Sunoの標準WAVは劣化しているがそこから高音質WAVを作成したい
目次
一番高音質なのは？
50クレジット払ってAll Detected StemsのWAVをダウンロードすればいい。以上！
って話を聞きたいわけではない
これが高音質なのは分かっていますが、そうじゃない。クレジット払わずに高音質WAVを手に入れたい。そうしたらどうするかって話なのです。
ここで再確認
通常（PRO前提）でダウンロードできるのはWAV、MP3、MP4の三種類。有クレジットでAll Detected StemsとVocals + InstrumentalのWAVがZIPでダウンロード可能。
通常のWAVは内部マスタリングで劣化。
MP3とMP4はコーデックのエンコードにより劣化。
ちなみに、MP3とMP4はWAVから作られている模様。
なので無料で入手できるものでいい音のWAVを作りたい
https://webmastering.pages.dev/safe-d2
ClaudeCodeに相談しながら作成しているが、正直よくわかっていない。数値的に見て前進はしているが、数値で見える部分と耳で聞こえる部分がよくわからないというか、私にはそもそも善し悪しが分からない。
そして現状ではすべての曲に対応はできていないし、品質に関してどれほどかと言われるとよくわからない。数字だけで見ると、ある程度改善する状況もあれば、処理をスキップすることも多い。データを壊さないようにを一番にしているので無理な修正は今のところしません。今後データがそろってくれば挙動も変わるとは思います。なので解析した情報を提供してもらう形にはなっているが、解析データのみしか収集していないのでどうか改善に協力していただきたい。
とここまで書いたが、よくわからないまま進めている処理内容なので説明できない。ということで、ClaudeCodeに説明をそのまま出力してもらう。
以下説明記事。
最初の目的は「有料クレジット級の自然さ」
今回の研究で最初にやりたかったことは、単純です。
「AI生成特有の不自然さを減らし、もっと自然に聴ける音へ近づけたい」
でした。
ここで重要なのは、
音圧を上げたい
派手にしたい
キラキラさせたい
ではない、という点です。
むしろ逆です。
AI音楽には、最初から十分すぎるほど派手さがあります。
問題は、
「その派手さの中に、微妙な不自然さが混ざっている」
ことでした。
なので今回やっていたのは、一般的な“盛るマスタリング”ではありません。
マスタリングと今回の処理は別物
ここはかなり重要なので、先に整理します。
今回の処理は、普通のマスタリングとは役割が違います。
役割を分けると、こうなります。
reverse処理
→ 病的な構造を減らすmastering
→ 音圧・音量感・全体バランスを整える配信codec (AAC/Opus)
→ 配信時に再圧縮される
つまり今回やっていたのは、
「音を良く見せる処理」
ではなく、
「後段で問題を起こす構造を減らす処理」
です。
ここを混ぜると、話がかなり分かりにくくなります。
まず「何が違うのか」を調べた
研究の最初はシンプルでした。
Sunoには「Get Stems」があります。
つまり、
ボーカル
ドラム
ベース
その他
を分離取得できます。
そこで、
Suno WAV
Stems を自分で再mixした音
を比較しました。
ここで使った呼び方だけ簡単に書くと、
T = Stemsを再mixしたもの
A = Suno WAV （通常ダウンロードWAV）
revA = A に reverse処理をかけたもの
です。
そして比較してみると、かなり不思議なことが起きました。
MP3ではなかった
最初は、
「Suno内部でMP3的な圧縮をしているのでは？」
と疑っていました。
なので、
MP3化
stereo narrowing
limiter
loudness処理
などを大量に試しました。
ですが、全部違った。
一番差が縮んだのは、
高域の shelf 系処理
でした。
つまり A は、
「高域側に、何らかの不自然な整形が入った状態」
に見えたのです。
では逆に戻せるのでは？
そこで次にやったのが reverse 処理です。
もし高域側に特徴的な変化があるなら、
逆方向へ戻せるのでは？
と思ったわけです。
実際に highshelf cut を試すと、かなり綺麗に T 側へ戻る。
しかも面白かったのは、
T→A の変化
A→T の変化
が、かなり対称だったことです。
ここで、
「Reverse Mastering 仮説」
が生まれました。
でも大問題があった
ただし、ここで実用上の問題が出ます。
普通のユーザーは T を持っていません。
つまり、
「A単独で判定できなければ意味がない」
ということです。
そこで、
曲内部だけを見る
高域構造の不自然さを見る
時間方向の不連続を見る
という方向へ進みました。
ここから detector 系の研究が始まります。
研究途中で、仮説がひっくり返った
ここでかなり大きな転換が起きます。
最初は、
「Sunoが高域を盛っている」
と思っていました。
ですが検証を進めると、実際には逆でした。
T 側にも、AI生成特有の高域構造が存在していたのです。
つまり問題は、
「高域が多い」
ことではなく、
「高域の構造が不自然」
だった。
ここで研究の方向性がかなり変わりました。
さらに重要だったこと
色々な reverse 戦略も試しました。
smoothing
dynamics expansion
release処理
shelf + dynamics
など。
ですが最終的に一番自然だったのは、
単純な shelf cut
でした。
これはかなり意外でした。
複雑な処理ほど、副作用が大きかった。
つまり今回必要だったのは、
「派手な修復」
ではなく、
「病的構造だけを少し減らす」
ことだったわけです。
ここで最大の疑問が出る
ただ、ここで非常に大きな疑問が残ります。
「その改善、本当に意味あるの？」
です。
なぜなら実際の配信では、
mastering
YouTube再圧縮（AAC、Opus）
を通るからです。
もしそこですべて消えるなら、研究としては面白くても、実用価値は薄い。
実際にYouTubeへアップロードして検証した
そこで、
T_mastered
A_mastered
revA_mastered
を作り、実際にマスタリングしてYouTubeへアップロードしました。
そして再ダウンロードして比較。
つまり、
「実際のYouTube再圧縮後」
を確認したわけです。
結果はかなり予想外でした。
改善は消えなかった
むしろ増幅した
reverse の改善量は、
YouTube後に平均 1.46倍まで増幅しました。
つまり、
「小さな差だから意味がない」
ではなかった。
むしろ、
codec や mastering が、その微細差をさらに拡大していた
のです。
ここでかなり大きな転換が起きました。
さらに奇妙だったこと
もっと面白かったのは、
一番壊れたのが T だった
ことです。
つまり、
情報量が多い音
微細HFが多い音
ほど、YouTube後の distance は大きくなる。
ここで最初は、
「HFを先に削れば codec 耐性が上がるのでは？」
と思いました。
でも、その仮説は完全に間違っていた
そこで T 自体に reverse 処理を適用してみました。
結果。
全部悪化。
つまり reverse は、
単なる高域削減ではなかった
のです。
正しいHFまで削ると、普通に音が悪くなる。
ここで今回の研究の核心が見えました。
reverse がやっていたのは「誤HF除去」
つまり今回の reverse は、
「高域を減らしている」
のではなく、
「Suno特有の病的HF構造だけを減らしている」
可能性が高かった。
これが、今回最大の発見でした。
ここで研究の解釈そのものが変わった
最終的に、考え方はかなり変わりました。
最初は、
「情報量を増やせば premium感が出る」
と思っていました。
ですが逆でした。
実際には、
premium感 = 情報量追加ではなく、病的構造の減少
だった。
何かを盛るより、
「刺さるものを減らす」
方が、自然さへ効いていたのです。
今回分かったこと
今回かなり大きかったのは、
reverse pipeline は単なるローパスではなかった
という点です。
正しいHFと、病的HF。
その違いを、ある程度見分けられている可能性が高い。
ここが今回の研究で、一番重要だった部分です。
試してみる
とりマス:
https://webmastering.pages.dev/
reverse safe-d2:
https://webmastering.pages.dev/safe-d2
ブラウザだけで動きます。
GPU不要、Ubuntu不要です。
最後に
この処理は、
「一瞬で劇的に変わる」
タイプではありません。
むしろ、
「長時間聴いた時に、少し疲れにくい」
方向です。
そして今は、
強くする
派手にする
ではなく、
「どの曲に、どれだけ触るべきか」
を研究しています。
おそらくAI音楽で本当に重要なのは、
「何を足すか」
ではなく、
「何を壊さずに減らすか」
の方なのだと思っています。
SwitchBot公式ページ
クーポン「AF-4903」で5％引き（アフィリエイトクーポンになりますのでご協力お願いします）
割引の詳しい仕組みに関してはこちらのページを参照ください。