動画に音声を後付けする方法｜ffmpegで劣化させずに結合

AIツール 自動化・ワークフロー
生成AIの動画に別の音声を結合する作業（ffmpeg・音声合成）のイメージ

PR

AIで記事作成を効率化したいなら → 高品質SEO記事生成AIツール【Value AI Writer byGMO】

※本記事は2026年9月に実際に行った作業の記録です。コマンドはmacOS（ffmpeg 8系）で動作確認しています。

こんにちは！Conomacです。

SeaArtなどの生成AIで作った動画に、あとから別で作った音声（VOICEVOXなど）を載せたい——よくある要望ですが、動画編集ソフトを開かずにコマンドだけで完結できます。しかも映像は再エンコードせず、画質を一切落とさずに音声だけ差し替えられます。

実際にこの方法で作ったショート動画がこちらです。

https://www.youtube.com/watch?v=4xr4BLahhzk

この記事でわかること

  • 生成AIの動画（mp4/mov）に、別のWAV音声を載せる手順
  • 音声を置き換える場合と、元の環境音を残して重ねる（ミックス）場合の使い分け
  • 映像を劣化させずに処理できたかを数値で確認する方法
  • 「音量が測れない」「音声が途中で切れる」など、ハマりどころ

前提：まず2つの素材の仕様を確認する

いきなり結合する前に、ffprobeで中身を確認します。ここで映像の解像度・フレームレート・音声のサンプルレート・長さを見ておくと、後段のトラブルが激減します。

ffprobe -v error -show_entries stream=index,codec_name,codec_type,width,height,r_frame_rate,channels,sample_rate,duration -show_entries format=duration -of default=noprint_wrappers=1 video.mov
ffprobe -v error -show_entries stream=codec_name,channels,sample_rate,duration -of default=noprint_wrappers=1 voice.wav

今回の実例では、動画が「720×1244 / 30fps / h264 + aac / 10.07秒」、音声が「モノラル 24kHz / 7.37秒」。動画のほうが長い点がポイントです（後述）。

手順1：音声を「置き換える」（いちばんシンプル）

元動画の音を消して、用意した音声だけにしたい場合はこれだけです。

ffmpeg -i video.mov -i voice.wav \
  -map 0:v:0 -map 1:a:0 \
  -c:v copy -c:a aac -b:a 192k -ar 44100 -ac 2 -movflags +faststart out.mp4
  • -c:v copy が最重要。映像をコピーするので再エンコードなし＝画質劣化ゼロ・処理も数秒
  • -map 0:v:0 -map 1:a:0 で「1つ目のファイルの映像」＋「2つ目のファイルの音声」を選ぶ
  • 音声は aac 192k / 44.1kHz / ステレオ に整えると、各種プラットフォームで再生トラブルが起きにくい
  • -movflags +faststart を付けると、Web再生時の読み込みがスムーズになる

手順2：元の環境音を残して「重ねる」（ミックス）

生成AIの動画には、環境音やBGMが入っていることがあります。それを薄く残したまま、声を上に載せたい場合はこちら。

ffmpeg -i video.mov -i voice.wav -filter_complex \
  "[0:a]volume=0.6[bg];[1:a]volume=1.6,aresample=44100[vo];[bg][vo]amix=inputs=2:duration=first[out]" \
  -map 0:v:0 -map "[out]" -c:v copy -c:a aac -b:a 192k out.mp4
  • volume=0.6 で元の環境音を控えめに、volume=1.6 で声を持ち上げています（数字は聞きながら調整）
  • amix は入力を合成するので、声が埋もれる場合はここでバランスを取る
  • duration=first は「1つ目の入力の長さに合わせる」の意味。動画側の長さを維持したいときに便利です

検証1：映像が本当に無劣化か確かめる

「-c:v copy したから大丈夫」で終わらせず、元動画と出力のフレームを数値で比較します。Python（MoviePy）で同じ秒のフレームを取り出して差を見るだけです。

from moviepy import VideoFileClip
import numpy as np
A = VideoFileClip("video.mov"); B = VideoFileClip("out.mp4")
for t in [1.0, 5.0, 9.0]:
    d = np.abs(A.get_frame(t).astype(int) - B.get_frame(t).astype(int)).max()
    print(t, "差分:", int(d))

すべて差分: 0なら、映像はビット単位で同一＝完全に無劣化です。「なんとなくキレイ」ではなく0で確認するのがおすすめ。

検証2：音量を測る（ハマりどころ付き）

ffmpeg -hide_banner -i out.mp4 -af volumedetect -f null - 2>&1 | grep -E 'mean_volume|max_volume'

注意：-v error を付けると volumedetect の結果が出ません（volumedetectはinfoレベルで出力するため）。最初これで「測れない」とハマりました。-hide_bannerだけにして、2>&1で標準エラーも拾うのが正解です。

今回の実例では、元動画の環境音が mean -37.5dB・声が mean -24.2dB / max -5.7dB でした。数字を見ておくと「声が小さすぎないか」「割れていないか」を客観的に判断できます。

つまずきポイント

  • 音声が動画より短いとき：無音区間ができます（今回は声7.37秒／動画10.07秒）。長さを合わせたいなら -shortest を付けて動画を切るか、後ろに無音を足します。どちらが自然かは用途次第です。
  • サンプルレートが違う：VOICEVOXのWAVは24kHzモノラル。そのまま入れると環境によっては再生が不安定なので、-ar 44100 -ac 2で整えるのが無難です。
  • 動画編集ソフト不要：カット・テロップ・BGM合成までffmpegで完結します。手作業より再現性が高く、スクリプト化すれば量産できます。
  • YouTubeは投稿後にタイトル・カテゴリを変更できない：APIのアップロード用スコープでは videos.update が使えないためです。投稿前に決め切りましょう。

まとめ

  • 生成AI動画への音声の後載せは、ffmpegの2行で完結する
  • -c:v copy で映像は無劣化。フレーム差分0で検証できる
  • 「置き換え」と「ミックス」は-filter_complexの有無で使い分け
  • 音量計測は-v errorを付けない（volumedetectが消える）

動画の素材づくりから音声の合成、結合、投稿まで、コマンドでつながると「1本作る」のハードルがぐっと下がります。ぜひ試してみてください。

PR・広告

動画の音声を整えるなら

ナレーションや音声の収録に、1本あると音が変わります。

関連記事

AIショート動画に喋らせてみた｜VOICEVOX導入でkokoro版と聴き比べ＋実測コスト全公開

ブログ画像3枚からYouTubeショート動画を全自動で作る方法｜BGM生成×テロップ×YouTube API連携の全手順

今回の動画の元記事（メインサイト）: 【完全保存版】AI画像生成の始め方 完全ガイド