オーディオマスキングとは｜周波数マスキングの仕組みと動画音声への影響

周波数マスキング（Simultaneous Masking）は強い音が同時に存在するとき、その近くの周波数の弱い音が聴こえなくなる現象です。例えば、1kHzの大きな音が鳴っているとき、その周辺の1.1kHzや0.9kHzの小さな音は聴こえにくくなります。音が強いほど、また周波数が近いほどマスキング効果は大きくなります。

聴覚のマスキング特性は「スプレッドオブマスキング（Spread of Masking）」と呼ばれ、低い周波数の強い音は高い周波数にも広くマスキング効果を及ぼします（低→高方向に広い）。一方、高い周波数の音は低い周波数へのマスキング効果が小さい（高→低方向は狭い）。

時間マスキング（Temporal Masking）は時間的に前後する音のマスキングです。1）フォワードマスキング（前方向マスキング）：強い音の後の短い期間（約200ms程度）に発生する弱い音が聴こえにくくなる。2）バックワードマスキング（後方向マスキング）：強い音の直前の数ms（5〜20ms程度）の弱い音が聴こえにくくなる。強い音の直前の音を「遡って」マスクする現象で、聴覚神経の処理の特性によります。

時間マスキングは知覚心理学的に興味深い現象で、人間の脳が音声処理を行う際のキャッシング・統合処理に関わると考えられています。音楽制作では「コンプレッサーのリリースタイム」や「トランジェント（音の立ち上がり）」の設定において、時間マスキングの概念が参考になります。

MP3・AACなどの音声圧縮コーデックはオーディオマスキングを利用してデータを削減しています。心理音響モデル（Psychoacoustic Model）と呼ばれる計算で、人間の耳がどの周波数・時間帯の音をマスクされているかを予測し、マスクされていない重要な音に多くのデータ（ビット）を割り当て、マスクされている聴こえない音には少ないデータを割り当てます（または完全に省略）。

このアルゴリズムにより、元の音声データ（PCM）の1/10以下のファイルサイズに圧縮しても、人間の耳には元音声と大きく変わらないように聴こえます。ただし、ビットレートが低くなるほど心理音響モデルの予測精度が落ちて、「コーデックアーティファクト（圧縮歪み）」と呼ばれる音質劣化が現れます。MP3の128kbps以下・AACの96kbps以下では明確なアーティファクトが聴こえることがあります。

動画音声でのマスキング問題の一般的な例：BGMと声のマスキング。BGMとボーカル・ナレーションが同じ周波数帯域（特に中音域：500Hz〜2kHz）で競合すると、声がBGMにマスクされて聴こえにくくなります。

対処法：EQで声の周波数帯域（特に1〜3kHz）を強調し、BGMの同帯域をカットすることで声の前方感を出す（サイドチェイン的EQ処理）。VideoAudioTuneのVoice Clarityプリセットは声の中音域を強調するため、BGMと声のバランスが改善されます。また、BGMの音量レベルを声より10〜15dB程度低く設定することも基本的なバランス調整として有効です。

プロのオーディオエンジニアがミキシングでマスキングを回避するテクニック：1）周波数分離：異なる楽器・声が同じ周波数帯域で競合しないようEQでそれぞれの「居場所」を作る。例：ベースギターの100〜200Hzを強調し、キックドラムの60〜100Hzと分離。2）EQダッキング：BGMのミックスで声が入る中音域（1〜3kHz付近）を少しカットし、声の聴こえる空間を作る。

3）パンニング（定位）：ステレオフィールドで異なる音源を左右に分散させることで、同じ周波数帯でも異なる空間に配置できます。4）コンプレッサー：音量の大きな要素のダイナミクスを抑えることで、マスキングの原因となる音量差を解消。VideoAudioTuneのEQプリセットはこれらのテクニックを動画音声に自動的に適用し、声の明瞭さとBGMのバランスを向上させます。