LUFS とは？AI 音声のラウドネス目標値と測定方法
要約
LUFS とは、ITU-R BS.1770 で定められた、時間で平均した知覚ラウドネスの単位です。1 LU は 1 dB に相当します。ポッドキャストは一般に -16 LUFS、Spotify の Normal は -14 LUFS、EU 放送は -23 LUFS が目安で、いずれもトゥルーピークは -1 dBTP 付近に収めます。生成音声はボイスや感情設定で音量がずれるため、クリップごとに測定し、キャラクター単位でゲインを合わせます。
LUFS とは、音声を聞いたときに人がどれくらい大きく感じるかを、時間の経過で平均したラウドネスの単位です。波形のピークがどれだけ高いかを示すものではありません。1 LU は 1 dB のゲインに相当するので、計算は単純です。難しいのは、どの数値を狙うべきか、どこで測るべきか、そして音声ジェネレーターから出てくるクリップ同士がなぜほとんど揃わないのかを理解することです。このガイドでは、規格、実際に出会う配信先の目標値、合成音声向けのバッチ処理の手順を扱います。
LUFS は実際に何を測るのか
LUFS は Loudness Units relative to Full Scale の略で、ITU-R BS.1770 に由来します。地域によっては同じ測定値を LKFS とも呼びます。尺度はデジタルのフルスケールを基準にしているため、0 LUFS が上限で、実際の番組素材はそれより低い負の値になります。
測定は3段階で行われます。まず K 特性フィルターで、約 38 Hz のハイパスと、耳の周波数感度に近づける緩やかな高域シェルフをかけます。次に、時間で平均した二乗エネルギーを計算します。最後にゲーティングで無音部分を除外するので、ポーズが平均値を引き下げることはありません。
この最後の点が音声では重要です。ポーズを多く挟むナレーションは、単純な平均だと小さく測定されてしまいます。BS.1770 は絶対値で -70 LUFS 未満を、そして実行中のレベルより 10 LU 以上低い部分を除外します。ポーズが不利に働くことはなくなります。
セッションメモ：ピークメーターは最も高いスパイクを示し、LUFS は信号全体がどれだけ重く聞こえるかを示します。同じ -1 dBFS のピークを持つ2つのクリップが、8 LU 離れていることもあります。
モメンタリ、ショートターム、インテグレーテッド：どれを信頼するか
ラウドネスメーターには3つの数値が表示されますが、混同されがちです。
モメンタリ は 400 ms の窓で測ります。反応は速く、瞬間的な山を示します。
ショートターム は 3 秒の窓で測ります。フレーズやシーンがどの程度の音量かを示します。
インテグレーテッド は番組全体をゲーティング付きで平均します。納品仕様で求められるのはこの数値です。
ラウドネスレンジ（LRA、EBU Tech 3342 由来）は4つ目の数値です。番組全体で音量がどれだけ動くかを LU で示します。1人のホストで音量が一定のポッドキャストは LRA が小さく、囁きと叫びが混在するドラマは大きくなります。
納品にはインテグレーテッドを記載します。ファイル内の問題を直すときはショートタームを見ます。モメンタリは、息の音、破裂音、クリックを捕まえるために使います。
配信先ごとの LUFS 目標値
目標値は配信先によって異なります。以下はよく求められる数値です。出荷前に、各プラットフォームの最新ドキュメントで必ず確認してください。
Spotify（Normal 再生設定）: -14 LUFS、トゥルーピーク -1 dBTP
YouTube: およそ -14 LUFS、-1 dBTP
Apple Music: -16 LUFS、-1 dBTP
ポッドキャスト（一般的な慣行）: -16 LUFS ±1 LU、-1 dBTP
EU 放送（EBU R128）: -23 LUFS ±0.5 LU、-1 dBTP
Spotify は独自の数値を公開しています。再生時の正規化は Quiet で -19 LUFS、Normal で -14 LUFS、Loud で -11 LUFS に合わせられ、マスターは -14 LUFS、トゥルーピーク -1 dB 以下を推奨しています。詳細は Spotify のラウドネス正規化ガイド にあります。欧州放送の基準である -23 LUFS は EBU R 128 勧告 で定められています。
唯一の「正しい」数値があるという考えは捨ててください。-16 LUFS のポッドキャストが -14 に正規化するプラットフォームで再生されると、単に 2 LU 持ち上げられるだけです。何も壊れません。壊れるのは、大きな目標値に届かせるためにリミッターで潰され、聴き疲れする音になったファイルです。
LUFS とトゥルーピークはなぜセットで確認するのか
インテグレーテッドラウドネスは、瞬間的な最大ピークについては何も示しません。-16 LUFS に達していても、ロッシー圧縮の後にコンバーターでクリップすることがあります。トゥルーピーク（dBTP）は、サンプル値の間にある山をオーバーサンプリングで推定します。AAC や Ogg のエンコードでは、サンプル値に見えるものを超えてオーバーシュートすることがあるためです。
実務上のルールは、まずラウドネス目標を決め、次にトゥルーピークが -1 dBTP 以下に収まっているか確認することです。Spotify は、マスターが -14 LUFS より大きい場合、エンコード歪みを抑えるためにさらに低い -2 dBTP を推奨しています。
オーディオブックには別の事情があります。米国の主要なオーディオブック配信先である ACX は、LUFS ではなく RMS レベルを -23 dB から -18 dB の範囲、ピークは -3 dB 以下と指定しています。その配信先向けに朗読を収録するなら、仕様どおり RMS を測ってください。同じ章のポッドキャスト版も出すなら、そちらは LUFS で測ります。元素材は1つでも、仕様ごとに測定器が2つ必要です。
AI 音声のラウドネスがクリップごとにずれる理由
一般的な LUFS の解説が見落としがちなのは、ここです。テキスト読み上げエンジンは、こちらの目標値を知りません。生成されるたびに、そのモデルと音声設定が生み出す音量で音声を返します。その音量は、ボイス、言語、感情の状態によって変わります。
数値を動かす要因は3つあります。
ボイスそのもの。 低中域のエネルギーが多いクローンは、同じピークレベルでも K 特性フィルターの下では、明るいクローンとは違う音量に読まれます。
話し方。 同じボイスでも、囁きと叫びは同じラウドネスではありません。感情コントロールはピッチ以上のものを変えます。
クリップの長さ。 2 秒の NPC の掛け声は、ショートタームの窓がほぼ1つしか入りません。インテグレーテッドの読みはノイズが多く、非常に短い素材ではゲーティングが不安定に動くことがあります。
AnyVoice の8スライダー方式のように感情スライダーで音声を制御する場合、スライダーを動かすたびに再測定する理由になります。2つのスライダー位置が同じ LUFS に落ちる保証はどこにもありません。
セッションメモ：合成音声は、録音テイクより素直に聞こえることが多く、部屋の響きや呼吸音も、指定しない限り入りません。そのためゲーティングが実録音ほど働かず、インテグレーテッドの読みがショートタームの読みに近くなることがあります。
生成音声のためのバッチ処理手順
300 行のセリフを3つの感情状態で用意したとします。フェーダーを手で調整するのは現実的ではありません。次の手順が実用的です。
書き出し設定を統一する。 すべてのクリップで同じサンプルレートとビット深度を使い、同じ条件で比較できるようにします。
クリップごとにインテグレーテッド LUFS とトゥルーピークを測る。 BS.1770 対応のメーターを使います。多くの DAW や、ffmpeg の loudnorm フィルターのようなコマンドラインツールで両方を取得できます。
ファイル単位ではなく役割でまとめる。 同じキャラクターのセリフは、互いに約 1 LU の範囲に収めます。シーンが求めるなら、キャラクター間で差をつけても構いません。
ギャップの解消はコンプレッションではなくゲインで行う。 2.3 dB のリニアゲイン変更は、ラウドネスをちょうど 2.3 LU 動かし、ダイナミクスはそのままにします。
ゲイン後にトゥルーピークを確認する。 クリップが天井を超えたら、ルックアヘッドの短いトゥルーピークリミッターを使い、かける量は小さく抑えます。
最終ミックスで一度だけ正規化する。 配信先の目標値は、ステムごとではなく完成した番組に対して適用します。
丸めた数値での具体例です。生成クリップが -21.5 LUFS で、セリフの目標が -18 LUFS だとします。必要なのは +3.5 dB です。トゥルーピークが -6 dBTP だったなら、適用後は -2.5 dBTP になり、-1 dBTP の天井内に収まります。リミッターは不要です。
同じクリップでピークが -3 dBTP だった場合は話が違います。+3.5 dB すると +0.5 dBTP になり、オーバーサンプリングの領域でフルスケールを超えます。この場合は、目標値を下げるか、トランジェントを整えるか、リミットをかけるかのいずれかになります。どれを選ぶかは、そのピークが元々直すつもりだった破裂音なのかで決まります。
正規化すべきか、生成器はそのままにすべきか
判断は音声の行き先によります。
クリップがゲームエンジン、IVR フロー、アプリへ直接入るなら、すべてのアセットを1つのセリフ目標値に正規化し、ミックスはランタイムに任せます。ラインごとに音量がばらつくゲームでは、プレイヤーが音量ツマミを回し続けることになります。ラウドネス仕様が防ぎたいのはまさにそれです。
クリップを最初のパスとして DAW に入れるなら、事前の正規化は省いて構いません。どうせ音楽や効果音と音量バランスを取り直すからです。最終ミックスを測ってください。
合成音声に対するラウドネスのパスは、手間に見合う作業です。ただし、30 秒のスポット1本を耳で確認するだけなら省いて構いません。測定は1クリップ数秒で済みます。どのクリップがどれだったか覚えていられなくなる地点が、おおよその損益分岐点です。
TTS プラットフォームの中には、独自の出力正規化やラウドネス設定を公開しているものもあります。パイプラインに手順を組み込む前に、ドキュメントを確認して重複を避けてください。Murf AI など各社は、音声ライブラリの規模や API のレイテンシで差があります。リアルタイムのパイプラインでは、バッチ処理より後者が重要になります。
よくあるミスと、パイプラインで変わること
音声だけのコンテンツに -14 を狙う。 音楽マスタリングの目標値は、話し言葉にそのまま当てはまりません。セリフ中心のポッドキャストは、-16 LUFS でほとんどのスマートフォンやイヤホンで適切に聞こえます。「競争力」を持たせようと -12 まで上げても、不要なリミッターを足すだけです。
最終編集の前に測る。 クロスフェード、ルームトーンの補充、BGM のベッドは、いずれもインテグレーテッドラウドネスを変えます。測定は最後に行います。
1つのメータープラグインを盲信する。 同じファイルに対して、メーター同士は数 0.1 LU 以内で一致するはずです。1 LU 以上ずれるなら、どちらを信じる前にゲーティング設定と測定モードを確認してください。
ピークを無視する。 ラウドネス目標には届いても、トゥルーピークが +0.3 dBTP なら、ほとんどの仕様では納品失敗です。
音量の違うファイルを耳で比べる。 音量の大きいファイルは、ほぼ必ず A/B で勝ちます。ボイス、プラグイン、クローンを評価する前に音量を揃えてください。TTS ベンダーを比較する場合も同じで、まず統合ラウドネスを揃えてから聴き比べます。
ラウドネス規格を丸暗記する必要はありません。必要なのは次の3つの習慣です。
第一に、目標値を選ぶ前に配信先を決めます。ストリーミング音楽、ポッドキャストのフィード、放送、オーディオブックの販売先には、それぞれ固有の数値があり、LUFS ではなく RMS を使うものもあります。
第二に、生成音声を未レベリングのストック素材として扱います。すべてのクリップを測り、キャラクターごとにまとめ、差はプレーンなゲインで埋めます。
第三に、インテグレーテッドラウドネスとトゥルーピークを必ずセットで判断基準にします。どちらか一方だけでは、本番で不合格になるファイルを通してしまいます。
厳格なコンプライアンス要件を持つ企業向けボイスオーバーを運用するなら、WellSaid Labs のようなガバナンス機能を備えたベンダーが調達要件に合うでしょう。個人の制作者なら、まずメーター、目標値、キャラクターごとのオフセットを記録した表から始めてください。