ポッドキャストや音声コンテンツのポストプロダクションにおいて、マルチトラック録音の手動ラフカットは最も時間と集中力を消耗する工程です。2名以上の出演者が別々のマイクで収録した場合、「えー」「あのー」といったフィラー（つなぎ言葉）の検出、唾液によるリップノイズの切り取り、そして気まずいデッドエア（過度な沈黙）の短縮には、番組の再生時間の3〜4倍もの作業時間がかかるのが通例です。さらに厄介なことに、従来のリップル編集で特定のトラックだけフィラーをカットすると、他の話者のトラックと同期がズレてしまい、対話のタイミングが完全に崩れてしまいます。
Cleanvoice AI は、この同期ズレの問題を起こさずにマルチトラック音声の自動整音を実現するツールです。最大5トラックの音声を同時に解析し、話者間の会話文脈を考慮しながら、フィラー、リップノイズ、デッドエアを一括検出・カットします。編集者は処理済み音声をそのまま書き出すだけでなく、AIのカット判定をタイムラインやマーカーとして出力し、Adobe Audition、REAPER、DaVinci Resolve、Audacity などのDAW（デジタル・オーディオ・ワークステーション）上で非破壊的に微調整することが可能です。
なぜ従来の自動化ツールではマルチトラック編集が破綻するのか
単一トラック用の音声処理ツールをそのままマルチトラック対話に適用すると、以下のような問題が発生します。
- タイムラインの同期ドリフト： ホストが「えーと」と600ミリ秒発声した際、ホストのトラックだけでその600ミリ秒を詰めると、それ以降のすべての発言が600ミリ秒前倒しになります。その結果、ゲストの相槌や笑い声のタイミングがズレて重なってしまいます。
- カブリ（ブリード）とアンビエンスの不連続： 指向性マイクを使用していても、隣のマイクに相手の声が微小に入り込みます。単純なノイズゲートで急激に音声をミュートすると、部屋の空気感（アンビエントノイズ）が途切れ、不自然な違和感が生じます。
- dB閾値による画一的カットの限界： DAWに標準搭載されている無音短縮機能（AudacityのTruncate Silenceなど）は、一定の音量以下を一律でカットします。思考のための沈黙なのか、文脈上の自然なタメなのかを判別できず、機械的でせわしない会話になってしまいます。
Cleanvoice は、トラック間の連動処理と文脈認識アルゴリズムによって、全体のタイムラインを維持しながらノイズのみを的確に処置します。
Cleanvoice の3大クリーンアップ機能
Cleanvoice は音声内の不要要素を声学的に分類し、それぞれに最適な処理を施します。
1. 多言語フィラーの自動認識とアンビエント補完
英語の「um」「uh」をはじめ、ドイツ語、フランス語など20以上の言語や、オーストラリア英語、アイルランド英語などの地域訛りに対応したフィラー検出が可能です。単に音声を切り落とすのではなく、AIが周囲の部屋鳴り（ルームトーン）を自動生成して隙間を埋めるため、カットの継ぎ目が極めて自然に仕上がります。
2. リップノイズ・クリック音の除去（Mouth Sounds）
感度の高いコンデンサーマイクを口元に近づけると、唇が開くときのペチャッとした音や唾液のクリック音が強調されます。従来のDe-Clickプラグインはパラメータ調整が難しく、設定を誤ると子音のアタック感を損なうリスクがありました。Cleanvoice のリップノイズ除去は、音声の尺（時間長）を一切変えずにクリック音のみを修復するため、マルチトラックの同期関係が完全に保たれます。
3. 文脈を考慮したデッドエアの短縮（Dead Air Remover）
Cleanvoice は音量レベルだけでなく、発話の前後の文脈を解析します。言葉に詰まった余分な沈黙はスマートに短縮し、話題の転換や感情の余韻に必要な自然な間合いは適切に残します。全員が黙っている場面をカットする際は全トラックを完全に連動して切り詰めるため、トラック間の時間差は発生しません。
ポッドキャスト編集者の実践ワークフロー
Cleanvoice をプロの制作パイプラインに組み込む手順は以下の通りです。
ステップ 1：タイムコードの揃った生トラックを出力
オンライン録音ツール（Riverside、SquadCast、Zoom）やレコーディング機器から、話者ごとの個別ステム（1話者1トラック）を書き出します。すべてのトラックの開始時間コード（00:00:00）が完全に揃っていることを確認してください。WAV、MP3、M4A、FLAC、OGG、AAC などのフォーマットに対応しています（アカウント作成時、1ファイル最大3GB、マルチトラック合計最大8GBまで対応）。
ステップ 2：Cleanvoice にマルチトラックをアップロード
Cleanvoice のWebダッシュボード（または自動化用の REST API / Python SDK）を開き、最大5つのトラックをマルチトラック編集エリアにドラッグ＆ドロップします。
ステップ 3：検出パラメータと同期の設定
番組の要件に合わせて、以下のクリーンアップ項目を設定します。
- Sync Multitrack Edits（マルチトラック同期編集）： すべてのカットを全トラックで連動させ、同期を維持します。
- Filler Words（フィラー除去）： 不要な口癖や発声の停滞を検出してカットします。
- Mouth Sounds（リップノイズ除去）： 唾液のパチパチ音や唇の開閉ノイズを修復します。
- Deadair Remover（デッドエア短縮）： 長すぎる沈黙を短縮し、会話のテンポを最適化します。
- Stutters & Breaths（吃音・過度な呼吸音の除去、任意）： 言葉の言い淀みや粗い吸気音を取り除きます。
- Studio Sound & Noise Removal（音声補正・ノイズ低減、任意）： 周波数バランスの調整や定常ノイズの除去を行います。
ステップ 4：エクスポート形式の選択
制作の目的に応じて、以下の2通りの出力形式を選択できます。
- パターン A：処理済み音声のダウンロード。 即座に納品したい場合に適しています。ノイズ処理済みの個別ステム、またはミックス済みのステレオマスターを出力します。
- パターン B：タイムライン／マーカーのエクスポート（プロ向け推奨）。 音声を恒久的に書き換えるのではなく、Adobe Audition、Adobe Premiere Pro、DaVinci Resolve、REAPER、Audacity、または汎用の .EDL（Edit Decision List）形式でカット位置とマーカーを出力します。
ステップ 5：DAW 上での最終確認とミキシング
Cleanvoice から出力したタイムラインまたはマーカーをDAWに読み込み、元の高品質な生音声と照合します。
- マーカーで示されたAIカット位置を確認し、不自然に詰まりすぎた箇所がないかチェックします。
- もし残しておきたい言葉が削られていた場合、DAW上で音声クリップの端をドラッグして伸ばすだけで、非破壊的に音声を復元できます。
- ラフカットの確定後、BGMの配置、バスコンプレッション、ラウドネスノーマライゼーション等の最終ミックスを仕上げます。
ツール比較：Cleanvoice と従来の音声編集手法
| 比較項目 | Cleanvoice AI | 従来のDAW手動リップル編集 | 専用リップノイズ除去プラグイン（iZotope RXなど） | 音量閾値による無音短縮（Audacityなど） |
|---|---|---|---|---|
| マルチトラック同期 | 最大5トラックまで完全自動同期 | 手動でグループ化して切断；ミスが起きやすい | トラックごとにインサート；尺は変化しない | マルチトラック非対応；トラックごとに尺がズレる |
| フィラー認識 | 20以上の言語・訛りに文脈AIで対応 | 人手による試聴と目視判断のみ | 非対応（物理的なノイズのみが対象） | 非対応（音声認識機能なし） |
| リップノイズ処理 | ファイル全体を数分で自動修復 | スペクトログラム上で1箇所ずつ手動修正 | 高精度だが録音ごとのパラメータ追い込みが必要 | 非対応 |
| 無音処理の自然さ | 文脈を考慮し自然な間を残して同期短縮 | 編集者の感覚頼みで手動切り詰め | 非対応 | 閾値以下を一律切断；ブツ切り感が出やすい |
| DAW連携の柔軟性 | EDL、Audition、REAPER、Resolve タイムライン出力 | DAW内で完結するが作業負荷が極大 | DAW内でプラグインとして動作 | 波形メニューからの破壊的処理 |
注意すべき限界とコストの目安
実務で Cleanvoice を運用する際は、以下の点に留意してください。
- 発言の被り（クロストーク）： 複数人が同時に大声で笑ったり話したりしている箇所では、相手の声に重なったフィラーをAIが綺麗に分離できない場合があります。マーカーを手がかりに被り箇所を手動で確認することが推奨されます。
- ビデオポッドキャストのジャンプカット： 映像付きのポッドキャストで無音時間を切り詰めると、映像にジャンプカット（不自然なコマ飛び）が生じます。Cleanvoice の「Preserve Length（長さを保持）」機能を有効にすると、時間を詰めずに該当部分のみをミュートするため、映像とのズレを防げます。
- 収録時のマイク距離と水分補給： AIによるリップノイズ除去はあくまで保険です。収録前に出演者が水を飲み、マイクから10〜15cm程度の適切な距離を保つことで、元音源のクオリティを底上げできます。
- 料金体系とデータ保持期間： 処理した音声の時間単位で課金されます。クレジットカード不要で30分間の無料トライアルが利用可能です。月額サブスクリプションは月10時間分で10ユーロ／11ドルから（余った時間はプラン上限の3倍まで繰り越し可能）、都度購入（Pay as You Go）は5時間で11ドル、10時間で20ドルから（有効期限2年）設定されています。サーバー上のファイルは処理後7日間保持され、その後完全に削除されます。
マルチトラック録音のフィラー、リップノイズ、無音箇所の検出といった反復的な粗編集を Cleanvoice に委託することで、音声クリエイターは過酷な単純作業から解放され、本来のトークの構成や表現力の向上に時間を集中させることができます。
参考文献
- Cleanvoice AI | Edit Audio & Video Podcast in 10 Mins, in Clicks | AI Podcast Editor
- AI Filler Word Remover: Cut the Ums & Uhs | Cleanvoice AI
- Mouth Noise Remover: Clicks & Lip Smacks | Cleanvoice AI
- AI Silence Remover for Audio & Video | Cleanvoice AI
- Integrations — Connect Your Audio Workflow | Cleanvoice AI
- Pricing — Start Free, Plans from €10/month | Cleanvoice AI