失敗・ピボット · Angla Admin

動画の TTS を一度捨てて、全国編だけ戻した判断

公開: 更新:

全国動画の7場面にTTSを限定。港名・風向き・時刻の読みの補正、音声長に合わせた尺計算、一部音声が欠ける場合の確認方法。

Angla Admin の動画では、地方別の動画すべてに読み上げを付ける案を一度やめ、その後、全国ランキング動画の1本に絞って戻しました。難読の港名に加え、毎日変わる時刻や風向きを自然に読ませる必要があったためです。

現在の対象は RankingHookMotion という全国版の動画です。冒頭だけでなく、フックから順位紹介、エンドまで7場面に読み上げ文を用意します。 地方別動画を毎日10本、音声付きで作る構成ではありません。

実装確認: 2026-10-26。ranking-hook-voice.ts、voice-speak.ts、remotion/speak-text.ts、remotion/motion/timeline.ts が根拠です。以下の文字列は変換関数で確認できる例で、音声の聴取評価とは区別しています。

全国版動画の7場面と読み上げの関係

表示名を変えず、読む文字列だけ直す

港名を誤読したとき、画面の漢字をひらがなに直すと、字幕や投稿画像の表記まで変わってしまいます。そこで、港マスタに読み上げ用の speak_as を持ち、表示名と音声へ渡す文字列を分けました。

さらに、日ごとに場面単位の読み上げを上書きできます。対象は hook / compare / third / second / tease / first / end の7つです。マスタ側で恒久的に直す読みと、その日だけ言い換える文を別にしています。

applyVoiceSpeakOverrides() は、各場面の speakText だけを差し替えます。画面のタイトルや港名は変更しません。修正後は同じ動画を作り直し、耳で確認します。文字列を変更しただけでは、読みが改善したとまでは判断しません。

港名以外にも読みの変換が必要だった

2026年10月には、風向き、時間帯、風速の読みも調整しました。実装にある変換例は次の通りです。

表示する文字列音声へ渡す文字列
北東の風ほくとうの風
19〜21時午後7時から9時
午前8〜10時午前8時から10時
1.7m/s1.7メートル

風向きは「の風」の直前だけを変換します。「北東」をすべて置き換えると、地名など別の用途の文字列にも影響するためです。

時刻は、範囲を読むときに「から」を補い、24時間表記を午前・午後へ変換しています。これも表示側の表記は維持します。

風速の「メートル」は、この動画で採用した読み方です。単位の表示自体を変える処理ではありません。汎用の読み上げライブラリを作ったわけではなく、自分の動画に出る形式を補正しているので、別の形式や日付をまたぐ時刻は追加の確認が必要です。

音声の長さから場面の尺を伸ばす

動画は、各場面の最短フレーム数を持っています。たとえば冒頭は72フレーム、1位紹介は135フレームです。30fps なので、それぞれ2.4秒、4.5秒になります。

読み上げがある場合は、音声の長さに0.35秒を加えた値と最短尺を比べ、長い方を使います。実装の計算部分です。

let frames = MOTION_MIN_FRAMES[key];
if (beat && beat.durationSec > 0) {
  frames = Math.max(
    frames,
    Math.ceil((beat.durationSec + 0.35) * fps),
  );
}

1位の説明が5.2秒なら、30fps で ceil((5.2 + 0.35) × 30) = 167 フレームになります。135フレームへ押し込んで音声を途中で切る代わりに、場面を伸ばします。

音声長は ffprobe で取得し、取得できなければ文字数による推定へ戻ります。推定は正確な音声長ではないので、完成した MP4 の場面切り替えまで確認する必要があります。Remotion 側の可変尺の扱いは公式の動的メタデータの説明も参照できます。

失敗時は「全部無音」だけではない

TTS を明示的に無効にした場合やサーバーに API キーがない場合は、ナレーションなしで動画を作ります。音声が一つも作れなかった場合も、ナレーションなしへ戻ります。ここでいう無音は読み上げがないという意味で、効果音は残り得ます。

一方、音声生成は場面ごとに例外を捕まえています。一つ失敗しても次の場面へ進み、一つでも音声が作れれば voiceEnabled は有効になります。そのため、一部のナレーションだけが欠けた動画が完成することがあります。

「生成成功」をそのまま「全場面に音声がある」とは扱えません。投稿前には7場面を通して再生し、途中で説明が欠けていないか、字幕と読みが合っているかを確認します。問題があれば、読み上げ文や接続状態を確認して再生成します。

全国1本に絞って分かった負担

2026年9月28日の運用記録では、翌日分の実データとTTSを使った全国版のレンダーは、VPS の空き時に6分4秒でした。これは音声 API だけの所要時間ではなく、動画レンダーを含む過去の1回の記録です。今回、同条件で再計測した値ではありません。

全地方へ広げると、この待ち時間だけでなく、港名の読み、字幕との一致、音声が欠けた場面の確認も増えます。今は全国1本に対象を絞り、読みの修正と生成後の確認を続けています。

動画ファイルの確定や中断後の復旧はRemotion の VPS レンダー、投稿先ごとの完了記録はSNS 半自動コンソールに分けて説明しています。

関連記事

← 記事一覧