SAM Audio(サムオーディオ)とは
SAM Audioとは、複数の音が混ざった録音から、文章、映像、時間範囲で指定した音を分離するMetaのAIモデルです。撮影済みの動画や録音から、残したい音と抑えたい音を選び分ける用途が想定されています。2026年8月11日時点でコードと試用環境は公開中です。
英語表記：Segment Anything Model for Audio
言葉、画面、時間で音を指定する
指示方法は文章、映像上の対象、時間範囲の3つです。「犬の鳴き声」のように文章で指定する、映像上の人物や楽器をクリックする、雑音が入った時間帯を示す方法があります。単独でも組み合わせても使え、対象の音と残りの音を、別々の音声データへ分ける仕組みです。
屋外動画の交通音を抑える、会議録音から特定の話者を取り出す、演奏動画から楽器音を分けるといった試作が考えられます。編集者が波形だけを見て探す代わりに、意味や画面上の対象を手掛かりにできる点が最大の特徴。
完全自動の音源分離とは考えない
SAM Audioは、音そのものを見本として渡す指示には対応していません。指示なしですべての音源を完全に分けるモデルでもなく、合唱から一人だけ、オーケストラから一楽器だけのような似た音の分離は難しい場合があります。
元の録音を残し、取り残し、音質の変化、権利、話者の同意を人が確認してください。業務で使えるかどうかは、同じ素材で聴き比べ、目的の音をどこまで残せたか、不要な音をどこまで抑えられたかで判断します。
Topic映っているギターをクリックして音を選ぶ
画像版のSegment Anythingは、画面上の物体を選び分けるモデルとして知られています。SAM Audioはその考え方を音へ広げ、演奏動画のギターをクリックして音を取り出す例を公式に示しました。「聞こえる音」を「映っている物」から指定できる点が、映像と音を一緒に扱う面白さでしょう。
SAM Audioに関するよくある質問
- SAM Audioは映像がない録音にも使えますか？
- 文章や時間範囲で音を指定できるため、映像のない録音にも使えます。映像上の対象をクリックする指定だけは利用できません。
- SAM Audioを自社環境で動かすには何が必要ですか？
- 公式コードと利用許可を得たモデルチェックポイントが必要です。公式GitHubはCUDA対応GPUを推奨しているため、試用環境の計算資源も見積もります。
- 分離後の音は原音として扱えますか？
- AIが生成した分離トラックなので、原音と同一とは限りません。元ファイルを保存し、音質、欠落、別の音の混入を聴き比べてください。
