トップ / 編集・効率化 / AIで作ったBGMが声より大きい問題|無料のffmpegで音量(LUFS)を測って整えた記録と、3つの落とし穴【2026年10月】
編集・効率化

AIで作ったBGMが声より大きい問題|無料のffmpegで音量(LUFS)を測って整えた記録と、3つの落とし穴【2026年10月】

公開 2026.10.12
この記事の結論
  • Geminiで作ったBGMは-11.9 LUFS、AI音声のナレーションは-20.7 LUFS。そのまま重ねると、BGMのほうが約9も大きく、声が埋もれます
  • 無料のffmpegで、BGMを-24前後、ナレーションを-15前後に整えて重ねました。コマンドはこの記事にそのまま載せています
  • 重ねるとピークが0を超える(音割れのおそれ)、1回で整えると狙った音量からずれる、リミッターは初期設定だと音量を勝手に上げる。この3つにはまりました

前回の記事で、GeminiにYouTube用のBGMを作ってもらいました。

そのとき気になったのが、音量がかなり大きいことです。

今回は、無料のツール「ffmpeg(エフエフエムペグ)」を使って、BGMの音量を測り、ナレーションの邪魔にならない大きさに整えるまでを試しました。数字はすべて実測です。

まず、どれくらい大きいのか測った

音の大きさは「LUFS(ラフス)」という単位で測ります。人の耳が感じる大きさに近い測り方で、数字が0に近いほど大きく、マイナスが大きいほど静かです。

YouTubeでは、動画全体で**-14 LUFSくらい**が目安と言われています。

音 音量
BGM(Geminiで作ったまま) -11.9 LUFS
ナレーション(Gemini TTSで作ったまま) -20.7 LUFS

BGMとナレーションの音量の比較

BGMのほうが、ナレーションより約9も大きい状態でした。このまま重ねると、声がBGMに埋もれてしまいます。

測り方

ffmpegを入れたら、次のコマンドで測れます(Windowsのコマンドプロンプトなどで実行します)。

ffmpeg -i bgm.mp3 -af ebur128 -f null -

最後に出る「Summary」の I: のあとの数字が、曲全体の音量です。

ffmpegは、Windowsなら winget install Gyan.FFmpeg で入れられます(私はこの方法で入れました)。

整え方:BGMは下げて、声は上げる

今回は、目安としてこう決めました。

  • ナレーション:-14 LUFS(YouTubeの目安に合わせる)
  • BGM:-24 LUFS(ナレーションより10くらい小さく)

BGMをどれくらい下げるかに正解はありません。-24はあくまで今回試した一例です。最後は、実際に聞いて決めてください。

整えるコマンドは、これです。

ffmpeg -i bgm.mp3 -af loudnorm=I=-24:TP=-1.5:LRA=11 bgm-24.wav

I=-24 の数字を変えると、狙う音量が変わります。

実際に整えると、BGMは -23.4 LUFS になりました。

聞き比べ用に、整える前と後の最初の15秒を載せます(BGMだけです)。

整える前(-11.9 LUFS)

整えたあと(約-23 LUFS)

落とし穴① 重ねたら、ピークが0を超えた

ナレーションとBGMを重ねるコマンドはこうです(BGMが短い場合は、ナレーションの長さまでくり返します)。

ffmpeg -i narration.wav -stream_loop -1 -i bgm-24.wav -filter_complex "[0:a][1:a]amix=inputs=2:duration=first:normalize=0" mix.wav

重ねたあとの音を測ると、こうなりました。

BGMの音量 重ねたあとの全体 一番大きい瞬間(ピーク)
-30 LUFS -15.2 LUFS -0.3 dBFS
-24 LUFS -15.3 LUFS +0.4 dBFS
-18 LUFS -14.3 LUFS +0.7 dBFS

ピークが0を超えると、音が割れる(ガリッと歪む)おそれがあります。声とBGMの大きい瞬間が重なると、それぞれは0を超えていなくても、合わせると超えてしまうのです。

なお、BGMを-30まで下げると、全体の音量はナレーションとほぼ同じでした。BGMが十分小さければ、全体の大きさは声で決まるということです。

落とし穴② 1回で整えると、狙った音量からずれた

ナレーションを「-14にして」と整えたのに、測ると -15.3 LUFS でした。狙いより1以上ずれています。

ffmpegの音量調整(loudnorm)は、1回目で測って、2回目でその結果を使って整えると、より正確になります。2回に分けたところ、-14.8 LUFSまで近づきました。

それでもぴったり-14にはなりませんでした。ピークを-1.5 dBFSより上に行かせない、という条件も一緒に付けているためだと考えられます。

整えたあとは、必ずもう一度測るのがおすすめです。「整えたつもり」と「実際の数字」は、ずれることがあります。

落とし穴③ 音割れ防止のリミッターが、音量を勝手に上げた

ピークを抑えるために、ffmpegの「リミッター(alimiter)」を最後に足しました。ところが、結果はこうでした。

試したこと 全体の音量 ピーク
重ねただけ -15.3 LUFS +0.4 dBFS
+リミッター(初期設定のまま) -13.8 LUFS +0.6 dBFS
+リミッター(自動調整をオフ) -15.1 LUFS -1.2 dBFS

初期設定のままだと、全体の音量が上がり、ピークもかえって大きくなりました。

ffmpegの説明を見ると、alimiterには「level(自動で音量を整える)」という設定があり、最初からオンになっていました。これが音量を持ち上げていたようです。level=0 でオフにすると、ピークは-1.2 dBFSに収まりました。

ffmpeg -i narration.wav -stream_loop -1 -i bgm-24.wav -filter_complex "[0:a][1:a]amix=inputs=2:duration=first:normalize=0,alimiter=limit=0.79:level=0" mix.wav

limit=0.79 は、ピークをおよそ-2 dBFSまでに抑える、という意味です。

動画編集ソフトで調整するときも、考え方は同じ

ffmpegを使わなくても、動画編集ソフトのBGMの音量を下げれば、同じことができます。そのときも、

  • BGMは、声よりはっきり小さく
  • 重ねたあとのピークが0を超えていないかを確かめる

の2つを意識すると、音割れや「声が聞こえない」を防ぎやすくなります。

まとめ

  • Geminiで作ったBGMは -11.9 LUFS と大きく、AI音声のナレーション(-20.7)より約9大きかった
  • ffmpegで、BGMは-24前後、声は-14前後に整えて重ねた(数字は一例。最後は耳で確かめる)
  • 落とし穴① 重ねるとピークが0を超えることがある
  • 落とし穴② 1回で整えると狙いからずれる。2回に分けて、整えたあとは必ず測る
  • 落とし穴③ リミッター(alimiter)は初期設定だと音量を上げる。level=0 でオフにする

参考にした資料

🔍 検証した日・バージョン:2026年10月12日/ffmpeg 9.0(Windows)/BGMはGeminiで作った曲(1分4秒)、ナレーションはGemini TTSで作った音声(5分5秒)/数値はすべてffmpegのebur128で実測