1. 処理の全体像（Pipeline）

YouTube → M4A音声 → FFTスペクトログラム → MP4動画 → MP4＋音声 → ダウンロード

2. 各ステップの技術的解説

(1) `yt-dlp` による音声ダウンロード

!yt-dlp -f "bestaudio[ext=m4a]" -o "output_audio.%(ext)s" {url}

YouTubeから最も高品質な音声トラック（m4a形式）を取得。
yt-dlp は pytube よりもYouTube更新に強く、安定動作。

(2) `librosa` による安全な音声読み込み

y, sr = librosa.load(filename, sr=None)
y = np.nan_to_num(y)

y: 音声波形データ（NumPy配列）
sr: サンプリング周波数（例：44100 Hz）
NaNを除去してFFT演算が壊れないようにしている。

(3) 短時間フーリエ変換（STFT）

S = np.abs(librosa.stft(y, n_fft=2048, hop_length=int(0.1 * sr)))
S_db = librosa.amplitude_to_db(S, ref=np.max)

音声を0.1秒刻みで周波数成分（FFT）に分解。
対数スケール(dB)に変換して視覚的な強度を可視化。

(4) アニメーション生成 (`FuncAnimation`)

ani = FuncAnimation(fig, update, frames=len(times), interval=100)
ani.save("spectrogram.mp4", writer="ffmpeg", fps=10)

0.1秒ごとにスペクトログラムを更新して動画化。
空のフレームを避ける安全設計（IndexError対策済）。

(5) `moviepy` で音声を合成

audio = AudioFileClip(filename)
video = VideoFileClip("spectrogram.mp4").set_audio(audio)
video.write_videofile("spectrogram_with_audio.mp4", codec="libx264", audio_codec="aac")

スペクトログラム映像（無音）に元の音声を重ね合わせ。
出力形式：H.264 + AAC の標準MP4形式。

(6) 自動ダウンロード

files.download("spectrogram_with_audio.mp4")

Colab出力エリアに青いリンクを生成。
クリックでブラウザ経由ダウンロード。

3. 安定化ポイント

このバージョンでは以下の点でエラーを防止：

無音ファイルやNaNを検出し除去。
STFT結果が短すぎる場合に自動停止。
Matplotlibの再描画イベントを安全に無効化。

4. 出力結果

spectrogram.mp4 → 無音のスペクトログラム映像
spectrogram_with_audio.mp4 → 音声付き最終MP4
（例：音楽や音声の時間変化を「見える化」）

5. 応用例

音楽の周波数構成やリズム解析
鳴き声・音響信号の視覚教材
AIモデルの入力用データ可視化（音声→画像変換）

✅ Python実装例

# Program Name: youtube_to_spectrogram_stable.py
# Creation Date: 20251111
# Overview: Safe and stable Colab pipeline: YouTube → M4A → FFT Spectrogram → MP4 with audio → Download

!pip install yt-dlp librosa matplotlib moviepy --quiet

import os, warnings
import numpy as np
import librosa, librosa.display
import matplotlib.pyplot as plt
from matplotlib.animation import FuncAnimation
from moviepy.editor import AudioFileClip, VideoFileClip
from google.colab import files

warnings.filterwarnings("ignore")

#──────────────────────────────
# 1. Download YouTube audio (M4A format)
#──────────────────────────────
url = input("Enter YouTube URL (press Enter for sample): ")
if url.strip() == "":
    url = "https://www.youtube.com/watch?v=2Vv-BfVoq4g"
print(f"Downloading audio from: {url}")

!yt-dlp -f "bestaudio[ext=m4a]" -o "output_audio.%(ext)s" {url}

filename = "output_audio.m4a"
if not os.path.exists(filename):
    raise FileNotFoundError("Audio download failed.")

#──────────────────────────────
# 2. Load audio safely
#──────────────────────────────
y, sr = librosa.load(filename, sr=None)
if len(y) == 0:
    raise ValueError("Loaded audio is empty.")
y = np.nan_to_num(y)  # remove NaN if any
duration = librosa.get_duration(y=y, sr=sr)
print(f"Loaded {filename}: {duration:.2f} sec, Sampling rate {sr} Hz")

#──────────────────────────────
# 3. Compute STFT safely
#──────────────────────────────
frame_step = int(0.1 * sr)
n_fft = 2048
hop_length = frame_step

S = np.abs(librosa.stft(y, n_fft=n_fft, hop_length=hop_length))
if S.shape[1] < 2:
    raise RuntimeError("STFT result too short for animation.")
S_db = librosa.amplitude_to_db(S, ref=np.max)
times = librosa.frames_to_time(np.arange(S_db.shape[1]), sr=sr, hop_length=hop_length)

#──────────────────────────────
# 4. Generate safe spectrogram animation
#──────────────────────────────
fig, ax = plt.subplots(figsize=(8, 4))
img = librosa.display.specshow(S_db[:, :1], sr=sr, hop_length=hop_length,
                               x_axis='time', y_axis='hz', cmap='magma', ax=ax)
ax.set(title="Spectrogram (0.1 s interval)")
fig.colorbar(img, ax=ax, format="%+2.0f dB")

def update(frame):
    if frame >= len(times):
        return ax
    ax.clear()
    librosa.display.specshow(S_db[:, :frame+1], sr=sr, hop_length=hop_length,
                             x_axis='time', y_axis='hz', cmap='magma', ax=ax)
    ax.set(title=f"Spectrogram up to {times[frame]:.1f}s")
    return ax

ani = FuncAnimation(fig, update, frames=len(times), interval=100, repeat=False)
ani.save("spectrogram.mp4", writer="ffmpeg", fps=10)
print("Saved spectrogram.mp4")

#──────────────────────────────
# 5. Combine audio + video
#──────────────────────────────
audio = AudioFileClip(filename)
video = VideoFileClip("spectrogram.mp4").set_audio(audio)
video.write_videofile("spectrogram_with_audio.mp4", codec="libx264", audio_codec="aac")
print("Saved spectrogram_with_audio.mp4")

#──────────────────────────────
# 6. Download MP4 automatically
#──────────────────────────────
files.download("spectrogram_with_audio.mp4")

✅ 結果

spectrogram.mp4
→ 音声の時間発展を0.1秒ごとにFFTで可視化した動画
spectrogram_with_audio.mp4
→ スペクトログラムに音声を合成

✅ 補足パラメータ

項目	変数	説明
FFTサイズ	`n_fft=2048`	周波数分解能
ステップ	`hop_length=int(0.1*sr)`	0.1秒ごとの時間分解能
表示間隔	`interval=100`	100ms単位のアニメーション更新
カラーマップ	`cmap='magma'`	dBスペクトログラムの視覚効果