コードに刻まれた12の伝承

f0 = 1500.0
gain = 4.0
Q = 0.7071

人間の聴覚は全帯域を均等に聴いていない。1.5kHz〜6kHz付近を過剰に敏感に感じ、低域は実際より小さく聴こえる。BS.1770-4のK-Weightingフィルタは、この人間の嘘を数値に焼き込む。High-shelfで1.5kHz以上を+4dB持ち上げ、38Hz以下をハイパスで切る。この2段構成が「人間が感じるラウドネス」を物理量に変換する唯一の国際規格準拠の方法。

sos_low_pass = butter(4, 120.0, btype='lowpass', fs=sample_rate, output='sos')

120Hz以下でL/Rの位相がずれていると、クラブのサブウーファーで音が消える。モノラルサミングされた瞬間にキックとベースが相殺し、フロアから低音が消失する。vinyl盤のカッティングでも、低域のステレオ成分は針を溝から飛ばす物理的な破壊因子になる。

mud_risk = np.clip((ratios.get("low_mid_ratio", 0.0) - 0.15) / 0.15, 0.0, 1.0)

200〜500Hzは楽器の基音が密集する帯域であり、何も考えずにミックスすると必ず「もわっ」とした濁りが溜まる。この帯域のエネルギー比が全体の15%を超えたら泥が始まり、30%を超えたら致命的。

harshness_mask = (spectrum.freqs >= 2000) & (spectrum.freqs < 6000)
harshness_risk = np.clip((np.sum(spectrum.mono_power[harshness_mask]) / total_energy) * 3.0, 0.0, 1.0)

人間の外耳道の共鳴周波数は約2.5〜4kHz。この帯域にエネルギーが集中すると、物理的に鼓膜への圧力が増幅され、「痛い」「キンキンする」と感じる。リスナーは無意識にボリュームを下げる。つまりラウドネス戦争に勝っても、ハーシュネスで聴取時間を失う。

crest_envelope = 20.0 * np.log10(np.maximum(peak_values, LOG_FLOOR)) - 20.0 * np.log10(rms_values)

ピーク値とRMS値の差がクレストファクター。これが6dBを下回ると「過剰圧縮された素材」として検出される。音楽のダイナミクスは呼吸であり、吸う（静かな瞬間）と吐く（ピーク）の差がなくなると、音楽は窒息する。

absolute_threshold = -70.0
relative_threshold = ... - 20.0

LRA（Loudness Range）を正しく測るには2段のゲートが必要。まず-70 LUFS以下の完全な無音を除外（絶対ゲート）。次に、残った信号の平均ラウドネスから-20 LUを引いた値を相対ゲートとして適用。これにより、曲中の極端に静かなパッセージ（残響の尾、フェードアウト）がLRAを不当に拡大するのを防ぐ。

weighted_frequencies = np.sum(power_chunks * frequencies, axis=1)
hfc_envelope = weighted_frequencies / total_energy_per_chunk / (chunk_size // 2)

周波数スペクトルの重心（全周波数をパワーで重み付けした平均）が高いほど、その瞬間の音は「鋭い」。スネアのアタック、ハイハットのオープン、シンセのプラックは重心周波数が跳ね上がる。重心が低い区間はパッド、サブベース、リバーブの余韻。

left_oversampled = resample_poly(left_chunk, 4, 1)

デジタル音声のサンプル間には、サンプル値より大きい瞬間的ピークが存在する。44.1kHzで記録されたサンプル点の間に、実際にはサンプル値を超えるアナログ波形のピークが隠れている。これをInter-Sample Peakと呼ぶ。4倍にオーバーサンプリングして初めてこのピークが可視化される。

width_envelope = np.clip(side_rms_values / rms_values, 0.0, 1.0)

Mid = (L+R)/2、Side = (L-R)/2。Side成分のRMSをMid成分のRMSで割った値がステレオ幅の物理的定義。Side/Midが0ならモノラル、1に近づくほどLとRの差が大きい。

vocal_energy = np.sum(power_chunks[:, (frequencies >= 1000) & (frequencies < 5000)], axis=1)

人間の声の基本周波数は80〜400Hz程度だが、声の「存在感」を決めるのは倍音構造であり、1〜5kHzに集中する。この帯域のエネルギー比が高いセクションにはボーカルまたはボーカルに類する主旋律が存在する可能性が高い。

BAND_EDGES = {
    "sub":     (20, 60),
    "bass":    (60, 200),
    "low_mid": (200, 500),
    "mid":     (500, 2000),
    "high":    (2000, 8000),
    "air":     (8000, None)
}

伝統的な3バンド（Low/Mid/High）や4バンド分割では、問題の所在が特定できない。subとbassを分けなければキックとベースの棲み分けが見えない。midとhighの間にhighを置かなければ、ハーシュネスの居場所が分からない。8kHz以上のairは「空気感」であり、ここを潰すと音が死ぬ。

chunk_size = 44100 * 5  # 5 seconds

4xオーバーサンプリングはメモリ消費が4倍になる。10分の楽曲を一括処理すると、44100 × 600秒 × 4倍 × 8バイト × 2ch = 約17GBのメモリが必要になり、REST APIのコンテナが即死する。5秒チャンクに分割し、ピークが全体の50%以上のチャンクだけをオーバーサンプリングすることで、必要なメモリを数百MBに抑える。