自動タイミング：歌詞を歌声に自動で合わせる

手作業のタイミング付けは、曲に合わせて 1 行ずつキーを押していくので、1 曲に何分もかかります。「自動タイミング」は、まず音楽から歌声を分離し、歌詞の発音と照らし合わせて、各文字が歌われ始める時間を求めます。あとはタップでタイミング入力で微調整すればよく、一から付けるよりずっと速く済みます。

必要なもの

パソコン内の動画か音声ファイル：「ファイル > 動画ファイルを開く」で mp4、mp3、m4a、wav などのファイルを開きます。YouTube 動画の音声は読み取れないため、YouTube の URL では使えません。
新しい Chrome か Edge：パソコンのグラフィックスカード（WebGPU）で計算するので速く済みます。WebGPU に対応していないブラウザーでは CPU で計算します。時間はかなりかかりますが、使うことはできます。
歌詞：1 行ずつの字幕。時間は合っていなくてもよく、順番が正しければ大丈夫です。SRT などの字幕ファイルを読み込むか、字幕リストに 1 行ずつ入力します。

初回は約 320 MB のモデルをダウンロードします。その後はオフラインでも使えます。動画の音声と歌詞はパソコンの中だけで処理され、アップロードされません。

対応言語：中国語、日本語、韓国語、英語、スペイン語。歌詞に英語が混ざっていても大丈夫です。

タイミングを付ける

歌詞と動画を開きます。
「字幕 > 自動タイミング」を選びます。
範囲を選びます。
- 選択した行：その行の今の時間の前後 3 秒以内だけを探します。一部の行をやり直すときに便利です。
- トラック全体：曲全体を最初から合わせます。行の今の時間は関係ありません。
- すべてのトラック：トラックが 2 つ以上あるときに表示されます。デュエットで歌い手ごとにトラックを分けている場合はこれを選んでください。1 トラックだけだと、2 人とも歌う歌詞がもう 1 人の歌う位置に合わされることがあります。
元の字幕を残したいときは「新しいトラックを作り、元の字幕は変えない」にチェックを入れます。結果は新しいトラックに入ります。
「タイミングを付ける」を押します。

処理は 5 段階です：歌詞の読みの準備、ボーカル分離モデルのダウンロード、タイミングモデルのダウンロード、ボーカルの分離、歌詞のタイミング計算。ダウンロードはすべて最初に行うので、ネットワークの問題があればすぐにわかります。ダウンロード済みのものは飛ばします。3 分の曲なら、一般的な専用グラフィックスカードで 1 分ほどです。

処理中はこのタブを前面に出したままにしてください。ブラウザーはバックグラウンドのタブのグラフィックス処理を大きく遅くします。グラフィックスカードがフル稼働するため、画面が少しカクつくことがあります。気になるときは「CPU で計算する」にチェックを入れてください。数倍遅くなります（3 分の曲で 10～20 分ほど）が、パソコンは重くなりません。

終わったら

SRT などの普通の字幕は、タイミングを付けただけではまだ色が変わりません。そのため Kara3 は続けて「カラオケに変換」を開き、「字幕にある文字ごとのタイミングを使う」にチェックを入れておきます。変換すると 1 文字ずつ色が変わるようになります。
すでにカラオケの行は、文字ごとのタイミングだけが更新されます。
タップでタイミング入力で再生して確認するのがおすすめです。ずれている行は選択して R を押してやり直すか、選択してもう一度自動タイミングを付けます。
Ctrl+Z で 1 回分の自動タイミングをまとめて元に戻せます。

読みの行だけにタイミングを付ける

自動ルビの「別の行」で作った読みの行は、単独でタイミングを付けられます。読みの行だけを選ぶか、読みのトラックの行を 1 つ選んで「トラック全体」を選びます。かなの行は 1 文字ずつ色が変わります。たとえば「二人」を「ふたり」と歌う場合、歌詞はまとめて色が変わり、読みの行はふ・た・りで 1 回ずつ変わります。ローマ字の行は 1 単語ずつ変わります。ピンインと韓国語のローマ字の行は、もともと歌詞の 1 文字ごとに合わせて色が変わるので、別にタイミングを付ける必要はなく、飛ばします。自動ルビをもう一度実行すると読みの行が作り直され、付けたタイミングは消えるので、最後に付けるのがおすすめです。

精度が落ちる場合

辞書と違う読み：漢字は辞書の読みで照合するので、「水面」を「みなも」と歌うような場合はずれます。自動ルビでルビを付けて実際の読みに直すと、タイミングはルビを優先して使います。
はっきり歌っていない字や歌っていない字：前後の文字から時間を推定します。
方言：広東語や台湾語など漢字で書いた歌詞は、標準中国語の読みで照合するので、ずれが大きくなります。
コーラスが多い曲や伴奏が大きい曲：歌声がきれいに分離できず、精度が下がります。

さまざまな言語の数十曲で試したところ、ほとんどの文字は手作業のタイミングとの差が 0.2 秒以内でした。