_full), int(end * sr_full) + 1):
            val_0 = y_full[0, i]
            val_1 = y_full[1, i]

            sec = float(i / sr_full)
            if sec % 60 == 0:
                print(pretty_print_sec(sec), datetime.datetime.now(), flush=True)

            if is_in(cut_list, sec):
                output_array[0].append(val_0)
                output_array[1].append(val_1)

            if sec > end:
                break

    # asfortranarrayを使わないと落ちる
    librosa.output.write_wav(
        output_audio_file, np.asfortranarray(output_array), sr_full
    )


def main():
    audio_file = "full.mp3"  # 動画の音声を抽出したもの
    voice_file = "voice.wav"  # 動画から声だけを抽出したもの
    movie_file = "full.mp4"

    output_audio_file = "cut.wav"
    output_movie_file = "cut.mp4"

    cut_type = "local_max"  # 極大値ベース
    # cut_type = "max" # 最大値ベース

    cut_list = decide_cut_frames(cut_type, voice_file)
    cut_movie(cut_list, movie_file, output_movie_file)
    cut_audio(cut_list, audio_file, output_audio_file)


if __name__ == "__main__":
    main()

備考

音声と(ゲーム音声などの)背景音が分離できている前提のコードになっています。
なので、すでに配信された動画からの取れ高抽出(いわゆる切り抜き)は、音声と背景音は分離できないので、本コードの対象外となります。
ただ、取れ高部分はどの道大きな音になりがちだとは思うので、一定の効果は得られるかもしれません。