Davinci Resolve向けに無音カットしたタイムラインを作成する（Python, pydub）

私はあまり動画編集はしないのでDavinci Resolveの無料版を使っています。動画編集に必要な機能は十分すぎるほどあるのですが、無音部分をカットする機能が無料版では使えなかったので、Pythonで無音カットしたタイムラインを作成するスクリプトを作りました。

Davinci Resolve とは

DaVinci Resolve（ダビンチ・リゾルブ）は、オーストラリアのBlackmagic Design社が開発・提供する、プロフェッショナル向けの統合型ポストプロダクションソフトウェアです。blackmagicdesign.com

このソフトウェアは、動画編集、カラーコレクション、ビジュアルエフェクト、モーショングラフィックス、音声編集など、多岐にわたる機能を一つのプラットフォームで提供しています。

もともとはカラーグレーディングツールとして映画やテレビ業界で使用されていましたが、現在では多機能な動画編集ソフトとして広く利用されています。ja.wikipedia.org

DaVinci Resolveには、無料版と有料版（DaVinci Resolve Studio）が存在します。無料版でも多くの高度な機能を利用できますが、有料版ではさらにAIベースのツールや4K以上の解像度対応など、追加の高度な機能が提供されています。

Davinci Resolveには文字起こし機能があり、その文字起こしされたテキストとタイミングを元に自動でカットする機能があるようです。

しかし、無料版ではこの機能が使えませんでした。

そうなると音声の波形情報を見ながら手動でカットしていくわけですが、自分のような面倒くさがりにはちょっと苦痛です。（有料版買えば良い話ですが）

そこでスクリプト等で無音部分を検知し、何らかの形式でDavinci Resolveに読み込ませることができないかと考えました。

pydubは、音声ファイルを扱うためのPythonライブラリです。pydubを使うと、音声ファイルの読み込み、再生、保存、音声の切り取り、音声の結合、音声の変換などが簡単に行えます。

その中には silence というモジュールがあり、無音部分を取り除くことが出来ます。

Python

sound = AudioSegment.from_file(filename)
nonsilent_clips = silence.detect_nonsilent(sound, silence_thresh=silence_thresh)

これを使ってツールを作成することにしました。

pydub で無音部分をカットし、XML形式のタイムラインとして出力するツールを作成しました。

１．リポジトリをクローン

PowerShell

git clone https://github.com/oaiwej/drnonsilentxml.git DRNonSilentXML
cd DRNonSilentXML

２．依存関係をインストール

PowerShell

py -3.11 -m venv venv
venv\Scripts\Activate.ps1
pip install -r requirements.txt

３．フォルダ直下に ffmpeg.exe と ffprobe.exe 配置するか、パスを通す

ビルド済みFFmpegの入手は下記のサイトなどで行ってください。

以下のようなコマンドを実行して、無音カット編集された XML タイムラインを生成します：

PowerShell

python -m drnonsilentxml -i "input.mp4" -if 60 -o "output.xml" -of 59.94 -t -40 -p 300

-i, --input
- 入力動画ファイルのパス
- サポート形式: MP4, MOV, MKV, AVI など pydub で音声抽出可能な動画形式
- 例: -i "interview.mp4"
-if, --input-fps
- 入力動画のフレームレート（フレーム/秒）
- 例: -if 60
-o, --output
- 出力 XML ファイルのパス
- 例: -o "edited_timeline.xml"
-of, --output-fps
- 出力タイムラインのフレームレート（フレーム/秒）
- 例: -of 59.94
-t, --threshold (デフォルト: -40)
- 無音検出のしきい値(dB)
- 値を上げるほどより大きな音量でも無音として検出
  - 例: -t -30 (よりカットしたい場合、値を上げる)
  - 例: -t -45 (カットされすぎる場合、値を下げる)
-p, --padding (デフォルト: 300)
- カットしたクリップの前後に追加する余白時間（ミリ秒）
- 会話の言葉尻が途切れるような場合は長めにすると良いかも
- 例: -p 500 (より長いパディングを設定: 500ms)