VoiceTrim Studio

• 波形を見ながら無音部分を探して手動カット…
• 数百ファイルのファイル名を一つ一つリネーム…
• 「ファイル名と中身が違う」というミスが発生…

• 完全自動化: 台本CSVを読み込ませるだけで、指定したファイル名で保存。
• 高精度マッチング: AIが内容を聞き取り、台詞と照合してカット位置を特定。
• ミス撲滅: 台本と音声の内容が一致しない箇所はスキップ、品質管理も確実に。

収録データの整理を自動化し、クリエイティブな作業に時間を使いましょう。

世界最高峰の音声認識モデル「Whisper (large-v3)」をエンジンに採用。滑舌の甘いセリフや、感情が入った激しい演技でも、AIが文脈を理解して正確にテキスト化し、台本とマッチングさせます。

「台詞」と「出力ファイル名」を記述したCSVファイルを読み込むだけで、切り出した音声に自動で正しいファイル名を付けて保存します。もうリネーム作業に追われることはありません。

単に文字で切るだけではありません。「無音しきい値(-40dBなど)」「無音継続時間」に加え、切り出し前後の「パディング（余白）」もミリ秒単位で調整可能。ブツ切り感のない、そのまま実装できる品質で出力します。

音声データはすべてMac内のローカル環境で処理されます。未発表タイトルのシナリオや声優の未公開ボイスが外部サーバーに送信されることは一切ありません。

一般的な「無音検出（Strip Silence）」ツールは、音が小さくなった場所で切るだけのため、セリフの途中で切れてしまったり、環境ノイズで切れないことが多々あります。VoiceTrim Studioは、**「AIによる意味理解」と「信号処理による波形判定」**を組み合わせることで、人間が行うような自然な切り出しを実現しています。

ステップ1：Whisperによるロングオーディオ認識 まず、長い収録音声全体をWhisper AIが解析し、どこで何が話されているかという「タイムスタンプ付きテキストデータ」を生成します。

ステップ2：スクリプト・マッチング CSV台本のテキストと、AIが認識したテキストを照合（ファジーマッチング）します。一字一句合っている必要はありません。「マッチング閾値」アルゴリズムにより、多少のアドリブや言い回しの違いがあっても、高い精度で対応するセリフ区間を特定します。

ステップ3：シグナル・リファインメント AIが特定した大まかな区間に対し、さらに「無音しきい値」と「パディング設定」を適用して微調整を行います。これにより、AI特有のタイムラグを補正し、語頭のアタックや語尾の余韻を美しく残した状態で切り出します。

※音声データと台本のマッチング率は、音声データと台本の内容によって変わります。通常90%程度のマッチング率、悪くても70~80%はマッチします。
「擬音」や「特殊な固有名詞」の多い台本はマッチングに失敗しやすいです。