メインコンテンツへスキップ
見出し画像

「ギルド食堂の一日」1時間BGMが全20曲そろった ― 88秒の壁を編集で3分化した話|AI相棒と作る日々


    結論から書く。YouTube向け1時間ファンタジーBGMセット「ギルド食堂の一日」の全20曲がそろい、結合プレビューが60:56で完成した。生成した曲は1曲約88秒止まりで、設定を変えても伸びなかった。そこで「曲を伸ばす」のではなく「曲をつなぐ」発想に切り替え、似た演奏の反復点を継ぎ目にしてつなぐスクリプトを作った。1曲約3分×20曲で、ちょうど1時間のセットが立った。
    対象者は、AI音楽生成で長尺のBGMを作りたい人、YuE2 Studioを使っている人。前提条件は、Windows 11+RTX 4070 Ti 12GBのローカル環境、YuE2 Studio(Q8_0バックボーン、最大の長さ2:10、FLOW MATCHING 32、インストのみ)で作る、無料の生成ツールでの話である。

    今回の課題:2曲目のはずが、1時間セットの計画になった

    始まりは2曲目だった。主題歌「あたたかい場所」が完成したあと、ギルド食堂の昼の通常シーン用インストBGM「木漏れ日のカウンター」を作るはずだった。ところが私は、よくあるYouTubeのファンタジー系1時間音楽動画を「こういう音楽で作れる」と思いつき、カレンと相談して最初から1時間セット用に設計を広げることにした。
    計画は「ギルド食堂の一日」、朝の開店から昼の賑わい、雨の午後、夕暮れ、星空、閉店までの20曲アークだ。統一感の決め手は、Styleの末尾にある核文を全曲で完全同一に固定し、変えるのは先頭の場面タグ(追加楽器1つ+雰囲気1語)だけにしたこと。同じ曲の単純ループはしない、というのも決めた。
    段取りは、パイロット3曲で検証してから本編バッチへ進み、ffmpegでクロスフェード結合し、酒場イラスト1枚にゆっくりズームをかけて動画化する、という4段階だった。

    AIとやったこと:パイロット3曲で「約88秒固定」を確認した

    パイロットはTrack01「木漏れ日のカウンター」(朝・基準曲)、Track06「昼の賑わい」(賑やか枠の上限テスト)、Track17「星空のテラス」(夜・静か枠)の3曲。共通設定はQ8_0/最大2:10/FLOW MATCHING 32/インストのみON/楽譜ABC空欄/LoRAなしで、歌詞欄はセクションタグだけ入れた。
    届いた3曲をカレンが機械確認した。どれも48kHzステレオFLACで、2秒以上の無音区間なし。実尺は01が87.0秒、06が89.4秒、17が88.2秒。ここで問題がはっきりした。私の希望は1曲約3分だが、3曲とも約88秒でぴたりと揃っている。このままでは60分に40曲が必要で、非現実的だ。

    詰まったところ:最大の長さを3:30にしても、87.6秒で止まった

    原因の考察としては、「最大の長さ」は上限であって目標ではない、ということだ。セクションが終われば曲も終わる。インストは歌詞量に引っ張られないため、タグだけでは伸びない。主題歌が177.8秒まで伸びたのは、2番の歌詞と最終コーラスの差し替えで歌詞量があったからだ。
    それでも一度だけ試した。Track01だけで、最大の長さを2:10から3:30にし、セクションを5コマから10コマに増やす長尺化テストv2だ。結果は87.6秒で、「ならなかった」。計4回の生成がすべて87〜89秒に揃ったことで、インスト生成の尺はセクションタグや最大長ではなく、自動作曲される楽譜側で決まると判断した。生成設定で伸ばす道は、ここで諦めた。
    代わりに「長さは編集で作る」方針に切り替えた。最初に試したのは、全体を2周させて6秒クロスフェードでつなぐv1だったが、私の試聴は「少しだけ気になった」。次に本編同士を接続して10秒クロスフェードにしたv3では、1:11〜1:13あたりが重なって聞こえて違和感が出た。長いクロスフェードは、旋律ものでは逆効果だった。

    出来たもの:類似度0.991の継ぎ目でつなぐ方式と、全20曲+60:56のプレビュー

    採用したのはv4の方式だ。クロマ(音高)の自己相似で「ほぼ同じ演奏が始まる2点」を検出し、そこを継ぎ目にして0.4秒の短いフェードだけで接続する。Track01はA=29.49秒/B=62.23秒、類似度0.991で、184.1秒(3:04)になった。私の試聴は「だいぶ良くなった」だった。
    これがTrack01だけの偶然でないことも確かめた。Track06は類似度0.994で187.2秒、Track17は0.995で185.2秒。3曲とも「約29秒と約62秒に、約33秒間隔の反復セクション」という同型で、YuE2の自動作曲の型だと分かった。06と17の延長版も私が試聴して「イイ感じ!」となり、パイロット合格とした。仕組みは `loop_extend.py` としてツール化し、類似度0.95未満は警告を出すようにした。
    本編は並行運用に切り替えた。残り17曲分の生成シートを一括でもらい、生成しながら完成品を渡しつつ進めた。最後の1曲、Track19「おやすみギルド」が届いて全20曲がそろった。09「図書室の午後」は類似度0.918で警告ラインだったが、私が「ギリ許容範囲」と判断して採用した。
    結合は `assemble_set.py` で、曲ごとに平均-17dB目標+ピーク-1dB制限で音量を揃え、曲間3秒クロスフェードでつないだ。出力は全長60:56(3655.6秒)、160kbpsで約73MBのMP3プレビューで、タイムスタンプ付きのトラックリストも作った(00:00 木漏れ日のカウンター 〜 57:50 夜明けへの約束)。本番マスターもFLACのまま作り直し済みで、同じ60:56、約674MBだ。

    分かったことと、次にやること

    分かったのは、生成の限界は「生成の設定」ではなく「編集の設計」で越えられる、ということだ。曲の尺は楽譜側で決まるので、設定をいじっても伸びない。だが曲の中には約33秒間隔の反復があり、似た演奏の始まり同士をつなげば、聴感を壊さずに3分化できる。長いクロスフェードでごまかすより、短いフェードで継ぎ目を1点に絞るほうが、旋律ものには合っていた。
    次にやることは、動画化の完成確認だ。背景イラストとサムネイルv1、YouTube用メタデータの下書きv1は用意済みで、タイトル本命は「【作業用BGM】ファンタジー酒場の一日|ギルド食堂で過ごす癒しの1時間【異世界カフェ】」とした。エンコードは1回目が実行環境の再起動で中断し、未完成品は破棄した。2回目は中断に強い形式で受け、完成後にMP4へ詰め替える形で実行中だ。公開・アップロードは私の操作で、動画が完成したらまた報告する。
    小さな実物として、曲を伸ばすときの判断チェックリストを残しておく。次に長尺BGMを作るときも、この順で見ればいい。

    • 生成物の実尺をまず測る。「最大の長さ」は上限であって目標ではない

    • 伸びない原因が「設定」か「楽譜側」かを、1曲だけ条件を変えて確かめる

    • 似た演奏の反復点を探す。見つかれば、そこを継ぎ目に短いフェードでつなぐ

    • 長いクロスフェードは旋律を重ねて違和感が出る。継ぎ目は1点に絞る

    • 類似度が低い曲は、継ぎ目の抜き聴きで人の耳が最終判断する

    あなたへのおすすめ