Pythonを用いた発話分割【AIボイスチェンジャーの学習で役立つ】

「RVCやso-vits-svcの学習素材として音声を分割したい」
「朗読や演説などを機械学習の学習素材として用いたい」

このような場合には、この記事の内容が参考になります。
この記事では、Pythonを用いた発話分割について解説しています。

本記事の内容

発話分割とは？
発話分割のためのシステム要件
Pythonによる発話分割

それでは、上記に沿って解説していきます。

発話分割とは？

発話分割とは、音声を発話単位に分割することを意味します。
まあ、そのまんまですね。

発話分割は、音声データを扱う際に重要なプロセスとなります。
発話分割を行う利点には、以下があります。

音声認識の精度向上
音声対話システムの応答性向上
音声分析の正確性向上
音声データの編集や整理の効率化
トランスクリプションの正確性向上

迅速で正確な音声データの解析・処理には、発話分割が欠かせないということです。
そんな発話分割を行うには、次のようなアプリを利用するのもありでしょう。

Audiobook Cutter（デスクトップアプリケーション）
Audacity（オープンソースの音声編集ソフトウェア）

しかし、個人的にはPythonで行いたいです。
そちらの方が拡張性がありますからね。

あとは、Pythonは自動化なども簡単に対応できます。
そのため、この記事ではPythonを用いた発話分割を説明します。

以上、発話分割について説明しました。
次は、発話分割のためのシステム要件を説明します。

発話分割のためのシステム要件

まずは、Pythonが何よりも必要となります。
以下は、Python公式開発サイクルになります。

バージョン	リリース日	サポート期限
3.7	2018年6月27日	2023年6月27日
3.8	2019年10月14日	2024年10月
3.9	2020年10月5日	2025年10月
3.10	2021年10月4日	2026年10月
3.11	2022年10月25日	2027年10月

Python 3.7については、サポート対象外とするライブラリが増えてきました。
したがって、Python 3.8以降を利用するようにしましょう。

そして、発話分割に必要となるのは次のライブラリです。

Pydub
librosa

これらのインストールが必要です。
それぞれのインストール方法は、以下で解説しています。

バージョンは、現時点での最新版をインストールしましょう。

以上、発話分割のためのシステム要件を説明しました。
次は、Pythonによる発話分割を説明します。

Pythonによる発話分割

システム要件が整っていれば、次のコードを実行するだけです。
もちろん、音声ファイル（input/test.wav）と出力先のディレクトリ（output）は用意しましょう。

import librosa
from pydub import AudioSegment
from pydub.silence import split_on_silence

# 音声ファイルを読み込む
file_path = 'input/test.wav'
audio, sr = librosa.load(file_path, sr=None)

# 音声ファイルの長さを取得
duration = librosa.get_duration(y=audio, sr=sr)

# pydub用にAudioSegmentオブジェクトに変換
audio_segment = AudioSegment.from_wav(file_path)

# 音声ファイルを発話単位に分割
chunks = split_on_silence(
    audio_segment,
    min_silence_len=500,  # 無音の最小長さ（ミリ秒）
    silence_thresh=-40    # 無音と判断する音量閾値（dBFS）
)

# 分割した発話を個別のファイルに保存
for i, chunk in enumerate(chunks):
    chunk.export(f"output/speech_{i}.wav", format="wav")

処理が完了すると、出力先のディレクトリには連番でファイルが保存されています。