Spectrogram Merger

複数バージョンの音源から理想の1本のマスターを構築

リマスター違い、アナログ盤リップ、AIアップスケール(Apollo、AudioSR、FlashSR)、別テイクなど2本以上のWAVを1つのクリーンなマスターへ統合。位相干渉やコムフィルタリングを起こさず、各ソースの最良の帯域とアタックだけを抽出します。

詳しく見る
Product Interface

スペクトル統合の仕組み

STAGE 02 · 帯域分割と窓幅 f_c(t) = Σ f_k·|X(k,t)| / Σ |X(k,t)|

適応クロスオーバーと時間可変 STFT 窓

自然なスペクトルの谷間または重心追従型リンクウィッツ・ライリーフィルタで低・中・高域を分割。解析窓幅 σ(t) は打撃音で10 ms、持続音で90 msへ動的に変化します。

STAGE 03 · マスキングとEQ M₁ = Re(X₁·Mix*) / (|Mix|² + ε), Inf ∈ [0.1×..10×]

7種のマスク方式・12バンドEQ・影響マップ

PSF、Softmax、Wiener、IBM/IRMに24バーク帯ツヴィッカー・ラウドネスと5種の動的変調(SNR、Flux、Flatness、Coherence、Cross-Adaptive)を統合。3組の12バンドパネルで帯域ごとの優先度を自在に制御できます。

STAGE 05 · スペクトル浄化 HPSS(Median/NMF) → LPC(16) → Q > Q_thr

HPSS (Median/NMF)・LPC包絡移植・共振抑制

調和音と打撃音を分離して個別浄化し、中低域の自然な包絡を高域へ移植(LPC / ケプストラム)。さらに高QかつLGD安定な耳障りな狭帯域ピークを自動ノッチ除去します。

内部構造 • RUST 2024 & WGPU 30.0

テクノロジースタック

技術実装を紹介する唯一のスライド:重い2D FFT、NMF、CEEMDAN、カスケードWOLA演算をネイティブ並列Rustで実行し、WGPU 30.0ハードウェアUIで描画。PythonもElectronも不要です。

Rust 2024 Python/Cランタイム依存ゼロ
WGPU 30.0 144 Hz UIとリアルタイム表示
17グループ / 150+ Inspectable パラメータ反映
Rayon + Arena 並列WOLAと64 MBアリーナ
01

コア DSP 演算エンジン

rustfft 6.2 • num-complex • rayon 1.10

並列STFT/ISTFT、2DポアソンFFT解法、Bregman反復、アンサンブルCEEMDAN、16バイト整列LinearArenaメモリ。

02

GPU ハードウェアUI

wgpu 30.0 • winit 0.30 • ui.wgsl • arcband

2層SDF角丸UI描画、バイリニアMagma/Viridisスペクトログラム、サブピクセル文字描画を高リフレッシュレートで実現。

03

宣言的リフレクション

Inspectable trait • serde_json • toml

150以上のパラメータを検索可能な3カラムインスペクタへ自動配置し、各ペアごとにJSONプロファイルを保存。

04

ネイティブ音声 I/O と試聴

hound 3.5 • cpal 0.15 • cubic resampler

高精度WAV入出力(Float32・PCM 16/24/32 + TPDF/NS)、3次リサンプリングとリアルタイム帯域フィルタ付きCPAL再生。

RUST 2024
fn align_phase_correlation(
    y1: &[f32], y2: &[f32],
    max_shift: usize, confidence_threshold: f32,
) -> (i64, f32) {
    let fft_len = y1.len().min(y2.len()).next_power_of_two();
    let mut planner = FftPlanner::<f32>::new();
    let fft = planner.plan_fft_forward(fft_len);
    let ifft = planner.plan_fft_inverse(fft_len);

    fft.process(&mut a);
    fft.process(&mut b);
    for i in 0..fft_len {
        let cps = a[i] * b[i].conj();
        a[i] = cps / (cps.norm() + EPSILON);
    }
    ifft.process(&mut a);

    let mut lag = if peak_idx <= fft_len / 2 {
        peak_idx as i64
    } else {
        peak_idx as i64 - fft_len as i64
    };
    if peak_val < confidence_threshold || lag.unsigned_abs() as usize > max_shift {
        lag = 0;
    }
    (lag, peak_val)
}
pub fn calculate_psf_mask(
    stft1: &ComplexSpec2D, stft2: &ComplexSpec2D, psf_power: f32,
) -> (Spec2D, Spec2D) {
    let mut m1 = Spec2D::full(stft1.bins, stft1.frames, 0.5);
    let mut m2 = Spec2D::full(stft1.bins, stft1.frames, 0.5);
    let p = psf_power.clamp(1.0, 4.0);

    for i in 0..stft1.data.len() {
        let mix = stft1.data[i] + stft2.data[i];
        let den = mix.norm_sqr() + EPSILON;
        let a1 = ((stft1.data[i] * mix.conj()).re / den).max(0.0).powf(p);
        let a2 = ((stft2.data[i] * mix.conj()).re / den).max(0.0).powf(p);
        let v1 = (a1 / (a1 + a2 + EPSILON)).clamp(0.0, 1.0);
        m1.data[i] = v1;
        m2.data[i] = 1.0 - v1;
    }
    (m1, m2)
}
pub fn phase_reconstruction_explicit(
    mag: &Spec2D, n_fft: usize, hop_length: usize,
    sr: u32, params: &ProcessingParams,
) -> Spec2D {
    let sigma_sec = params.explicit_relation_window_len as f32 / (6.0 * sr as f32);
    let sigma_sq = sigma_sec * sigma_sec;

    for b in 0..bins {
        let omega = 2.0 * PI * freqs[b];
        for t in 0..frames {
            dphi_dt.set(b, t, omega + dlog_dw.get(b, t) / (2.0 * PI * sigma_sq + EPSILON));
            dphi_dw.set(b, t, -sigma_sq * dlog_dt.get(b, t) - t_half);
        }
    }
    for b in 0..bins {
        for t in 0..frames {
            let lap = if b == 0 && t == 0 { EPSILON } else { -(kx * kx + ky * ky) };
            div[b * frames + t] /= lap;
        }
    }
    solve_2d_ifft(&mut div, bins, frames)
}
fn decompose_emd_1d(
    signal: &[f32], max_imfs: usize, method: EmdMethod,
) -> Vec<Vec<f32>> {
    let ensembles = match method {
        EmdMethod::Emd => 1,
        EmdMethod::Eemd | EmdMethod::Ceemdan => 4,
    };
    let ensemble_imfs: Vec<_> = (0..ensembles)
        .into_par_iter()
        .map(|e| {
            let mut residual = add_ensemble_noise(signal, e, noise_amp);
            (0..k_imfs).map(|_| {
                let imf = sift_single_imf(&residual, 5);
                subtract_in_place(&mut residual, &imf);
                imf
            }).collect::<Vec<_>>()
        })
        .collect();
    average_ensembles(ensemble_imfs, signal.len(), k_imfs)
}

瞬時のA/B比較とカスケード統合スタジオ

WAVフォルダを読み込み、ドラッグ&ドロップで統合順を設定。12バンドEQと影響マップで各ペアを調整し、12種のスペクトル/マスク表示、Raw/最終・前回テストのワンクリックA/B切替、ライブ帯域パス試聴で細部まで確認できます。

12種のスペクトル・マスク表示 A/B:RAW / 最終 / 前回比較 ライブ帯域パス試聴 (HZ) 3×12バンドEQ&影響マップ
瞬時のA/B比較とカスケード統合スタジオ
ダウンロードへ

エディションを選択

無料のCommunity Editionでマルチバンド・スペクトル統合をお試しください。利用期限はありません。

Community Edition をダウンロード

全13種の位相モード、3本以上のカスケード統合、CEEMDAN搭載のProfessional Editionは 1789 ルーブル です。

Spectrogram Merger 詳細FAQ

目的と活用シーン

このソフトは何のためにあり、どんな課題を解決しますか?
同じ曲の2バージョンをDAWで単純に混ぜると、位相差によりコムフィルタリングや音量落ち、金属的な響きが発生します。Spectrogram Mergerは時間-周波数領域で2本以上を統合し、各周波数ビンで最もクリアで詳細なソースを自動選択します。複数のAIアップスケーラー(Apollo、AudioSR、FlashSR、SoundUP)の良いとこ取りや、アナログ盤とデジタルマスターの融合、別テイク間の最良パート統合に最適です。
2本以上のWAVファイルをまとめて統合できますか?
はい。「バッチ」タブで2本・3本・4本以上のWAVフォルダを読み込み、ドラッグ&ドロップで順番を並べ替えます。トラック1+2(ペア1)、その結果+トラック3(ペア2)とカスケード統合され、各ペアごとに独立したJSONパラメータを保持できます。
音量・タイミング・明るさが異なるソースはどう処理されますか?
まずEBU R128(標準-23.0 LUFS)でラウドネスを揃え、Auto-AlignがCPSD位相相関(信頼度閾値付き)または相互相関でサンプル単位の時間ズレを補正します。さらにSpectral Balanceがスペクトル傾き(dB/oct)を合わせ、片方が不当に優先されるのを防ぎます。
12バンドEQと影響マップ(Influence Map)の違いは何ですか?
エディタ下部に3つの12バンドパネル(29 Hz〜20 kHz)があります。EQ入力1/2(±12 dB)はマスク計算前に各ソースの音色を調整し、影響マップ(0.1×〜10.0×)は帯域ごとにどちらのソースを優先するかを直接バイアスします。例えば低音はソース1、10 kHz以上の空気感はソース2から採るといった制御が可能です。

帯域分割とSTFT解像度

低・中・高域はどのように分割されますか?
3方式から選べます:ゼロ位相バタワース(filtfilt、1〜10次)、自然なスペクトルの谷間を自動探索する適応帯域分割、そして平滑化スペクトル重心に追従してカットオフが動く2/4次時間可変リンクウィッツ・ライリーフィルタです。
TimeVaryingWindow やマルチスケール STFT はなぜ重要ですか?
長い窓は持続音の周波数分解能に優れますがドラムのアタックが滲み(プリエコー)、短い窓はアタックが鋭い反面、低域の解像度が落ちます。TimeVaryingWindowはトランジェント・フラットネス・エントロピーに応じてフレーム毎に窓幅(10〜90 ms)を動的制御します。マルチスケール合成(12 / 46 / 93 ms)や帯域別FFTサイズ(2048/2048/4096)にも対応します。
長尺トラックをメモリ不足や継ぎ目ノイズなしでどう処理しますか?
フル出力時は15秒チャンク(7.5秒オーバーラップ・反射パディング付き)に分割して並列処理し、WOLA重み付きオーバーラップ加算(Hann / Hamming / Blackman / Blackman-Harris / Bartlett窓)でシームレスに再結合します。

マスキングとステレオ定位

どの基本マスク方式が使えますか?
7方式を搭載:標準のPSF(位相敏感フィルタ)は複素ベクトル投影で位相打消しを防ぎます。Weights (Softmax)とWeightsPhaseAwareは24バーク帯ツヴィッカー・ラウドネスまたはA特性を併用。ノイズ減算対応のWiener / WienerModulated、さらにIBMとIRMを選択できます。
5種類の動的マスク変調の役割は何ですか?
音量・周波数信頼度係数と連動してマスクを微調整します。スペクトルフラックスがアタックを守り、SNR変調(4種のノイズ推定)が低ノイズ側を優先、フラットネスが調性を際立たせ、位相コヒーレンスが位相競合を抑制、クロス適応γが近似区間で重みを0.5へ滑らかに近づけます。
マスク平滑化で「ミュージカルノイズ」をどう消しますか?
隣接ビン間の急激なマスク変化は水っぽいノイズを生みます。本ソフトは2Dメディアンフィルタ、アタック時に時間方向のぼかしを弱める適応2Dガウシアン、時間クロスフェード、さらにリニアまたはMel / Bark知覚尺度での縦方向平滑化を順に適用します。
ステレオの広がりとセンター定位はどう維持されますか?
左右を完全に別々にマスクすると中央定位が揺らぎます。Stereo Mask Couplingが両耳間コヒーレンス(IC)を測定し、モノラル成分では左右マスクを平均へ近づけつつ、広いステレオ成分の独立性を保ちます。

位相復元(13モード)

搭載されている位相復元アルゴリズムは何ですか?
全13モード:高速なComplex・Dominant・Blend、局所重み付きLWS、反復型のFGLA(ネステロフ加速)・RTISI-LA・RTISI-LA Hybrid、Bregman KL / IS、解析型のExplicit Phase Relation(2DポアソンFFT)・SPSI・RTPGHI、そして自動選択のAdaptiveです。
Adaptive 位相モードはどうやって最適解を選びますか?
各時間-周波数ビンで調性・局所SNR・コヒーレンス・H/P比・フラックス・局所群遅延(LGD)分散・マスク確信度を評価し、Softmaxで重み付け。弱い手法を剪定(Pruning / Top-N)した上で最良候補の位相を合成します。調和音と打撃音で別リストも指定可能です。
Coupled IPD はどのようにステレオ位相を守りますか?
CoupledIPDモードでは左チャンネル位相を復元した後、右チャンネル位相を支配的ソースまたはミックス本来の両耳間位相差(IPD)とICコヒーレンスで連動させます。これによりステレオ幅の崩壊を防ぎます。
Mask-Guided Phase Iteration と Magnitude-Constraint PR の効果は?
統合後の仕上げ用位相補正です。Mask-Guided Phase Iterationはマスク確信度が高い領域の位相を支配ソース側へ反復補正し、Magnitude-Constraint PRは滑らかな振幅制約のもとで位相を整合させ高域のザラつきを抑えます。

後処理・A/B試聴・出力

Post-HPSS 浄化と包絡移植(Envelope Transplantation)とは?
Post-HPSSは統合後の音声を調和音と打撃音へ分離(メディアンまたはKL/Frobenius NMF)し、調和音は時間方向、打撃音は指定高域で周波数方向に平滑化します。包絡移植は中低域の自然なスペクトル形状をLPCまたはケプストラムで推定し高域の輪郭を整えます。
耳障りな共振、刺さり、高域の縦スパイクはどう除去されますか?
共振抑制は高QかつLGD安定な狭帯域ピークを動的ノッチ除去し、シャープネス低減はツヴィッカー指標(acum)に基づき高域シェルフを適用。高域垂直アーチファクト抑制は異常フラックス(中央値+N·Std)を包絡保護付きで平滑化します。MPEG-1知覚マスキングも備えています。
高域の EMD / EEMD / CEEMDAN 処理は何をしますか?
高域成分(標準6 kHz以上)を時間領域で固有モード関数(IMF)に分解します。次数・ヒルベルト瞬時周波数・エントロピーでノイズ成分を選別し、包絡平滑・減衰・除去を行うことで空気感を残したままデジタル特有のざらつきを消します。
A/B試聴機能と書き出しフォーマットを教えてください。
右パネルで任意区間(例:8秒)をテストし、12種のスペクトル/マスク表示と低・中・高域の寄与率を確認できます。Raw / 最終、現在 / 前回テスト、ループ、任意の帯域だけを聴けるライブ帯域パスフィルタ(Hz)を搭載。書き出しはWAV 32-bit FloatおよびPCM 32 / 24 / 16-bit(TPDFディザ&1次ノイズシェーピング対応)です。