ポッドキャストの編集、オーディオブックの収録、ナレーション動画の制作において、音声の手動トリートメントは最も時間を奪う作業の一つです。1〜2時間の録音波形を拡大し、数百箇所に及ぶ「えーと」「あのー」などのフィラーワード（口癖・つなぎ言葉）を切り取り、唇が開く際のペチャッとしたリップノイズや唾液音を消し去り、言葉に詰まった音節の重複（どもり）を滑らかにつなぎ直す作業は、収録時間以上の膨大な労力を強います。
Cleanvoice AI は、このポストプロダクションのボトルネックを解消するために開発された自動音声トリートメントツールです。文字起こしテキストに頼る一般的な編集ツールとは異なり、Cleanvoice は音響波形そのものを直接解析します。20以上の言語に対応したフィラーワードの検出、近接マイク録音特有のリップノイズの除去、会話の自然なリズムを崩さないどもり・言い淀みの平滑化をすべて自動で実行します。
本ガイドでは、ポッドキャスターやナレーター、動画制作者がCleanvoiceを使って音声品質を向上させる具体的な手順、用途別の設定方法、そしてワンクリック書き出しとDAWタイムライン連携の使い分けについて詳しく解説します。
1. Cleanvoiceの音響解析アプローチ：テキスト編集ツールとの決定的な違い
近年、音声をテキスト化して文書のように単語を削除できるツールが増加しています。こうしたツールは定型的な英語の明瞭な発声には便利ですが、実際の収録現場では次の3つの壁に直面します。第一に、テキスト化エンジンは非英語圏の言語や特有のアクセント（オーストラリア英語やアイルランド英語など）のフィラーを誤認識しやすい点、第二に、どもりや音節の反復を単なる通常単語の重複として文字化してしまい微細な編集点を定められない点、そして第三に、唾液音や舌打ちなどの非言語ノイズを文字認識エンジンでは検知できない点です。
Cleanvoice は、テキストではなく「音響波形」に基づいたAIモデルを採用しています。
- 多言語対応のフィラーワード除去（Filler Words）： 辞書データではなく発話の音響スペクトログラムを解析するため、英語、ドイツ語、フランス語、スペイン語、ポルトガル語、イタリア語、オランダ語、ルーマニア語、ポーランド語、トルコ語、アラビア語など20以上の言語に対応します。方言や訛りのあるつなぎ言葉でも、前後の語彙を傷つけることなく素早く特定・切除します。
- リップノイズ・唾液音の除去（Mouth Sounds）： 感度の高いコンデンサーマイクで近接収録を行うと、唇の開閉や唾液のプチプチとした微小ノイズが顕著に入り込みます。従来の修復プラグイン（iZotope RX Mouth De-Click等）は周波数帯や感度スレッショルドの細かい手動調整が必要でした。Cleanvoice はトラック全体を自動走査し、「t」や「k」などの子音のアタック感を損なうことなく不快な口腔ノイズのみを除去します。
- どもり・音節反復の平滑化（Stutters & Hesitations）： 緊張や思考によって生じる「こ、こ、これ」のような言葉の出だしの詰まりや反復波形を検知し、余分な音節をカットして意図された発話へとスムーズに接続します。意図的な強調と無意識のどもりを識別し、人間らしい会話の流れを維持します。
2. 実践ワークフロー：収録生データから完成音源までの3ステップ
Cleanvoice のWebダッシュボードは直感的であり、高度な音響工学の専門知識がなくても数分で作業を完了できます。
ステップ1：音声または動画ファイルのアップロード
Cleanvoice のダッシュボードにアクセスし、編集対象のファイルを読み込みます。
- 対応ファイル形式： WAV、MP3、M4A、FLAC、OGG、AACなどの主要音声形式、およびMP4、MOV、WebMなどの動画形式。
- 容量制限： アカウント登録ユーザーは1ファイルあたり最大3GB（ゲスト利用時は1.5GB）、マルチトラック全体で最大8GBまで対応。
- マルチトラック同期（Multitrack）： 複数人の対談番組など、話者ごとにマイクを分けた録音では、最大5トラックを同時にアップロード可能です。Cleanvoice は全トラックの位相と時間を同期させながら処理を行うため、ホスト側のフィラーを除去した際にゲスト側のタイムラインがズレる事故を防ぎます。
ステップ2：検出・処理パラメータの設定
番組のトーンや用途に合わせて、適用するモジュールを選択します。
| 設定項目 | 機能概要 | おすすめの活用シーン |
|---|---|---|
| Filler Words（口癖・フィラー除去） | 20以上の言語で「um」「uh」「er」などのつなぎ言葉を自動カット | 一人語りポッドキャスト、解説動画、長尺インタビューの整音 |
| Mouth Sounds（リップノイズ除去） | 唇のペチャ音、唾液のクリック音、舌打ちノイズを除去 | オーディオブック朗読、声優・ナレーション収録、近接マイク録音 |
| Stutters（どもり除去） | 言葉の出だしの詰まり、音節の無意識な反復を滑らかに補正 | 台本なしのフリートーク、インタビュー取材、対談番組 |
| Breath Removal（ブレス除去） | 息継ぎ音や過度な吸気ノイズを低減または除去 | natural または legacy モードを推奨（不自然な無音化を防止） |
| Dead Air（無音区間の短縮） | 発言間の長すぎる気まずい沈黙を自動短縮 | 会話のテンポ改善に有効。不自然に詰まりすぎないよう閾値を調整 |
| Preserve Length（長さ維持 / ミュートモード） | 時間を短縮せず、フィラー部分を環境音で無音化 | 動画ポッドキャスト（ジャンプカット防止）、DAW映像同期用 |
ステップ3：処理の実行とA/B試聴プレビュー
処理を開始すると、60分のエピソードでも通常5〜10分程度で解析と編集が完了します。ダッシュボード上には、検出されたフィラー数、リップノイズ数、どもり補正箇所、短縮された沈黙時間の詳細なレポートが表示されます。
内蔵のWebプレイヤーで「処理前」「処理後」をワンクリックで切り替えるA/B比較試聴を行い、仕上がりを確認してから書き出しを行えます。
3. 2つの出力モード：即時レンダリング vs DAWタイムライン連携
Cleanvoice がプロの音声エンジニアに支持されている大きな理由は、AIによる「ブラックボックス書き出し」を強制しない点にあります。制作パイプラインに応じて2つの出力方式を選択できます。
モードA：完成ファイルの直接ダウンロード（スピード重視の配信）
日刊ポッドキャスト、YouTube投稿、社内ウェビナーなど、迅速な公開が求められる現場に最適です。
- 出力フォーマット： 高品位なWAV、FLAC、320kbps MP3、AAC、Opusから選択可能。
- トータルエンハンス機能： ノイズ除去（Noise v2）やポッドキャスト標準のラウドネス正規化（Normalize v2 / -16 LUFS基準）を同時に適用でき、配信準備の整ったマスター音源を一発で出力できます。
- 動画同期の保持： MP4やMOVの処理時に
Preserve Lengthを有効にすると、フィラー音が環境ノイズでミュート処理されるため、話者の口元や動きが不自然に飛ぶジャンプカットを発生させずに音声をクリーン化できます。
モードB：タイムラインおよびマーカーの書き出し（完全な制御を保つDAW連携）
物語性の高いポッドキャストや商業ナレーションなど、すべてのカット箇所を人間の耳で最終確認したいプロ向けのワークフローです。
- Adobe Audition / Premiere Pro： カットポイントが反映されたXMLタイムライン、またはシーケンスマーカーとして書き出し。
- DaVinci Resolve： 映像タイムラインとフレーム単位で一致するEDL（Edit Decision List）形式で出力。
- REAPER： 各フィラーの切除箇所にクロスフェードが適用されたREAPERプロジェクトファイルを生成。
- Audacity： 検出されたノイズやフィラーの位置を示すラベルトラックを出力。
このハイブリッド手法により、AIが800箇所以上の微細ノイズを数秒でマーキングし、エンジニアは感情のこもった重要な間（ま）を復元したりフェード長を微調整したりする最終判断に専念できます。
4. 他の編集ソリューションとの比較
| 項目 | Cleanvoice AI | 従来のリペアプラグイン（iZotope RX等） | テキストベース編集（Descript等） |
|---|---|---|---|
| 検出エンジン | 音響波形特化型AI | スペクトル閾値・信号処理アルゴリズム | 音声認識（ASR）によるテキスト一致 |
| 多言語フィラー対応 | 20言語以上をネイティブ解析 | 非対応（手動で選択してカット） | 認識辞書に依存。多言語や方言で取りこぼし多発 |
| リップノイズ・唾液音 | トラック全体を数分で自動除去 | 非常に優秀だがトラックごとの調整が必須 | 非対応（テキストに現れない物理音のため） |
| どもり・音節反復 | 反復パターンを検出し自動補正 | 波形を手動で拡大しクロスフェード処理 | 誤って通常単語の重複として文字起こしされがち |
| DAWタイムライン連携 | Audition、Resolve、REAPER、Audacityへ直接出力 | DAW内のインサートプラグインとして動作 | 独自形式のエクスポートが必要 |
| マルチトラック同期 | 最大5トラックの位相・タイミングを完全維持 | 各トラック個別またはグループ手動編集 | 基本的なテキストベースのトラック整列 |
5. 自然な仕上がりを実現するための実践的なヒント
クリーンでありながら人間味のある仕上がりを得るために、以下のポイントに留意してください。
- 「過剰なクリーンアップ」を避ける： すべてのブレスや短い思索の沈黙を消し去ると、機械が早口で喋っているような息苦しい印象を与えます。ブレス除去は
naturalやlegacyモードを選択し、適度な人間味を残すのが自然に聴かせるコツです。 - 映像連携や外部ミックスでは「長さを維持」を選択： 動画の音声トラックやBGMとミックスするプロジェクトでは、必ず
Preserve Length（APIパラメーターのmuted: true）をオンにしてください。時間を詰めずにミュート処理することで、映像や他トラックとのズレを防げます。 - 収録時のフィジカルケア： Cleanvoice のリップノイズ除去は極めて強力ですが、極端な口内の渇きやマイクへの過度な接近があると、子音の輪郭に僅かな影響を及ぼす場合があります。常温の水をこまめに補給し、ポップガードを挟んで10〜15cmの距離を保つことで、AI処理の効果を最大化できます。
- 7日間のデータ保持期間に注意： アップロードした元データおよび処理後のファイルは、サーバー上に7日間保持された後、自動的に完全削除されます。再書き出しやタイムラインの取得が必要な場合は1週間以内に行ってください。
6. 料金体系とプラン選びの目安
Cleanvoice は処理する音声の時間に応じたクレジット課金制を採用しており、個人から制作スタジオまで柔軟に利用できます。
- 無料トライアル： クレジットカード不要で、登録直後に30分間の無料処理クレジットが付与されます。
- 都度購入クレジット（有効期限2年間）：
- 5時間パック：11ドル（1時間あたり約2.20ドル）
- 10時間パック：20ドル（1時間あたり約2.00ドル）
- 30時間パック：45ドル（1時間あたり約1.50ドル）
- 大口向けに最大200時間パック（180ユーロ）まで用意。
- 月額サブスクリプション（未使用分の繰越可能）：
- 月額10ユーロから利用可能。
- 定番の30時間プランは月額28ドル。
- 当月使い切れなかったクレジットは翌月以降に自動繰り越しされ、月間付与枠の最大3倍までストック可能です。
- 開発者向けREST APIとSDK： 公式のPython SDK（
cleanvoice-sdk）およびJavaScript/TypeScript SDK（@cleanvoice/cleanvoice-sdk）が提供されており、n8nやMake.comなどの自動化フローや自社メディア基盤への組み込みが容易です。
Cleanvoice は、時間のかかる手作業の波形編集と、柔軟性に欠けるテキスト編集の隙間を見事に埋めるソリューションです。音響波形レベルの高度な処理により、退屈なノイズ処理作業から解放され、クリエイターは本来注力すべき企画やトークの質に集中できるようになります。
参考文献
- Cleanvoice AI | Edit Audio & Video Podcast in 10 Mins, in Clicks
- Cleanvoice AI Marketing & Feature Overview (llms.txt)
- AI Filler Word Remover: Cut the Ums & Uhs | Cleanvoice AI
- Mouth Noise Remover: Clicks & Lip Smacks | Cleanvoice AI
- Stutter Remover — Fluent Audio with AI | Cleanvoice AI
- Cleanvoice AI API & Developer Documentation (llms.txt)
- Pricing — Start Free, Plans from €10/month | Cleanvoice AI