これは本サイトで生成した曲に紐づく単語単位の整列データを読み出すものです。任意の音声に音声認識をかけるものではありません。アップロード欄がないのはそのためで、手元のディスクにあるファイルには引けるデータがそもそも存在しません。よそで録った音源に時間を付けたいなら、ここは違います。
単語ごとに時間が付くタイムスタンプ歌詞
本サイトで生成した曲の歌詞に単語単位の時間情報を付けます。完成したボーカル曲を選び、再生しながら対応を確認して、時間付きテキストを書き出せます。
本サイトで生成した曲を選ぶと、歌詞が単語ごとの開始時間・終了時間付きで返ってきます。再生すると今の単語が光り、どの単語をクリックしてもそこへ飛べます。確認したら時間をテキストで書き出せます。
01
何を揃えるツールで、何ではないか
返ってくるのは単語の並びで、それぞれに開始時間、終了時間、そしてその単語の整列が成功したかどうかを示す印が付いています。粒度は行ではなく単語です。この違いは実質的で、行単位のツールは一行がどこから始まるかを教えますが、単語単位の時間は今その一行のどこを歌っているかを教えます。
データが生成された曲に紐づいているので、揃える対象の歌詞は、その曲を生成したときのその歌詞そのものです。演奏を書き起こして文字が合っていることを祈る作業ではありません。文字はすでに分かっていて、答えるべき問いは一つだけ、それぞれの語がいつ歌われたかです。
02
時間を取得する手順
ログインしてツールを開き、音楽履歴から完成済みのボーカル入りの曲を選びます。一覧に出るのは生成が終わった曲だけです。まだ書き出し中の曲には、突き合わせる音声がないからです。一回のリクエストで 5 クレジットを使います。
空の結果が返る原因は、たいていインスト曲を選んだことです。置くべき語がないので、結果は誤りではなく空になります。空が返ったら、選んだ曲に本当にボーカルが入っているか確かめてください。
時間が返ると、歌詞がプレーヤーの横に並びます。再生中は現在位置に対応する単語が光り、どの単語をクリックしてもプレーヤーがその単語の開始時間へ移動します。ある箇所を確認したいとき、この操作は波形を手で動かすよりずっと速く済みます。
03
なぜ一度確かめる価値があるか
各単語には成功の印が付きますが、全部に付くわけではありません。整列に失敗した単語も歌詞が読める形を保つために一覧へ残りますが、その時間は自分の耳で確かめるまで信用すべきではありません。先にその単語だけを拾うほうが、歌詞全体を音声と突き合わせて読むより速く済みます。
ほかより外れやすい箇所が三つあります。一つは複数の音節にまたがる長い音で、該当する語がフレーズの頭に寄って溜まり、均等に広がらない傾向があります。二つ目は語が密に詰まった速いパッセージで、隣の語が位置を取ってしまうことがあります。三つ目はリード裏のアドリブや重ねたボーカルで、時間が後ろの声のほうへ引っ張られます。
それ以外はたいていそのまま使える精度です。実際には頭から通しで一度再生し、光っている位置が聞こえている音とずれるところを見つけて、その瞬間だけを見れば足ります。
04
書き出されるファイル
書き出しは一行一語のテキストファイルで、角かっこに入れた時刻のあとにその語が続きます。一行が分秒の目印と一つの語なので、人が読むのにも、プログラムで解析するのにも扱いやすい形です。
ほかの仕組みに渡すつもりなら、二点だけ注意してください。一つは時刻が秒単位に切り捨てられることで、速いパッセージでは連続する何語かが同じ目印を共有します。もう一つは一行に入るのが歌詞一行ではなく一語であることで、行単位の形式へ変換するには自分で語をまとめる必要があります。
字幕やカラオケ用の形式は直接は書き出しません。このデータから LRC や SRT を作ること自体は難しくありませんが、どこで行を切るか、各行を画面に何秒出すかを決める作業が伴います。そこはツールに推測させるより、自分で決める価値のある選択です。
05
ほかのツールとの住み分け
境界は出どころです。このツールが扱うのは本サイトで生成した曲だけで、整列データが生成と同時に作られ、曲と一緒に保存されているからです。外から持ち込んだ MP3 や WAV には、ここに書いたことは何も当てはまりません。
自分の録音があって、そこに語を合わせたいのなら、それは整列ではなく書き起こしで、別の作業であり精度の性質も違います。欲しいのが時間ではなく語そのものなら、作詞ツールがテーマから歌詞を書き、音楽生成ツールがその歌詞を歌入りの曲にします。
手元がインストで、知りたいのが歌詞ではなく構造なら、キーとテンポの検出が音声から速度と調を読み取ります。ボーカルのない曲の時間情報が欲しいと言われるとき、実際に求められているのはたいていこちらです。
06
よくある質問
自分の音声ファイルをアップロードできますか。
できません。本サイトで生成した曲と一緒に保存された整列データを読むため、外部のファイルには引ける記録がありません。アップロード欄がないのはそのためです。
時間は行ごとですか、単語ごとですか。
単語ごとです。各単語に固有の開始時間と終了時間があり、だからこそ歌っている語を正確に光らせ、クリックでそこへ飛べます。
一回のリクエストで何クレジット必要ですか。
一回 5 クレジットです。音楽履歴から完成済みのボーカル曲を送信した時点で使われます。
結果が空で返ってきたのはなぜですか。
ほぼ必ず、その曲にボーカルがないためです。インスト曲には置くべき語がないので、近い値を返すのではなく空になります。歌の入った生成曲を選んでください。
ダウンロードされるのはどんな形式ですか。
一行一語のテキストファイルで、語の前に角かっこ入りの時刻が付きます。時刻は秒単位に切り捨てられます。
LRC や SRT の字幕として書き出せますか。
直接はできません。テキストの書き出しに同じ時間が入っていますが、字幕ファイルにするには語を行にまとめ、各行の表示時間を決める必要があり、そこはお任せしています。
一部の語の時間が少し早い気がします。なぜですか。
長い音と速いパッセージが主な原因で、各単語には整列が成功したかどうかの印も付いています。その箇所を再生して、歌詞全体ではなくそこだけを直してください。
曲が別の言語でも使えますか。
整列はその曲を生成したときの歌詞に従うので、英語に限りません。ただし精度は、どの言語でもボーカルがどれだけはっきり歌われているかに左右されます。