---
title: 音声データ分割の手法AZUREスピーチ
tags: 
author: [Yukiko](https://docswell.com/user/yukiko_it)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/27V4LVQ6EQ.jpg?width=480
description: 音声データ分割の手法AZUREスピーチ by Yukiko
published: November 15, 26
canonical: https://docswell.com/s/yukiko_it/ZL3YEQ-2026-11-15-124943
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/27V4LVQ6EQ.jpg)

音声データ分割処理 原理原則
長い音声を、壊さず・戻せて・説明できる形で分ける｜法人研修
うさうさ研修工房｜DXエンジニア向け法人研修・Udemy兼用


# Page. 2

![Page Image](https://bcdn.docswell.com/page/5JG1XLW27L.jpg)

この講座のゴール（6つ）
STEP1
講師の整理
1. 音声を分割する目的を、場面ごとに説明できる
2. 分割処理の原理原則を6つ言える
3. 公式の制限と対応形式を確認して、計画に反映できる
4. 無音で切る分割と、強制分割＋重なりを実装して動かせる
5. 分割後の時刻を元に戻し、境界の重複を除ける
6. 壊して試験を確かめ、言えること・言えないことを人が説明できる
講師の設計。到達の目安であり、資格や規格ではありません
2


# Page. 3

![Page Image](https://bcdn.docswell.com/page/47QD8Y39EP.jpg)

全体の地図：8つのSTEP
講師の整理
難度9
難度6
難度5
難度4
STEP7
試験の試験
難度3
難度2
STEP4
難度1
STEP3
STEP2
STEP1
STEP5
公式の制限と形式
無音を見つける
分割計画と書き出
し
難度3
STEP6
時刻補正と結合
STEP8
運用へ持ち帰る
原理原則6つ
なぜ分割するか
難度は講師の設計（山場はSTEP7）。分数は目安
3


# Page. 4

![Page Image](https://bcdn.docswell.com/page/KE4Z2WNRJ1.jpg)

分割が必要になる3つの場面
STEP1
講師の整理
上限を超える
並列・やり直しの単位
話題・話者の単位
APIにはファイルサイズや
長さの上限がある。超える
と、そのままでは送れない
。
小さく分ければ、並列に処
理でき、失敗したときも、
その片だけやり直せる。
無音や発話のまとまりで分
ければ、後の処理（要約・
確認）が楽になる。
講師の整理。サービスの上限は公式（STEP3で確認）
4


# Page. 5

![Page Image](https://bcdn.docswell.com/page/L71RMY5V7G.jpg)

目的が、切り方を決める
STEP1
講師の整理
目的
切り方の考え方
気をつけること
上限を超える
サイズ・長さが上限未満になる最大
の片
形式でサイズが変わる
並列に処理
片の長さを揃える
待ち時間の偏り
失敗時のやり直し
小さめの片
片が増えると管理が増える
話題・話者の単位
無音の中央で切る
無音が無い区間の扱い
設計案。数値（秒数・重なり）は現場で決める。本講座では例として使う
5


# Page. 6

![Page Image](https://bcdn.docswell.com/page/G7W13G53J2.jpg)

音声分割の原理原則 6つ
STEP2
講師の整理
1. 原則1 目的から決める：上限・並列・やり直し・話題。目的が切り方を決める
2. 原則2 話の途中で切らない：無音の中央で切る。無ければ強制分割し、重なりを付ける
3. 原則3 時刻は元に戻す：片の中の時刻は0起点。元の音声の時刻へ直す
4. 原則4 戻せることを試験する：結合して元と一致、欠落も重複もない
5. 原則5 記録して説明する：マニフェストに、誰が見ても元に戻せる情報を残す
6. 原則6 音声は個人情報として扱う：試験はダミーの音声。本物は持ち込まない
講師の整理（公式・規格ではありません）。出典は次の表と STEP3・7 で示します
6


# Page. 7

![Page Image](https://bcdn.docswell.com/page/4JZPVLNG73.jpg)

原則と、この講座の試験の対応
STEP2
講師の整理
原則
この講座での形
試験
1 目的から
最大の長さ・上限の確認を関数に
AC-11
2 途中で切らない
無音の中央で切る／強制分割＋重なり
AC-01・02・05・12
3 時刻を戻す
片の先頭の時刻を足して元の時刻へ
AC-06
4 戻せる
結合して一致／欠落・重複なし／決定的
AC-03・04・08・09
5 記録
マニフェスト（ハッシュ・範囲）
AC-09
6 個人情報
合成音声のみ。入力の検証
AC-10
AC番号は audio-split-kit の試験。公式の根拠は STEP3 で確認
7


# Page. 8

![Page Image](https://bcdn.docswell.com/page/YE6M5W8QJV.jpg)

演習1：自分の処理を点検
STEP2
動画を止めて取り組む（目安 10分）
講師の整理
原則
自分の処理で確認
記入例
1 目的
なぜ分けるか、書けるか
上限回避→最大長を決める
2 途中で
固定長で切っていないか
30秒固定→無音を見る
3 時刻
分割後の時刻を直しているか
していない→足す
4 戻せる
結合して元と比べたか
比べていない→試験
5 記録
どの片がどこか、残しているか
ファイル名のみ→記録
6 個人情報
試験に本物を使っていないか
使っている→合成へ
右列は記入例（架空の処理）。自分の処理で埋める
8


# Page. 9

![Page Image](https://bcdn.docswell.com/page/GE5ZYM9274.jpg)

Azure Speechの制限（公式）
STEP3
公式
対象
項目
上限（公式の記載）
高速文字起こし（S0）
音声ファイルのサイズ
500 MB 未満
高速文字起こし（S0）
音声の長さ
ファイルあたり 5 時間 未満
バッチ文字起こし（S0）
音声ファイルのサイズ
1 GB
バッチ（話者分離あり）
音声の長さ
ファイルあたり 240 分
バッチ
1リクエストのファイル数
1,000（複数URL入力時）
公式：learn.microsoft.com／docs.python.org／ffmpeg.org（2026-11-15 確認）／ai-services/speech-service/speech-services-quotas-and-limits。数値は原文のまま。MBの定
義は未確認
9


# Page. 10

![Page Image](https://bcdn.docswell.com/page/972RG921ER.jpg)

5時間より先に、サイズに当たる
STEP3
実行確認済み
計算
意味
注意
500MB（10の6乗で計算）
÷ 32,000バイト／秒 ＝
15,625秒 ＝ 約4.3時間。
非圧縮WAVでは、5時間の
前に、サイズの上限に当た
る。長さだけで判断しない
。
MBの定義は未確認なので
、厳しいほう（10の6乗）
で判定する。形式が圧縮な
ら、結果は変わる。
計算は実行で確認。16kHz・モノラル・16bit PCM＝1秒あたり32,000バイト。上限は公式（前スライド）
10


# Page. 11

![Page Image](https://bcdn.docswell.com/page/DJYDV4Y4JM.jpg)

wave と silencedetect の公式
STEP3
公式
道具
公式の記述（要約）
Python wave
非圧縮PCMのWAVのみ対応。readframes・setpos・setparams・
writeframes。with で閉じる。壊れた入力では wave.Error（実行では
EOFError も出た）
wave の書き出し
シーク可能な出力では、ヘッダのフレーム数が自動で更新される
ffmpeg silencedetect
オプション n（noise。既定 0.001）、d（最小の無音の長さ。既定 2秒
）、mono（既定 0）
silencedetect の出力
silence_start、silence_end、silence_duration を出力
公式：learn.microsoft.com／docs.python.org／ffmpeg.org（2026-11-15 確認）／docs.python.org wave／ffmpeg.org doxygen af_silencedetect（ソース）。ffmpegの segment
の公式文書は取得できず未読
11


# Page. 12

![Page Image](https://bcdn.docswell.com/page/V7N6MYP678.jpg)

無音検出の核（抜粋）
STEP4
実行確認済み
# 20ミリ秒ごとのフレームで見る
for 各フレーム:
rms = 二乗平均の平方根
quiet = rms &lt; 300
# 静かなフレームが続いたら区間にする
# 最小の無音（0.8秒）未満は捨てる
→ [(開始秒, 終了秒), ...]
# 合成音声での結果（正解との差0.03秒以内）
(7.5, 9.0)
(20.0, 21.5)
(33.0, 34.0)
(70.0, 72.0)
# 34〜70秒は無音のない連続発話
# → 無音では切れない区間
audio-split-kit/app/split.py（要約）。標準ライブラリのみ。閾値は合成音声用の値で、実音声では調整が必要（未確認）
12


# Page. 13

![Page Image](https://bcdn.docswell.com/page/YJ9LNP3RE3.jpg)

無音検出の落とし穴
STEP4
講師の整理
落とし穴
起きること
対処
閾値が高すぎる
小さな声を無音とみなし、話を切る
雑音の大きさを測って決める
閾値が低すぎる
雑音で無音が見つからない
強制分割＋重なりで受ける
最小の無音が短い
息継ぎでも切れ、片が増える
目的に合わせて決める
端の近くで切る
語の頭・語尾が欠ける
無音の中央で切る（両端から
余裕）
講師の整理。実音声での挙動は未確認（本講座は合成音声のみ）
13


# Page. 14

![Page Image](https://bcdn.docswell.com/page/GJ8XKDMG7D.jpg)

演習2：合成音声を作り、無音を検出
受講資料
STEP4
動画を止めて取り組む（目安 10分）
1. フォルダ audio-split-kit に移動する
2. python3 -m unittest discover -s tests -t . -v を実行する
3. 13件がすべて ok になることを確認する（ffmpeg が無い環境では AC-13 が skipped）
4. tests/test_split.py の AC-01 を開き、無音の正解と許容誤差を読む
5. synth.py の LAYOUT を1か所変え、AC-01 がどう変わるか予想→確認する
コマンドは Mac／Linux で確認。Windows は未確認。資料 audio-split-kit の README を参照
14


# Page. 15

![Page Image](https://bcdn.docswell.com/page/LJL8ZM3XER.jpg)

分割計画の考え方
STEP5
実行確認済み
# 先頭から、残りが最大長以下になるまで
while 残り &gt; 最大長(30秒):
候補 = 最小長〜最大長の間にある
無音の「中央」
if 候補あり:
最後の候補で切る
else:
最大長で強制分割
（前後に重なり1秒）
# 各片が持つ範囲
own ：自分の持ち分（欠落・重複なし）
read ：実際に読む範囲
強制分割の境界だけ、前後に
重なり（1秒）を足す
# 並び：own は隙間なくつながる
# 重なりは read にだけある
audio-split-kit/app/split.py の plan（要約）。秒数は例（最大30秒・最小5秒・重なり1秒）
15


# Page. 16

![Page Image](https://bcdn.docswell.com/page/47M6VYD3JW.jpg)

計画の結果（合成音声80秒）
STEP5
実行確認済み
片
own（秒）
read（秒）
メモ
0
0 〜 20.75
0 〜 20.75
無音（20.0〜21.5）の中央で切る
1
20.75 〜 33.5
20.75 〜 33.5
無音（33.0〜34.0）の中央
2
33.5 〜 63.5
33.5 〜 64.5
連続発話の中で強制分割。後ろ
に重なり
3
63.5 〜 80
62.5 〜 80
前に重なり。残りが最大長以下
で終了
audio-split-kit で実行。ownは持ち分、readは実際に読む範囲。強制分割の境界だけ重なり1秒
16


# Page. 17

![Page Image](https://bcdn.docswell.com/page/P7RP294RJ9.jpg)

マニフェスト：何を残すか
STEP5
講師の整理
元の音声
各片
使い道
ファイル名・サンプリング
レート・総サンプル数・ハ
ッシュ（sha256）。
own と read の範囲（サン
プル単位）、強制分割か、
ファイル名、ハッシュ。
元に戻す・時刻を直す・同
じ結果か確かめる・後で説
明する。
講師の整理（原則5）。項目は audio-split-kit の manifest.json の構成
17


# Page. 18

![Page Image](https://bcdn.docswell.com/page/PJX3DQ2Y7X.jpg)

演習3：最大長を変えて比べる
受講資料
STEP5
動画を止めて取り組む（目安 10分）
1. plan の max_len を 25 秒に変えて、片の数と強制分割の位置を表にする
2. max_len を 45 秒にして、同じ表を作る
3. どちらが、無音の中央で切れた回数が多いかを数える
4. 強制分割の回数が増えると、何が困るかを自分の言葉で書く
5. AC-04（欠落・重複なし）が、どちらでも合格することを確認する
秒数は例。現場の目的に合わせて決める（本講座では数値の正解は設けません）
18


# Page. 19

![Page Image](https://bcdn.docswell.com/page/3JKYX9M47D.jpg)

時刻を元に戻し、重複を除く
STEP6
実行確認済み
# 片の中の時刻は、片の先頭が0秒
元の時刻 = read_start（秒） + 片内の時刻
# 認識結果の語 (片内の開始, 長さ, 語)
for 各片の各語:
a = read_start + 開始
# ←時刻補正
中点 = a + 長さ / 2
# 重複の除き方：持ち分ルール
if own_start &lt;= 中点 &lt; own_end:
採用する
# それ以外の片が持つ同じ語は捨てる
# 境界をまたぐ語も、
# 中点がある片で1回だけ採用される
audio-split-kit/app/split.py の to_absolute（要約）。認識結果は試験では代役（fake_asr）を使用
19


# Page. 20

![Page Image](https://bcdn.docswell.com/page/LE395WYDE5.jpg)

境界をまたぐ語：重なりの効果
STEP6
実行確認済み
条件
63.3秒の語
理由
重なりあり（1秒）
1回だけ残る
両方の片に丸ごと入り、中点が持ち分の
片で採用
重なりなし
消える
どちらの片にも丸ごとは入らない
重なりあり＋重複除去なし 2回出る
両方の片で採用される（AC-08で検出）
audio-split-kit の AC-07（63.3秒〜63.7秒の語が強制分割の63.5秒をまたぐ）。認識の代役で確認。実際の認識結果は未確認
20


# Page. 21

![Page Image](https://bcdn.docswell.com/page/8EDGDK52EG.jpg)

結合の試験：3つの確認
STEP6
実行確認済み
完全一致
欠落・重複なし
決定的
分割→結合で、元とサンプ
ル単位で一致する（AC-03
）。1サンプル欠けても検
出。
ownが隙間なくつながり、
合計が総サンプル数と一致
（AC-04）。
同じ入力から、同じマニフ
ェストとハッシュが出る（
AC-09）。
audio-split-kit の AC-03・04・09。実行確認済み
21


# Page. 22

![Page Image](https://bcdn.docswell.com/page/V7P3XKGLJ8.jpg)

山場：試験の試験（変異で壊す）
STEP7
実行確認済み
わざと壊す
不合格になった試験
結果
片を1サンプル短く書く
AC-03
検出
時刻補正を忘れる
AC-06・07
検出
重複除去をやめる
AC-06・08
検出
強制分割に重なりを付けない
AC-05・06・07
検出
無音の中央でなく開始で切る
AC-07のみ（初回）
AC-02は見逃し
audio-split-kit で実行。変異を1つ入れて、期待した試験が不合格になれば、試験は効いている
22


# Page. 23

![Page Image](https://bcdn.docswell.com/page/2JV4LV667Q.jpg)

見逃しとバグから学ぶこと ★
STEP7
実行確認済み
見逃し（変異5）
直し方
実バグ（AC-10）
AC-02 は『切れ目が無音の
中にある』だけを見ていた
。端で切っても合格。たま
たま別の試験が落ちただけ
。
無音の両端から0.3秒以上
内側を条件にした。同じ変
異で AC-02 が不合格にな
る。
壊れたファイルで wave は
EOFError を出した。
wave.Error だけ捕まえてい
たため、想定外の例外で落
ちた。
audio-split-kit の変異5と AC-10。AC-02 は切れ目が無音の両端から0.3秒以上内側にあることを確かめるよう強化
23


# Page. 24

![Page Image](https://bcdn.docswell.com/page/5EG1XLN2JL.jpg)

ffmpegと突き合わせる（実測）
STEP7
実行確認済み
やったこと
結果（実測）
分かること
silencedetect（noise=-40dB,
d=0.8）
7.5〜9.0／20〜21.5／33〜34／70
〜72
自作と一致（AC-13）
segment 30秒・-c copy
30.08／29.952／19.968 秒
ちょうど30秒ではな
い
segment_times 20.75,33.5,63.5
20.864／12.672／30.08／16.384
秒
切れ目が最大約0.11秒
ずれる
自作の分割
20.75／33.5／63.5 秒（サンプル単
指定どおり
位）
ffmpeg 6.1.1 で実行。segment の公式文書は未読のため、ずれの原因は未確認（推測：パケット単位）
24


# Page. 25

![Page Image](https://bcdn.docswell.com/page/4JQD8YQ97P.jpg)

演習4：自分の変異を1つ入れる
受講資料
STEP7
動画を止めて取り組む（目安 15分）
1. app/split.py のコピーを取る
2. 変異を1つ選ぶ（例：最小長の比較を1つずらす／重なりを半分にする／ハッシュ計算を外す
）
3. 試験を流し、どの試験が不合格になるか予想→結果を比べる
4. すり抜けた場合は、どの試験が足りないかを書き、試験を足す。落ちた理由が本来の理由か
も確かめる
5. コピーから元に戻し、13件が元の結果に戻ることを確認する
変異は1回に1つ。終わったら必ず元に戻す（コピーを取ってから）
25


# Page. 26

![Page Image](https://bcdn.docswell.com/page/K74Z2WYRE1.jpg)

言えること・言えないこと
STEP8
講師の整理
言えること
言えないこと
合成音声では、無音の位置を正解とほぼ一致
して検出できる
実際の会議・通話の音声で、同じ閾値が通用
する
分割して結合すると、サンプル単位で元と一
致する
分割した片で認識したときの精度が、分割し
ないときと同じ
境界をまたぐ語が、重なりと重複除去で1回だ
け残る（代役の認識で）
実際の認識結果の時刻が、同じ規則で並ぶ
試験が、わざと壊したときに不合格になる
Azure上で、同じ片が、上限内で処理される
講師の整理。実音声・実際の認識・Azure上での処理は本講座では未実施
26


# Page. 27

![Page Image](https://bcdn.docswell.com/page/LJ1RMY6VJG.jpg)

運用へ持ち帰る5つ
STEP8
講師の整理
1. 上限は公式で確認し、確認日を残す。サイズと長さの両方を、形式ごとに計算する
2. 実音声での閾値は、匿名化・許可された音声で調整し、結果を記録する（別枠）
3. 分割のたびにマニフェストを残し、結合して元と一致することを確認する
4. 外部の道具（ffmpeg など）に切らせるときは、切れ目を実測して試験する
5. 最後は人が責任をもつ：合否と承認は人。機械は材料を作る。音声は個人情報として扱う
設計案。頻度・数値は各現場で決める（本講座では数値の正解を設けません）
27


# Page. 28

![Page Image](https://bcdn.docswell.com/page/GJW13GW3E2.jpg)

まとめ：確認したこと／未確認のこと
講師の整理
1. 確認：Azure Speech の上限（高速・バッチ）、Python wave の対応形式、silencedetect の
オプションと出力、実行環境（ffmpeg 6.1.1）での分割・検出
2. 実行確認：audio-split-kit 13件（全合格）、変異5件、ffmpeg との突き合わせ、wave の
EOFError
3. 未確認：実音声・実際の認識結果、Azure上での処理、MBの定義、ffmpeg segment の公式
文書、Windows、各社の個人情報の規程
4. 次の一手：自分の処理で、演習1の点検表を1枚埋める
公式は 2026-11-15 に確認。収録・受講の前に、公式ページを開いて更新してください
28


# Page. 29

![Page Image](https://bcdn.docswell.com/page/4EZPVL5GJ3.jpg)

この資料の使い方
受講資料
1. 動画を見ながら、
のところで止めて手を動かす
2. 公式のラベルと、講師の整理のラベルを区別して読む
3. 未確認と書かれたことは、自分で確かめるまで事実にしない
4. 音声は個人情報。試験は合成音声だけ。本物の音声は使わない
5. 試験の結果は、合格・不合格・未実施の3つに分けて残す
受講生用の追加ページ（講師用のスライド番号は動きません）
29


# Page. 30

![Page Image](https://bcdn.docswell.com/page/Y76M5W9QEV.jpg)

考えてみよう5問と答えの目安
受講資料
問い
答えの目安
固定長で切ると、何が困る？
話の途中で切れ、語が欠ける。無音の中央で切る
強制分割に重なりが要るのはなぜ？
境界をまたぐ語が、どちらの片にも入らず消える
のを防ぐ
片の中の時刻は、なぜ直す？
各片は0秒から始まる。元の音声の時刻へ戻す
結合して一致すれば十分？
切り方の良し悪しは別。語が欠けないか、認識で
確かめる
ffmpegに切らせるとき、何をする？
切れ目を実測し、ずれを許容できるか試験する
答えは目安。自分の現場の事情で変わる
30


# Page. 31

![Page Image](https://bcdn.docswell.com/page/G75ZYMN2J4.jpg)

用語集
受講資料
用語
この講座での意味
PCM／WAV
非圧縮の音声形式。Python wave が扱える
サンプル／フレーム
音の最小単位／無音検出で見る20ミリ秒の区間
RMS
音の大きさ（二乗平均の平方根）
own／read
片の持ち分／実際に読む範囲（重なりを含む）
マニフェスト
分割の記録（範囲・ハッシュなど）
講座内の用法。厳密な定義は公式を参照
31


# Page. 32

![Page Image](https://bcdn.docswell.com/page/9J2RG9517R.jpg)

追加編 模倣Azureで通し試験
追加編
流れ
中身
1 分割
無音の中央で切り、片とマニフェストを書く
2 送る
片を1つずつ、模倣サーバーの高速文字起こしの形のAPIへ
3 返る
その片に丸ごと入る語だけを、片の先頭=0秒で返す（認識の代役）
4 戻す
元の時刻へ直し、境界の重複を除く
5 照合
正解の語と一致するか確かめる
講師の整理・実行確認済み（audio-split-kit AC-14〜19）。本物のAzureへは接続しない
32


# Page. 33

![Page Image](https://bcdn.docswell.com/page/DEYDV4K4EM.jpg)

追加編 失敗を片ごとに再現
追加編
試験
確かめること
AC-15 429
Retry-After の5秒を待って再試行し、結果は変わらない
AC-16 503が続く
その片だけ失敗と記録。欠けたまま結果を出さない。その1片だけ送り直
す
AC-17 重なりなし
境界の語が、APIを通しても消える
AC-18 401
再試行しない（受信1回）
AC-19 契約
応答が契約に沿う。知らない音声は400
公式の方針（429・5xxは再試行、Retry-After優先、401は再試行しない）に沿った設計。実行確認済み
33


# Page. 34

![Page Image](https://bcdn.docswell.com/page/VJN6MYR6J8.jpg)

追加編 試験の試験の結果
追加編
わざと壊す
不合格になった試験
時刻補正を忘れる
AC-14・15・16
未処理の片があっても組み立てる
AC-16
片の照合を無視する
AC-14・15・16
Retry-After を無視する
AC-15
実行確認済み。変異4件はすべて検出
34


# Page. 35

![Page Image](https://bcdn.docswell.com/page/YE9LNPMR73.jpg)

追加編 言えること・言えないこと
追加編
言えること
言えないこと
片ごとの失敗が、他の片を巻き込まない
実際のAzureが、同じ形・同じ時刻で返す
やり直しは失敗した片だけで済む
実際の認識精度・語の切れ方
再試行の回数と待ちが設計どおり
本物の上限・料金・リージョン差・認証設定
講師の整理
35


# Page. 36

![Page Image](https://bcdn.docswell.com/page/GE8XKDLGJD.jpg)

次にやること
受講資料
1. 演習1の点検表を、自分の処理で埋める
2. 使う音声の形式（レート・ビット数）から、上限までの時間を計算する
3. 分割結果にマニフェストを付ける
4. 変異を1つ入れて、試験が本来の理由で落ちるか確かめる
宿題の目安。数値は設けません
36


