【０から学ぶAI】第307回：ノイズ除去 〜音声データからノイズを取り除く手法を解説

前回のおさらいと今回のテーマ

こんにちは！前回は、メル周波数ケプストラム係数（MFCC）について学びました。MFCCは、音声データの特徴を抽出し、音声認識や音響分析に役立てるための重要なツールでしたね。

今回は、音声データの品質を向上させるためのノイズ除去について解説します。ノイズ除去は、音声データに含まれる不要な音や背景音を取り除くことで、音声の明瞭さを向上させ、分析や認識の精度を高めるために欠かせない技術です。この記事では、ノイズ除去の基本的な手法や、その実装方法をPythonで紹介します。

ノイズ除去の基本

音声データには、様々な種類のノイズが含まれていることが多く、これらを適切に処理することで、音声の品質が大幅に向上します。代表的なノイズには、次のようなものがあります。

• ホワイトノイズ: 全ての周波数に均等にエネルギーが分布しているノイズ。
• バックグラウンドノイズ: 風の音、人のざわめき、機械音など、録音環境に起因するノイズ。
• ハムノイズ: 電気的な干渉によって生じる低周波ノイズ（50Hzや60Hzの周波数）。

これらのノイズを取り除くために、以下のような方法が使われます。

ノイズ除去の手法

1. スペクトル減算法（Spectral Subtraction）

• 音声信号のスペクトルから、ノイズのスペクトル成分を差し引くことで、ノイズを除去する手法です。静かな部分のノイズを解析し、そのパターンを用いてノイズを抑制します。

1. 帯域フィルタリング（Bandpass Filtering）

• 特定の周波数帯域を通過させるフィルタを使って、ノイズを除去します。例えば、高周波や低周波のノイズを抑制するために、ハイパスフィルタやローパスフィルタが用いられます。

1. ウェーブレット変換

• 音声信号をウェーブレット変換し、各スケール（周波数帯域）ごとにノイズを除去する方法です。特に不規則なノイズに対して効果的です。

1. 自動エンコーダやディープラーニング

• 最近では、ディープラーニングを活用して、ノイズ除去を行う手法も増えています。自動エンコーダを用いることで、音声とノイズを分離するモデルを構築します。

PythonとLibROSAを用いたノイズ除去

ここでは、PythonのLibROSAライブラリと、ノイズ除去に役立つライブラリnoisereduceを用いて、実際にノイズを取り除く方法を解説します。

1. 必要なライブラリのインストール

まず、LibROSAとnoisereduceライブラリをインストールします。noisereduceは、スペクトル減算法を用いてノイズを除去するためのライブラリです。

pip install librosa noisereduce

2. 音声データの読み込み

次に、LibROSAを用いて音声データを読み込みます。

import librosa

# 音声ファイルのパス
audio_path = 'noisy_audio.wav'

# 音声ファイルの読み込み
y, sr = librosa.load(audio_path, sr=None)

# 音声データの長さを確認
print(f'Audio length: {len(y)} samples, Sampling rate: {sr} Hz')

このコードでは、指定した音声ファイルを読み込み、波形データ（y）とサンプリングレート（sr）を取得しています。

3. ノイズ除去の実施

noisereduceライブラリを使って、ノイズを除去する手順は以下の通りです。

import noisereduce as nr
import matplotlib.pyplot as plt

# ノイズ除去の実施
reduced_noise = nr.reduce_noise(y=y, sr=sr)

# ノイズ除去後の波形の表示
plt.figure(figsize=(10, 4))
plt.plot(y, label='Original')
plt.plot(reduced_noise, label='Denoised', alpha=0.75)
plt.legend()
plt.title('Waveform before and after Noise Reduction')
plt.xlabel('Samples')
plt.ylabel('Amplitude')
plt.show()

• nr.reduce_noise(y, sr): noisereduceライブラリの関数で、音声データ（y）からノイズを除去します。yは波形データ、srはサンプリングレートを指定します。
• グラフには、ノイズ除去前と後の波形が表示され、音声がどのようにクリアになったかを視覚的に確認できます。

4. ノイズ除去のパラメータ調整

noisereduceには、いくつかのパラメータがあり、ノイズの特性に応じて調整が可能です。

reduced_noise = nr.reduce_noise(y=y, sr=sr, prop_decrease=0.8, stationary=True)

• prop_decrease: ノイズの減少量を設定します。デフォルトは0.5ですが、ノイズが強い場合は0.8や1.0に設定することで効果を強めることができます。
• stationary: Trueに設定すると、ノイズが一定であると仮定して処理します（例：ホワイトノイズ）。動的なノイズの場合はFalseにすることで、動的なノイズ除去が可能です。

5. ノイズ除去後の音声の保存と再生

ノイズ除去後の音声データをファイルに保存し、確認します。

import soundfile as sf

# ノイズ除去後の音声を保存
sf.write('cleaned_audio.wav', reduced_noise, sr)

# ノイズ除去後の音声を再生（Jupyter Notebook環境の場合）
from IPython.display import Audio
Audio('cleaned_audio.wav')

これで、ノイズ除去後のクリアな音声データを保存し、再生して確認できます。

ノイズ除去の応用と注意点

ノイズ除去を適用する際には、音声の特性やノイズの種類に応じて適切な手法を選択し、パラメータを調整することが重要です。また、以下のポイントに留意してノイズ除去を行いましょう。

応用例

• ポッドキャストや録音音声のクリア化: バックグラウンドノイズを除去し、話者の音声をクリアにする。
• 会議やインタビュー音声の編集: 風の音や機械音などの環境ノイズを除去して、音声の内容を鮮明にする。
• 音楽制作でのノイズ除去: 楽器やボーカルの録音に含まれるハムノイズやホワイトノイズを除去する。

注意点

1. 過度なノイズ除去のリスク

• ノイズ除去を強くしすぎると、音声の一部が消えてしまったり、不自然なエコーやアーティファクトが発生することがあります。パラメータを慎重に調整し、適度なノイズ除去を心がけましょう。

1. 異なるノイズへの対応

• ノイズの種類によって、適切なフィルタリング方法が異なります。例えば、電気的なハムノイズにはバンドストップフィルタが効果的ですし、風の音などの不規則なノイズにはウェーブレット変換が有効です。

まとめ

今回は、ノイズ除去について、音声データからノイズを取り除く手法を解説しました。PythonのLibROSAとnoisereduceライブラリを使

って、実際にノイズを除去する手順を学び、クリアな音声データを得る方法を確認しました。次回は、音声データの前処理として、正規化やフィルタリングの手法を詳しく説明します。音声データの品質を向上させ、分析や認識精度をさらに高めるための技術を学びましょう。

次回予告

次回は、音声データの前処理として、音声信号の正規化やフィルタリングの手法を解説します。音声処理の基礎を固め、さらなる応用に備えましょう！

---

注釈

• スペクトル減算法: 音声のスペクトルからノイズの成分を差し引くことで、ノイズを除去する手法。
• バンドパスフィルタ: 特定の周波数帯域のみを通過させるフィルタで、ノイズの抑制に用いられる。