Earshotの使い方｜導入から13種類の効果音づくり、動画で使う頼み方まで

テロップが出る瞬間に「ポン」。画面の切替に「シュッ」。その音を、動画の場面に合わせて作っておきたい。

私は今回、Earshotで13種類の効果音を用意しました。最初の3音に、クリックや水滴、シャッターなど10種類を追加。ブラウザで聞くMP3と、動画編集で使うWAVを揃えています。

作って終わりにはしません。次に「この動画に使って」と頼めるように、音の名前と用途、再生成する方法まで残しました。まずは小さい音量で、実際の音を確かめてみてください！

PCの作業フォルダを開いたClaude CodeかCodexへ、GitHubのURLと作りたいものを渡します。例えば、こう頼めます。

https://github.com/Leonxlnx/earshot
これを入れて、動画用の効果音を作れるようにして。

私が最初に渡したのも、EarshotのGitHub URLと「これもいれるとどうなる」という言葉でした。続けて「何か作ってみて」と頼み、最初の3音ができた後に、違う種類を10音追加しました。

この記事でできること - 初回3音と追加10音を聞き、使う場面で選ぶ。 - GitHub URLを渡して導入し、日本語で音づくりを頼む。 - 動画の時刻と用途を添えて、AIに効果音の配置を頼む。

追加10音を聞く。必要な音はWAVで保存する

追加分をつないだ見本は約10.7秒です。クリック、スイッチ、キー、ノック、低いヒット、下降音、水滴、シャッター、通知音、ロゴ音の順に並べました。

一括試聴のWAVを保存

各音のWAVは、下の13音の一覧から個別に保存できます。使いたい音を選んでください。

初回の3音は、文字の登場、画面切替、完了の合図です。こちらの7秒の見本も残しました。長く響く音と短い音を、ひと続きで確認できます。

Earshotの使い方。効果音づくりは標準バンクから

Earshotには、音を作る機能と、音を解析する機能があります。今回使ったのは、用意済みの音の設計を呼び出す機能です。これを標準バンクと呼びます。

bank.renderに音のIDを渡すと、波形と測定結果が返ります。例えばui_pop/softがポン音、shutter/dslrがシャッター音。音のIDと設定を保存すれば、同じ条件で繰り返し生成できます。

このバンクからの生成には、解析モデルもネット接続も要りません。ソースやPythonの依存パッケージは導入時に取得しましたが、今回、生成のために録音素材を追加ダウンロードしたり、音声を外部APIへ送ったりはしていません。公式の効果音仕様で、生成と検査の仕組みを確認できます。

説明書には、音を分類する、長い音声から必要な場面を探す、映像とのタイミングを調べる機能も載っています。これらは今回の実演には含めていません。声を文字起こしする道具でもありません。

導入から音づくりまで、Claude Code・Codexに頼む

作業フォルダを扱えるClaude CodeかCodexで、導入と音づくりを続けて頼みます。最初からコマンドを全部覚える必要はありません。まずURLと目的を渡し、音が保存できたら、使う場面を指定して追加していきます。

① URLと「これを入れて」を渡す

https://github.com/Leonxlnx/earshot
これを入れて、動画用の効果音を作れるようにして。

② ポン・シュッ・完了チャイムを作ってもらう

Earshotでポン、シュッ、完了チャイムの3種類を作って。動画編集用のWAVと、ブラウザで聞くMP3で保存して。既存ファイルは上書きしないで。

③ 違う種類を10音追加し、一覧にする

今の3音とは違う種類の効果音を10音追加して。同じ音の高さ違いだけで数を増やさず、それぞれの使いどころも書いて。1音ずつ再生でき、WAVを個別に保存できる一覧ページにして。最初の3音も残して。

作る音と、受け取りたい形まで言葉にする。この頼み方なら、動画の素材を受け取る所まで指定できます！

今回の制作では、最初の3音に追加10音を加え、計13音を用意しました。下の一覧には、その実際の音と個別のWAV保存リンクを載せています。使いたい場面と照らして、一つずつ選んでください。

AIが実行した処理と再現用コマンド

導入時の環境やコードも確認したい方は、ここを開いてください。以下は今回のMacでAIが使った処理と、1音を作る再現用のコードです。Python 3.12の専用環境づくりも、AI側で行った準備です。

gh repo clone Leonxlnx/earshot ./earshot
cd earshot
uv venv --python 3.12 .venv
uv pip install --python .venv/bin/python numpy scipy soundfile pyloudnorm numba

.venv/bin/python --version
git rev-parse HEAD

PYTHONPATH=. .venv/bin/python - <<'PY'
from pathlib import Path
import json
import soundfile as sf
from earshot.forge import bank

out = Path("made/pop.wav")
if out.exists():
    raise SystemExit("既存ファイルがあります。新しい保存先を指定してください。")
out.parent.mkdir(parents=True, exist_ok=True)
y, meta = bank.render("ui_pop/soft", peak_db=-10.0)
sf.write(out, y, 48000, subtype="PCM_24")
print(json.dumps(meta, ensure_ascii=False))
PY

ffmpeg -n -i made/pop.wav -codec:a libmp3lame -b:a 192k made/pop.mp3

13種類の音は、動画のどの場面に置くかで選ぶ

同じ音の高さだけを変えて13種類にしたわけではありません。初回3音と追加10音を、動作や場面の違いで揃えました。下の長さは、それぞれのWAVで測った値です。

初回の3音：文字、切替、完了

文字を1行ずつ出すならポン音。画面を横に送るならシュッ。処理が終わってチェックマークが付く場面にはチャイム、と役割を分けられます。

追加10音：操作の音から場面の始まりまで

ボタンを押す、キーを打つ、写真が切り替わる。画面に起こる動作を伝えるための音です。まず映像の動きを決めて、そこに必要な音を選びます。

AIには「何の音を、何秒に、どう使うか」を渡す

今後は「Earshotで○○の音を作って」と頼めます。動画へ置くなら、動画ファイルと対象時刻も渡します。例えば、こんな頼み方です。

この動画の3.2秒でテロップが出ます。そこにEarshotのポン音を置いてください。ナレーションを聞き取りやすくし、混合後の音量も測定してください。

音を作った後は、動画の時刻に合わせて配置し、混合後の音量を確かめます。声を聞き取りにくくしていたら、効果音の音量や位置を調整してください。

場面が違えば、頼み方も変えます。この10例は、手元の動画に合わせて時刻や数を替えて使えます。

1. 「Earshotでボタンクリックの音を作って。WAVで保存して」
2. 「設定がONになる2秒に、スイッチの音を置いて」
3. 「文字入力の演出に、キー音を3パターン作って」
4. 「見出しが出る時に、木のノックを1回入れて」
5. 「大きな数字が出るカットに、低いドンを付けて」
6. 「章の終わりで画面が下がる所に、下降音を合わせて」
7. 「丸いマークが出る瞬間に、水滴の音を付けて」
8. 「写真が切り替わる所に、シャッター音を置いて」
9. 「星マークが付く時に、きらめき通知を入れて」
10. 「チャプター開始のロゴ音を作って。前後の声と重ならない長さにして」

同じ音を呼び出し、必要な所だけ変える

制作環境には、音の一覧と生成設定をまとめたmanifest.jsonを残しました。音のID、用途、設定を保存してあるので、「前のポン音」と頼む時の対応が曖昧になりません。

このMac用に用意したearshot-renderなら、次のように呼び出せます。Earshot標準のbank.renderへ渡すためのローカル用コマンドです。

./earshot-render list
./earshot-render one typing_key/thock --seed 42 -o sounds/out/key-take42.wav
./earshot-render one whoosh_fast/crisp --dur 0.5 --apex 0.18 -o sounds/out/whoosh-05s.wav

seedは同じ種類の別テイク、durは長さ、apexはシュッという音の最も大きい位置を指定します。別の音程を試すpitchには、音の種類ごとの制約があります。変えた後も検査してくださいね。

警告なしと、人が聞いて選ぶことは別

今回の13音は、Earshot標準検査で13音とも警告なしでした。音割れや音の途切れにつながる特徴などを数値で調べた結果です。WAVとMP3、2本の見本を含む30ファイルは、デコードエラーがありませんでした。

WAVは48kHz・24bitです。各単音のサンプルピークは-10dBFSに設定しました。これは波形の最大値で、13音が同じ大きさに聞こえる保証ではありません。短いクリックと長いロゴ音では、響く時間も違います。

機械検査から「耳で確かめた」「この動画にぴったり」とは言えません。今回の制作側の確認は数値とファイルの検査までで、人による試聴評価はしていません。公式の限界の説明でも、好みや感情は判定できないとしています。

だから、使う時は小さい音量から。声やBGMと混ぜた後に音量を測り、言葉を邪魔していないか聞いて調整します。数値と耳の両方で確かめる所です。

出典も音と一緒に残す

Earshot本体のコードはMITライセンスです。コードのコピーや重要な部分を配布する際は、著作権表示と許諾文を残す条件があります。原本のLICENSEを確認してください。

今回のクリックとスイッチは、CC0録音から構造を分析したfitのレシピです。録音の波形をそのまま同梱する方式ではなく、構造から合成します。ほかの11音もコードで生成しました。

この2音の出典は、作者のクレジット一覧に記載されています。個別の音を使う時にも、元の録音の条件と、レシピを配布する際の条件をこの一覧で確かめてください。自分で別の録音を読み込んで再現する時は、その録音の利用条件を確かめる必要があります。

次の動画に、まず1音だけ置いてみる

13音の一覧から、使いたい音のWAVを保存する

各音の「WAVを保存」から、必要な音を個別に保存できます。音のIDと用途も一覧に載せました。動画編集ソフトへWAVを読み込み、テロップが出る位置へ1音置く所から試せます。

私が今回やりたかったのは、今後の動画で使える音を作り、次の頼み方までつなげることです。「何か音を付けて」から、「3.2秒のテロップに、このポン音を」へ。使いたい1場面が決まれば、AIに渡す言葉も具体的になります。

あなたの次の動画なら、どこに1音置いてみますか？

COLUMN

次にも頼める形まで、音を残しておく

今回、私が頼んだのは、ほかにも10種類ほど音を作り、今後の動画で使えるようにすることでした。導入からWAVの保存まで進めると、13種類の素材が手元に残ります。ここで一緒に残しておきたいのが、音の名前と使う場面です。「前のポン音」と言えば通じる状態なら、次の動画では、テロップを出す時刻から話を始められます。効果音づくりの使い方を毎回説明し直す所まで、私が抱え続ける必要はないんです。

子供のようにワクワク夢中に遊ぶ時間です。

これは、AIに任せる目的を、遊ぶ時間から考えた記事に書いた一節です。今回も、音のIDと設定を残す作業はAIに任せ、私はどんな場面を作ってみたいかを考える時間にしたい。音源の数を増やすこと自体が目的になると、選ぶ作業も増えていきます。13音から一つ選んで、ここで文字を出したい、と伝える。そのくらい具体的な場面から使い始めたいと思っています。

といっても、音の名前が揃えば、どんな動画にも合うわけではありません。今回残したのは、13音のファイルと生成設定、測定結果です。動画に置く時は、前後の声や音との関係が加わります。作る手順を任せた後にも、自分が何を伝えたい場面なのかは、言葉にして渡したい。導入から次の依頼までをつなぐのは、その一言です。まず一つのテロップと一つの音で試し、混合後の音量と聞こえ方を確かめてくださいね。

関連記事：音を動画へつなぐ時に読む6本