映像の作り方|音
整音・MA

- MAは、録った音を「聞き取れる・伝わる・気持ちいい」にする仕上げの工程です。
- 音量の順番は、セリフ・ナレーション>効果音>BGMです。BGMがセリフを食うのが典型的な失敗です。
- 配信先や放送には音量の基準があり(日本のテレビは−24.0 LKFS、YouTubeは約−14 LUFSとする測定が多い)、大きく作っても自動で下げられます。基準に合わせ、潰さないことが大切です。
MAとは
MA(マルチオーディオ)とは、映像の音を仕上げる工程の総称で、日本の現場で使われる言葉です。
MAでは、録った音を、聞き取れる、伝わる、気持ちいい音にします。ノイズを取り、声を聞きやすくし、音楽や効果音とのバランスを整え、最後に配信先の基準に合わせて音量をそろえます。
整音は、MAの最初の段階にあたる「音の掃除」です。整音で雑音を取り、MA全体でミックスとラウドネスの調整まで仕上げる、という関係です。
MAの標準の流れ
MAは、おおむね次の順番で進みます。順番を守るのは、後の工程ほど前の工程の結果を前提にしているからです。
| ①整音(クリーンアップ) | ノイズの除去(「サー」というヒス、ハム、エアコンの音)、口の音や息の破裂音の処理、無音の部分の整え |
|---|---|
| ②EQ(イコライザー) | 要らない周波数を削る。声の下の低い音を切る(ローカット)のが基本。聞き取りやすさを上げる |
| ③コンプレッサー | 音の大小をならし、セリフを聞きやすく安定させる |
| ④レベルとミックス | セリフ、BGM、効果音、環境音のバランスを取る。セリフが埋もれないことが最優先 |
| ⑤ラウドネスの最終調整 | 配信先の基準に音量を合わせる(マスタリング)。真のピークの上限も守る |
ミックスの原則 ― うるさい=良い、ではない
ミックスの原則は、音量に階層を作ることです。主役はセリフやナレーション、次がアクセントの効果音、土台がBGMです。BGMがセリフを食ってしまうのが、慣れないミックスの典型的な失敗です。
ダッキングは、セリフが来たらBGMを自動で少し下げる仕組みです(サイドチェインとも呼ばれます)。ナレーションの動画やPRの映像の定番です。
リバーブ(残響)で距離感もつくれます。響きの少ない「ドライ」な音は近く、響きの多い「ウェット」な音は遠く広く聞こえます。ナレーションに薄い残響を足すと、現場の空気が出ます。
ラウドネス(LUFS)― 配信の音量の基準
LUFSは、人の耳の感じ方に合わせた、平均的な音の大きさの単位です。測り方は国際電気通信連合(ITU)の規格 ITU-R BS.1770 で決まっていて、2023年11月の BS.1770-5 が最新版です。配信先ごとに目標の値があります。以下は2026年時点の資料によるもので、変わることがあります。
| YouTube | 公式の目標値は公表されていない。約−14 LUFSに下げられるという測定が多い(推定)。大きすぎる音は下げるが、小さい音は持ち上げない |
|---|---|
| Spotify、TIDAL、Amazon Music | 約−14 LUFS。音楽や動画の配信の主流 |
| Apple Music | 約−16 LUFS。やや静か |
| TikTok、Instagram | 公表された目標値は無い。−14 LUFS前後に寄るという観測があるが推定 |
| 放送(日本のテレビ) | −24.0 LKFS(許容±1)。民放連の技術規準「テレビ放送における音声レベル運用規準」。CMの素材も同じ値(日本広告業協会ほか、2012年) |
| 放送(欧州のEBU R128) | −23 LUFS(±0.5 LU)。真のピークは−1 dBTP |
| 放送(米国のATSC A/85) | −24 LKFS。真のピークは−2 dBTPが推奨 |
| 配信ドラマ(Netflixの仕様) | −27 LKFS。セリフの区間だけで測る(±2 LU、真のピークは−2 dBTP)。ほかの配信サービスは各社で仕様が違う |
- 真のピーク(トゥルーピーク)の上限は、多くの配信先で−1 dBTPです。変換のときに音が歪まないための、天井の余白です。
LUFS・LKFS・dBFSの違い
音の大きさを表す単位は、何を測るかで使い分けます。混同すると、基準に合わせたつもりで外れます。
| LUFS | 番組や曲の全体の平均的な大きさ(統合ラウドネス)。ITU-R BS.1770の測り方。EBUなどが使う呼び名 |
|---|---|
| LKFS | LUFSと同じ値の別の呼び名。ITUや米国のATSC、Netflixの仕様が使う。−23 LUFSと−23 LKFSは同じ大きさ |
| LU | ラウドネスの差や幅を表す単位。「±0.5 LU」のように許される誤差に使う |
| dBFS | デジタルの天井(0dBFS)からの瞬間の大きさ。録音のレベル管理で使う |
| dBTP | 真のピーク。デジタルの点と点の間で生まれる山まで見積もったピーク |
ラウドネスはどう測るのか
ラウドネスの測り方は、耳の感じ方に寄せた重み付けと、静かな部分を除く仕組みでできています。ITU-R BS.1770は測り方を決める「ものさし」で、目標の値そのものは決めていません。目標は、EBU R128やATSC A/85、各配信サービスがそれぞれ決めています。
Forasoftの解説によれば、BS.1770ではまず「K特性」というフィルターで、耳が敏感な高さの音を強め、それ以外を弱めます。次に、音を400ミリ秒ずつ75%重ねた区間に分け、−70 LUFSより静かな区間と、いったん出した平均より10 LU以上静かな区間を除いて(ゲート)、残りの平均を統合ラウドネスとします。
この仕組みのため、無音や小さな環境音が長く続いても、平均が大きく下がりすぎないようになっています。真のピークは、記録された点を細かく補って(オーバーサンプリング)、点と点の間に生まれる山まで見積もった値です。
「とにかく大きく」は意味がない
配信では、基準より大きく作っても、配信する側が自動で音量を下げます(ラウドネス・ノーマライゼーション)。そのため「とにかく大きく」は意味がありません。リミッターで潰して大きくした音は、下げられた後に平たく聞こえるだけです。
逆に、YouTubeは小さい音を持ち上げないため、小さすぎる仕上げはほかの動画より静かに聞こえます。基準に合わせて、ちょうど良く、潰さないことが正解です。
音量の数字を合わせることと同じくらい大切なのが、セリフが最後まで埋もれずに聞き取れることです。
納品前のチェックリスト
MAの仕上げは、数字と耳の両方で確かめます。
- セリフとナレーションが、最初から最後まで聞き取れる。
- スマホのスピーカーと、ヘッドホンの両方で聞いた(スマホでは低い音がほとんど聞こえない)。
- 統合ラウドネスと真のピークを測り、配信先の基準に収まっている。
- BGMの頭と終わりが、途中で切れずに処理されている。
- 素材ごとの音量の差(AI音声、BGM、効果音)がそろっている。
- 書き出しの設定が、映像の標準の48kHzになっている。
よくある間違いと直し方
MAの失敗は、聞く環境の偏りと、数字だけを見ることから起きます。
- BGMがセリフを食う:ダッキングで、セリフの間だけBGMを下げます。
- ピークを0dBぎりぎりに置く:変換で歪みます。真のピークは−1 dBTP以下にします。
- リミッターで潰して大きくする:配信で下げられ、平たい音だけが残ります。
- ヘッドホンだけで判断する:スマホで聞くと、声が細い、BGMが大きいなどのずれに気づけます。
- 素材ごとに大きさがばらばら:AIで作った素材は特に差が出ます。まず素材の段階でそろえます。
AI動画では、こう使う
- 生成した音は、MAで必ずそろえるAIで作ったBGM・効果音・ナレーションは、素材ごとに音量がばらばらです。それぞれのLUFSとピークを見て、MAで必ずそろえます。
- 映像に4つの音を重ねて仕上げるAI動画では、MAが仕上がりを大きく左右します。生成した映像にナレーション、BGM、効果音、環境音を重ね、ダッキングでセリフを立て、配信先の基準(YouTubeなら約−14 LUFS)に整えます。
- AI音声の息と無音を整えるAI音声は、息つぎが無かったり、文と文の間の無音が機械的にそろっていたりします。整音の段階で間の長さを少し変え、薄い環境音を敷くと、人が話している感じに近づきます。
よくある質問
YouTube向けの動画は何LUFSで作ればいいですか?
YouTube向けの動画は、約−14 LUFS、真のピークは−1 dBTP以下を目安に作るのが一般的です。YouTubeは大きすぎる音を下げますが、小さい音は持ち上げないため、小さすぎる仕上げも避けます。
整音とMAの違いは何ですか?
整音は、雑音を取り、口の音や息の破裂音を処理する「音の掃除」の工程です。MAは、整音に加えてEQ、コンプレッサー、ミックス、ラウドネスの調整までを含む、音の仕上げ全体を指します。
TikTokやInstagramの音量の基準はありますか?
TikTokやInstagramは、2026年時点の資料では目標の数値を公表していません。−14 LUFS前後に寄るという観測はありますが推定です。迷ったらYouTubeと同じ−14 LUFS・−1 dBTPで作り、実際の再生で確かめます。
ダッキングとは何ですか?
ダッキングは、セリフやナレーションが入っている間だけ、BGMの音量を自動で少し下げる処理です。サイドチェインとも呼ばれ、声を聞き取りやすく保ったまま、音楽の流れを止めずに済みます。
出典
この記事は、AIで下調べをして出典を確かめ、ファーストペンギン代表の向井 宏が監修しています。最終確認:2026年11月
