複数人の対談やインタビュー形式のポッドキャスト制作において、音声のクリーンアップは最も時間と労力を要する工程です。RiversideやSquadCast、Zoomなどのリモート収録ツールや、スタジオで複数本のマイクを用いて個別トラック（マルチトラック）に収録した場合でも、ホストやゲストの音声には無意識のリップノイズ（口内音・ペチャ音）、荒い呼吸音、「えーと」「あのー」「you know」といった言い淀み（フィラー単語）、そして不自然な沈黙（デッドエア）が混入します。
これらを手作業でDAW（デジタル・オーディオ・ワークステーション）上で1つずつ波形編集していては、1時間の番組に3〜4時間以上の編集時間が奪われてしまいます。さらに厄介なのが、各トラックを個別に短絡的に自動カットした場合の「タイムラインのズレ」です。トラック1の無音やフィラーを1.2秒カットした際、トラック2がそのまま残っていれば、会話の相槌や発言のタイミングが致命的にズレてしまいます。
Cleanvoiceは、このマルチトラック特有の課題を解決するAI音声編集プラットフォームです。複数話者のトラック間でタイムライン同期（Multitrack Synchronization）を維持しながら、フィラー、リップノイズ、デッドエアを一括検出・除去します。スピード重視のレンダリング済み音声出力だけでなく、Audacity、Adobe Audition、Adobe Premiere Pro、DaVinci Resolve、Reaperへマーカー（Markers）やEDLタイムラインを書き出し、DAW側で非破壊的に細部を追い込むプロ向けワークフローにも対応しています。
マルチトラック編集の難所：なぜ従来の自動化ツールでは破綻するのか？
複数人インタビューの音声を整音する際、単純なノイズゲートや単一トラック単位の自動編集機能を使うと以下のトラブルが発生します：
- タイムラインのズレと会話の衝突：インタビューは双方向のやり取りです。ゲストが思考のために数秒沈黙している間、ホストは小さく相槌を打っています。ゲスト側の無音3秒間を単純に削除してしまうと、ゲストの次の言葉が3秒前倒しになり、ホストの声と重なって会話が崩壊します。
- 「デジタル無音」による不自然な途切れ：現実の録音空間には必ず暗騒音（ルームトーン）が存在します。フィラーや不要音を完全に音量ゼロ（-inf dB）にミュートすると、背景の環境音が不自然に途切れ、ロボットのような違和感が生じます。
- マイクのかぶり音（ブリード）の誤認識：同一空間で複数のダイナミックマイクを使用した場合や感度の高いコンデンサーマイクでは、隣の話者の声が微小に回り込みます。精度の低いアルゴリズムは、このかぶり音をノイズやリップ音と誤認して必要な声の語尾を削ってしまう危険があります。
Cleanvoiceは、フィラー、リップノイズ、吃音、無音のそれぞれに特化したディープラーニングモデルを搭載し、トラック間の連携を保ちながらルームトーンの自動補填（Room Noise Insertion）を行うため、自然な会話の質感を維持できます。
Cleanvoiceの主要検出エンジン
Cleanvoiceには、目的に応じて有効化できる独立したAIモジュールが備わっています：
| 機能モジュール | 対象となる音声ノイズ・不要要素 | 処理の特徴と音質維持の工夫 |
|---|---|---|
| Filler Words Remover（フィラー単語除去） | 「Um」「uh」「ah」「you know」「like」など20言語以上の言い淀み | 音素の境界を高精度に特定してフィラーのみを切除；前後のルームトーンを自然にクロスフェードさせて繋ぎます。 |
| Mouth Sound & Breath Remover（口内音・呼吸音除去） | 唾液のペチャ音、唇の破裂音、舌打ち、重い息継ぎ | 高域の微小なトランジェントノイズを検知して平滑化；声の抜けや自然な子音（サ行など）を損ないません。 |
| Silence / Dead Air Remover（無音・デッドエア短縮） | 思考中の長すぎる沈黙、言葉に詰まった間 | 自然な会話の間と、不要なデッドエアを識別；完全に削除するのではなく、指定した自然な秒数に短縮します。 |
| Stutter Remover（吃音・言い直し除去） | 単語や音節の重複、言葉のつっかえ | 繰り返された音素を検出し、重複部分のみをカットして本来発話したかった言葉をスムーズに残します。 |
| Audio Enhancer & Studio Sound（スタジオ音質化） | 部屋の反響、電源ハムノイズ、空調音、音量のばらつき | 背景ノイズを抑え、複数トラック間の音量バランスを整えて放送基準の聞きやすいサウンドに整音します。 |
実践手順：マルチトラック対談のクリーンアップ手順
プロのポッドキャスト制作者がCleanvoiceを実制作フローに組み込む際の4ステップです。
ステップ1：事前準備とトラックの頭出し
Cleanvoiceにファイルをアップロードする前に、すべてのトラックの開始タイムコードを完全に一致させておく必要があります：
- 収録ツール（Riverside等）またはDAW上で、全話者のトラックの頭を
00:00:00:00に揃えます。 - 各トラックを非圧縮WAV（または高ビットレートMP3/M4A）として個別に書き出します（例：
Host_Track.wav、Guest_Track.wav）。 - 注意点：アップロード前に過度なコンプレッサーやノイズゲートを適用しないでください。未加工のナチュラルなトランジェントを残すことで、AIの検出精度が最大化されます。
ステップ2：アップロードとマルチトラック設定
- Cleanvoiceのダッシュボードにログインし、新規プロジェクトを作成します。
- 頭出しを揃えた全トラックを同時にドラッグ＆ドロップします（ローカルファイル、Google Drive、Dropbox、URL経由に対応）。
- Multitrack Mode（マルチトラック処理）を有効化：システムが同一セッションの複数ファイルとして認識します。
- 処理モジュールの選択：
- Filler Words Removerを有効化し、言語を指定します。
- Mouth Sounds RemoverおよびBreath Removerにチェックを入れます。
- Silence / Dead Airの短縮閾値を設定します（一般的な対談では1.2〜1.8秒程度が推奨されます）。
- ルームトーン挿入（Room Noise）オプションを有効にし、カット箇所に無音の断絶が生じないようにします。
ステップ3：納品形式の選択：自動レンダリング音声か、DAW連携タイムラインか
プロジェクトの締め切りやクオリティ要件に応じて、Cleanvoiceでは2つの出力方式を選択できます。
パスA：整音済み音声ファイルの書き出し（スピード重視）
デイリー配信、短納期案件、社内向けコンテンツなどに最適：
- 処理完了後、同期を維持した個別の整音済みトラック（Cleaned Stems）、または**ミックス済みの単一オーディオ（Merged Track）**をダウンロードします。
- 各トラック間の時間的な同期はAI側で完全に保持されます。
- DAWに読み込み、全体のラウドネス調整（ポッドキャスト標準の -16 LUFSなど）とBGM・ジングルを合わせて最終書き出しを行います。
パスB：マーカー・タイムラインの書き出し（非破壊・プロDAW連携）
長編ドキュメンタリー、大手ブランド案件、細部まで自分の耳で確認したいエンジニアに最適：
- Markers（マーカー）書き出し（整音済み音声と併用）：Audacity、Adobe Audition、Adobe Premiere Pro、DaVinci Resolve、Reaper用のマーカーファイル、または標準的な .EDL ファイルを生成します。DAW上で整音済み音声とマーカーを同時に読み込むことで、AIがカットしたポイントにジャンプし、クロスフェードの繋がりや語尾の自然さを素早く検聴・修正できます。
- Timestamps / Timeline（タイムスタンプ）書き出し（未加工の元音声と併用）：元の音声波形には一切手を加えず、AIが推奨するカット候補（フィラー、吃音、リップノイズ）のタイムスタンプのみを出力します。DAW上で編集者が内容を目視確認しながら手動でリップル削除や微調整を行えるため、100%コントロールを保持できます。
制作上の補足：タイムスタンプ機能は主にフィラー単語、吃音、リップノイズの検出箇所をピンポイントで示します。長すぎる無音（デッドエア）の短縮は、自動カット機能またはタイムライン全体書き出しで行うのが適しています。
ステップ4：DAWでの最終チェックとマスタリング
DAWへファイルを戻した後の仕上げ：
- 発話重複箇所の検聴（クロストーク）：ホストとゲストが同時に笑ったり喋ったりしている箇所で、背景音の不自然な変化がないか確認します。
- クロスフェードの微調整：カットされた語尾が不自然に急激な場合、DAW上でリージョンの端を10〜20ミリ秒伸ばして等電力クロスフェード（Equal Power）をかけます。
- マスタリング：ディエッサー（De-Esser）、バスコンプレッサー、リミッターを適用し、規程のラウドネス値でマスター音声を書き出します。
2つのワークフローの比較
| 項目 | 音声直接書き出し（パスA） | タイムライン / マーカー書き出し（パスB） |
|---|---|---|
| 出力ファイル | 整音済みWAV/MP3（個別または統合） | EDLファイル、DAW用マーカーファイル、ラベル |
| 波形への影響 | 破壊的AIレンダリング（ルームトーン補填あり） | 非破壊的（オリジナル波形は完全無加工） |
| 微調整の自由度 | 画面上の感度設定に依存 | DAW上でサンプル単位の手動微調整が可能 |
| 最適なユースケース | 即日納品、個人クリエイター、高頻度配信 | 商業ポッドキャスト、音響エンジニア、クライアント案件 |
| 対応編集環境 | すべてのDAW・再生ソフトウェア | Audacity、Adobe Audition、Premiere Pro、DaVinci Resolve、Reaper、EDL対応ツール |
| 所要時間の目安 | 処理時間5〜10分で即完了 | AI処理5分＋検聴・確認に15〜30分 |
Cleanvoiceの料金体系とマルチトラック利用時の注意点
Cleanvoiceは「処理した音声の総時間」に基づいて課金されます。マルチトラック収録の場合、アップロードした全トラックの合計時間が消費枠として計算される点に留意してください。例えば、ホストとゲストの2トラックで構成される1時間のインタビューは、合計で2時間分の処理枠を消費します。
1. 月額サブスクリプションプラン（未使用枠の繰越対応）
- Starterプラン：月額11ドル（約10ユーロ）／月間10時間（1時間あたり約1.10ドル）。
- Standardプラン：月額28ドル（約25ユーロ）／月間30時間（1時間あたり約0.93ドル）。
- Proプラン：月額90ドル（約80ユーロ）／月間100時間（1時間あたり約0.90ドル）。
- Custom / エンタープライズ：月間200時間以上の大容量利用、カスタムAPI、優先サポートに対応。
- クレジット繰越：当月使わなかった時間は翌月以降に自動繰越可能（契約プラン上限の最大3倍まで保持可能）。
2. 都度購入クレジット（Pay-As-You-Go、有効期限2年）
不定期に制作を行うフリーランスや、シーズンごとの収録を行うチーム向け：
- 5時間パック：11ドル（1時間あたり2.20ドル）。
- 10時間パック：20ドル（1時間あたり2.00ドル）。
- 30時間パック：45ドル（1時間あたり1.50ドル）。
- 有効期限：購入から2年間有効。
3. 無料トライアルとデータ保持期間
- 無料トライアル：登録時にクレジットカード登録不要で30分間の無料処理枠が付与されます。
- データ保持期間：アップロードされた元データおよび生成された編集済みデータは、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。処理完了後は速やかにローカルへダウンロードしてください。
プロ現場でのベストプラクティス
- 冒頭と末尾にルームトーンを残す：発言の直前でカットした音声を送らないでください。本編前後に3〜5秒の純粋な室内環境音を残しておくことで、Cleanvoiceのルームトーン合成アルゴリズムが正確なノイズプロファイルを学習できます。
- 「クリーンにしすぎ」を防ぐ：自然な会話には適度な息遣いや沈黙が不可欠です。無音検出の閾値を極端に短くしたり、すべてのブレスを排除したりすると不自然になります。沈黙の閾値は1.2〜2.0秒の範囲に設定するのが最も自然です。
- 重要案件ではマーカー運用を徹底する：クライアントワークではパスB（マーカー連携）の利用を推奨します。AIにフィラーやリップノイズの「捜索」という単純作業を担当させ、最終的なカット判断と仕上げをエンジニアが担うことで、作業時間を7割以上削減しながら最高品質を保証できます。
参考文献
- Cleanvoice AI | Edit Audio & Video Podcast in 10 Mins, in Clicks | AI Podcast Editor
- All Features — AI Podcast & Audio Editing | Cleanvoice AI
- Pricing — Start Free, Plans from €10/month | Cleanvoice AI
- Integrations — Connect Your Audio Workflow | Cleanvoice AI
- AI Filler Word Remover: Cut the Ums & Uhs | Cleanvoice AI
- AI Silence Remover for Audio & Video | Cleanvoice AI
- Mouth Noise Remover: Clicks & Lip Smacks | Cleanvoice AI