sidechaincompress でナレーション時に BGM を自動で下げる

この記事でわかること

• sidechaincompress フィルタでオーディオダッキング（Audio Ducking）を実現する方法
• サイドチェインコンプレッサーの仕組みとパラメータの意味
• ナレーションに連動してBGMを自動で下げる設定例
• attack/release パラメータで自然なダッキング効果を作る方法

動作確認: FFmpeg 8.1 / Windows — 本記事のコマンド 6 件を検証スクリプトで実行し、全て成功しました（2026-09-06） 対象 OS: Windows / macOS / Linux

オーディオダッキングとは

ナレーションや音声（ボイス）が入ったとき、BGMの音量を自動的に下げる技術です。映像作品、ポッドキャスト、解説動画などで広く使われています。FFmpegでは sidechaincompress フィルタで実現できます。

基本的な仕組み

ナレーション（サイドチェイン信号）
       ↓ 音量が上がる
コンプレッサーが BGM を圧縮
       ↓
BGM の音量が自動で下がる

sidechaincompress は2つの音声入力を受け取ります：

1. 主信号（BGM）：圧縮される対象
2. サイドチェイン信号（ナレーション）：圧縮のトリガー

基本コマンド

ナレーション付き動画と BGM ファイルを使ったダッキング：

ffmpeg -i input.mp4 -i input.mp3 \
  -filter_complex "[0:a]aformat=fltp:44100:stereo[bg];[1:a]aformat=fltp:44100:stereo[voice];[bg][voice]sidechaincompress=threshold=0.02:ratio=4:attack=200:release=1000[ducked]" \
  -map 0:v -map "[ducked]" -c:v copy output_ducked.mp4

この例では input.mp4 の音声をBGM、input.mp3 をナレーションとして使い、ナレーション発声時にBGMを下げます。

パラメータの説明

threshold の調整

ナレーションの音量に合わせて threshold を調整します。値が小さいほど弱い音声でも反応します：

ffmpeg -i input.mp4 -i input.mp3 \
  -filter_complex "[0:a]aformat=fltp:44100:stereo[bg];[1:a]aformat=fltp:44100:stereo[voice];[bg][voice]sidechaincompress=threshold=0.05:ratio=4:attack=200:release=1000[ducked]" \
  -map 0:v -map "[ducked]" -c:v copy output.mp4

自然なダッキング効果のための設定

attack と release を調整することで、ダッキングの「ふわっ」とした自然な動作を作れます。

ゆっくりとしたダッキング（自然な感じ）

ffmpeg -i input.mp4 -i input.mp3 \
  -filter_complex "[0:a]aformat=fltp:44100:stereo[bg];[1:a]aformat=fltp:44100:stereo[voice];[bg][voice]sidechaincompress=threshold=0.02:ratio=6:attack=300:release=1500[ducked]" \
  -map 0:v -map "[ducked]" -c:v copy output_natural.mp4

素早く反応するダッキング（タイトな感じ）

ffmpeg -i input.mp4 -i input.mp3 \
  -filter_complex "[0:a]aformat=fltp:44100:stereo[bg];[1:a]aformat=fltp:44100:stereo[voice];[bg][voice]sidechaincompress=threshold=0.02:ratio=8:attack=50:release=500[ducked]" \
  -map 0:v -map "[ducked]" -c:v copy output_tight.mp4

BGM の音量を事前に調整してからダッキング

BGMが大きすぎる場合、事前に音量を下げてからダッキングを適用します：

ffmpeg -i input.mp4 -i input.mp3 \
  -filter_complex "[0:a]volume=0.5,aformat=fltp:44100:stereo[bg];[1:a]aformat=fltp:44100:stereo[voice];[bg][voice]sidechaincompress=threshold=0.02:ratio=4:attack=200:release=1000[ducked]" \
  -map 0:v -map "[ducked]" -c:v copy output.mp4

ナレーションと BGM を最終的にミックスする

ダッキング後にナレーション音声を加えて最終的なミックスを作る：

ffmpeg -i input.mp4 -i input.mp3 \
  -filter_complex "[0:a]aformat=fltp:44100:stereo[bg];[1:a]aformat=fltp:44100:stereo,asplit=2[voice1][voice2];[bg][voice1]sidechaincompress=threshold=0.02:ratio=4:attack=200:release=1000[ducked];[ducked][voice2]amix=inputs=2:duration=longest[out]" \
  -map 0:v -map "[out]" -c:v copy output_mixed.mp4

この例では BGM のダッキング後、ナレーションと最終ミックスします。

ここで asplit が必要な理由

ナレーションを 2 回使っています。コンプレッサーを駆動するサイドチェイン入力として 1 回、 amix の入力としてもう 1 回です。フィルタグラフのラベルは 1 度しか消費できないため、 asplit=2 で明示的に複製する必要があります。

FFmpeg 8.x はこの分岐を自動で挿入してくれるので問題が表面化しません。 しかし Ubuntu 24.04 が標準で配る FFmpeg 6.1 は自動挿入しません。次のエラーで止まります。

Invalid stream specifier: voice.
Stream specifier 'voice' in filtergraph description ... matches no streams.

asplit を自分で書けば、どのバージョンでも動きます。本記事のコマンドを 8.1 と 6.1 の 両方で実行して判明したもので、2026-09-03 までバージョン依存の書き方を掲載していました。

注意事項

サイドチェインコンプレッサーはサンプルレートと音声フォーマットが一致している必要があります。aformat フィルタで統一するのが確実です。

注意: 両入力のサンプルレートが異なる場合、aformat で統一してください。
例: aformat=fltp:44100:stereo

関連記事

• 音量の正規化（loudnorm/LUFS）
• 音量の検出と調整（volumedetect/volume）
• 音声フォーマット変換

動作確認: FFmpeg 8.1 / Windows — 本記事のコマンド 6 件を検証スクリプトで実行し、全て成功しました（2026-09-06） 一次ソース: ffmpeg.org/ffmpeg-filters.html#sidechaincompress

よくある質問

サイドチェーンコンプレッションって何？

別の信号（ナレーション）が大きくなった時に、対象の信号（BGM）を自動で下げるコンプレッサ。FFmpeg では sidechaincompress で実装できます。

スレッショルドとレシオの初期値は？

ポッドキャストならスレッショルド -25dB / レシオ 8:1 から。アタック 5ms / リリース 200ms にすれば、文と文の間で BGM が自然に戻ります。

BGM の音量を下げるだけと比べて何が違う？

ナレーション系では明確に優位 — 一律に音量を下げると間（ま）の BGM まで小さくなって寂しくなる。ダッキングは話してる時だけ下がるのでメリハリが残ります。

声 1 + BGM 2 つでもダッキングできる？

はい。BGM 2 つそれぞれに sidechaincompress を適用（同じ声をサイドチェーン入力として）してから、ダッキング後の出力を合成します。

ポンピング（不自然な音量変動）が出る

アタック・リリースが速すぎ。アタックを 10〜20ms、リリースを 300〜500ms に。レシオを 4:1 まで下げてもマイルドになります。