FFmpegのsetptsとatempoで、動画を倍速やスローにする方法

​​FFmpeg​コマンドライン,動画,音声

FFmpeg で動画を倍速やスローにするには、映像には setpts、音声には atempo という2つのフィルターを、同じ倍率で使います。講義や操作説明の録画を2倍速や1.5倍速にして短くしたいときや、スロー再生の動画を作りたいときに使う方法です。

検証環境で10秒の動画を2倍速にすると、映像も音声も約5秒になり、440Hz の音は 440Hz のままでした。映像だけを速くした場合や、atempo の範囲を超えた場合に何が起きるかも、あわせて試しています。

補足

検証環境は Ubuntu 24.04.5、FFmpeg 6.1.1(Ubuntu のパッケージ 6.1.1-3ubuntu5)、CPU 4コアの仮想マシンです。元の動画は、FFmpeg のテスト映像(640×360、30fps、各フレームに元のフレーム番号を描いたもの)と 440Hz の正弦波(48kHz、モノラル)で作った10秒の MP4 です。映像は libx264、音声は AAC 128kbps で書き出しました。人の声や音楽を録音した音声での聞こえ方、可変フレームレートの動画、minterpolate などでフレームを補ってなめらかにする方法は試していません。

2倍速にするコマンド

映像と音声を、それぞれ2倍の速さにするコマンドです。

bash
ffmpeg -i src.mp4 -vf "setpts=0.5*PTS" -af "atempo=2.0" \
  -c:v libx264 -pix_fmt yuv420p -c:a aac -b:a 128k x2.mp4

setpts は、映像の各フレームを表示する時刻(PTS)を、式で付け直すフィルターです。0.5*PTS は「元の時刻の半分の時刻に表示する」という意味なので、映像が2倍の速さになります。FFmpeg のフィルターのドキュメントにも、速くする例として setpts=0.5*PTS、スローにする例として setpts=2.0*PTS が載っています。

atempo は、音声の速さ(テンポ)を変えるフィルターです。数字は倍率をそのまま書きます。映像は時刻を半分にするので 0.5、音声は速さを2倍にするので 2.0 と、書く数字が逆になる点に注意してください。

できた動画を ffprobe で調べた結果です。

text
r_frame_rate=30/1|avg_frame_rate=30/1|duration=5.066667|nb_read_frames=152
sample_rate=48000|duration=5.011000
duration=5.066667

1行目が映像、2行目が音声、3行目がファイル全体の長さです。元の動画は映像 300 フレーム、映像も音声も 10.000 秒でした。2倍速にすると映像は 5.067 秒、音声は 5.011 秒になり、フレームレートは 30fps のままでした。

-filter_complex で映像と音声をまとめて書いても、結果は同じでした。

bash
ffmpeg -i src.mp4 -filter_complex "[0:v]setpts=0.5*PTS[v];[0:a]atempo=2.0[a]" \
  -map "[v]" -map "[a]" -c:v libx264 -pix_fmt yuv420p -c:a aac -b:a 128k x2.mp4

フィルターを使うと、映像も音声も再エンコードが必要です。-c:v copy と一緒に指定すると、次のエラーで止まりました。音声のフィルターと -c:a copy を一緒に指定したときも、同じエラーでした。

text
[vost#0:0/copy @ 0x...] Filtergraph 'setpts=0.5*PTS' was specified, but codec copy was selected. Filtering and streamcopy cannot be used together.

(0x... の部分は、実行するたびに変わるメモリ上のアドレスです。以下のエラーでも同じです)

倍率ごとの書き方と結果

同じ10秒の動画で、倍率を変えて試しました。長さは ffprobe で調べた値です。

速さ 映像のフィルター 音声のフィルター 映像の長さ 音声の長さ フレーム数
元の動画 なし なし 10.000秒 10.000秒 300
4倍速 setpts=0.25*PTS atempo=4.0 2.567秒 2.516秒 77
2倍速 setpts=0.5*PTS atempo=2.0 5.067秒 5.011秒 152
1.5倍速 setpts=PTS/1.5 atempo=1.5 6.733秒 6.675秒 202
0.5倍速 setpts=2.0*PTS atempo=0.5 19.967秒 19.988秒 599
0.25倍速 setpts=4.0*PTS atempo=0.5,atempo=0.5 39.967秒 39.956秒 1199

1.5倍速の setpts=PTS/1.5 のように、割り算で書くこともできます。0.6667 のような割り切れない数を書かずに済みます。

映像の長さは、どの倍率でも計算どおりの値から 0.1 秒以内でした。速くした3つでは、映像が音声より 0.05〜0.06 秒長くなりました。

0.5倍より遅くするには atempo をつなぐ

atempo に指定できる倍率は 0.5 から 100 までです。0.25倍速にしようとして atempo=0.25 と書くと、次のエラーで止まりました。

text
[Parsed_atempo_0 @ 0x...] Value 0.250000 for parameter 'tempo' out of range [0.5 - 100]
Error applying option 'tempo' to filter 'atempo': Numerical result out of range

atempo=0.5,atempo=0.5 のように2つつなぐと、0.5 × 0.5 で 0.25倍速になります。表の0.25倍速の行が、このつなぎ方で作った結果です。

速くするほうは、atempo=4.0 のように1つで書けます。ただしドキュメントには、倍率が2より大きいときは音声の一部のサンプルを混ぜずに飛ばすこと、それが気になる場合は atempo をつないで同じ倍率にできることが書かれています。検証では、atempo=4.0 と atempo=2.0,atempo=2.0 のどちらでも、音声の長さは約 2.51 秒でした。

音の高さは変わらない

atempo は、速さだけを変えて音の高さを保ちます。音声を書き出して、いちばん強い周波数を求めました。

音声 いちばん強い周波数
元の動画 440.0Hz
atempo=2.0(2倍速) 440.0Hz
atempo=0.5(0.5倍速) 440.0Hz
atempo=4.0(4倍速) 440.2Hz
asetrate=96000,aresample=48000(2倍速) 880.0Hz

最後の行は、比べるために asetrate で速くしたものです。asetrate は音声のデータを変えずにサンプリングレートの値だけを書き換えるフィルターで、ドキュメントにも速さと音の高さの両方が変わると書かれています。48000Hz の音声を 96000Hz として扱い、aresample で 48000Hz に戻すと、2倍速になり、音は 880Hz と1オクターブ高くなりました。速さと一緒に音の高さも変えたいときは、こちらを使います。

映像だけ速くすると、音声は元の長さのまま残る

-af を付けずに setpts だけを指定すると、音声は元の速さのまま書き出されます。

bash
ffmpeg -i src.mp4 -vf "setpts=0.5*PTS" -c:v libx264 -pix_fmt yuv420p -c:a aac -b:a 128k x2-video-only.mp4
text
r_frame_rate=30/1|avg_frame_rate=30/1|duration=5.066667|nb_read_frames=152
sample_rate=48000|duration=10.005000
duration=10.005000

映像は 5.067 秒なのに、音声とファイル全体は 10 秒を超えています。音声のない動画を作るなら、-an を付けて音声を外します。-an を付けると、映像だけの 5.067 秒の MP4 になりました。

フレームは間引かれ、スローでは同じフレームが続く

速さを変えたとき、元のどのフレームが残るのかを調べました。各フレームの画像の MD5 を元の動画と照らし合わせ、出力の何番目が元の何番目かを並べた結果です(MP4 に書き出さずに比べるため、MP4 と同じようにフレームレートを固定する -fps_mode cfr -r を指定しています。フレーム数は、上の MP4 と同じになりました)。

速さと出力 フレーム数 最初のフレーム(元の番号) 最後のフレーム(元の番号)
2倍速、30fps 152 0, 1, 2, 3, 4, 6, 8, 10, 12 … … 292, 294, 296, 298
2倍速、60fps 301 0, 0, 1, 2, 3, 4, 5, 6 … … 296, 297, 298, 299
0.5倍速、30fps 599 0, 1, 1, 2, 2, 3, 3, 4 … … 297, 298, 298, 299, 299

2倍速でフレームレートが 30fps のままだと、最初の数フレームを除いて、元のフレームは1つおきにしか使われませんでした。0.5倍速では、最初のフレームを除いて、同じフレームが2回ずつ表示されます。フレームを補う処理はしないので、0.5倍速の動画で絵が変わるのは、1秒あたり15回だけです。

次の画像は、再生を始めてから同じ時刻の画面を、3つの動画から切り出したものです。画面の数字が、元の動画の何番目のフレームかを表しています。

再生 1.5秒・2.5秒・3.5秒・4.5秒の画面。元の動画は frame 45、75、105、135。2倍速は frame 86、146、206、266。0.5倍速は frame 23、38、53、68
再生を始めてから同じ時刻に表示される、元の動画のフレームの番号

2倍速では、1秒あたり約60フレーム分ずつ先に進んでいます。0.5倍速では、1秒あたり15フレーム分しか進みません。

元のフレームをすべて残したまま2倍速にするには、出力のフレームレートを2倍にします。-r 60 を付けると、MP4 は 60fps、301 フレームになりました。同じ指定でフレームを照合すると、元の 0〜299 番の 300 フレームがすべて使われていました(0番だけが2回続きます)。

bash
ffmpeg -i src.mp4 -vf "setpts=0.5*PTS" -af "atempo=2.0" -r 60 \
  -c:v libx264 -pix_fmt yuv420p -c:a aac -b:a 128k x2-60fps.mp4
text
r_frame_rate=60/1|avg_frame_rate=60/1|duration=5.016667|nb_read_frames=301
sample_rate=48000|duration=5.011000
duration=5.016667

映像の長さは 5.017 秒で、30fps のときの 5.067 秒より、音声の 5.011 秒に近くなりました。

​Posted by 86