ループ音源のプチノイズは、Gemini に聴かせる前に波形の端で切り分けられます

"""ループ音源の継ぎ目を、耳で聴く前に数値でふるい分ける。
標準ライブラリ + numpy だけで動きます（wave は 16bit PCM WAV 前提）。"""
import sys, wave
import numpy as np
 
def read_wav_mono(path):
    with wave.open(path, "rb") as w:
        if w.getsampwidth() != 2:
            raise ValueError(f"{path}: 16bit PCM の WAV だけを受け付けます")
        ch, sr, n = w.getnchannels(), w.getframerate(), w.getnframes()
        raw = np.frombuffer(w.readframes(n), dtype="<i2").astype(np.float64) / 32768.0
    if ch > 1:                      # ステレオはモノラルへ落として判定する
        raw = raw.reshape(-1, ch).mean(axis=1)
    return raw, sr
 
def seam_metrics(x, sr, edge_ms=10.0):
    """継ぎ目の段差を「その音源の内部で普段どれくらい動いているか」で正規化する。
    絶対値のしきい値は音源ごとにばらつくため、比で見るのが実務では安定する。"""
    step = np.abs(np.diff(x))
    p999 = float(np.percentile(step, 99.9))     # 内部で起きる最大級の変化
    jump = abs(float(x[0]) - float(x[-1]))      # ループ点でいきなり跳ぶ量
    k = max(1, int(sr * edge_ms / 1000))
    edge = np.concatenate([x[:k], x[-k:]])
    return {
        "jump": jump,
        "ratio": jump / max(p999, 1e-12),       # ← 判定に使う主指標
        "p999_step": p999,
        "edge_rms": float(np.sqrt(np.mean(edge ** 2))),
        "samples": int(len(x)),
    }
 
def verdict(m, ratio_threshold=1.0, edge_rms_floor=1e-3):
    if m["edge_rms"] < edge_rms_floor:
        return "SILENT_EDGE"     # 端が無音。段差は出ないが尺のずれを別に疑う
    return "SUSPECT" if m["ratio"] >= ratio_threshold else "OK"
 
if __name__ == "__main__":
    for path in sys.argv[1:]:
        x, sr = read_wav_mono(path)
        m = seam_metrics(x, sr)
        print(f"{path:24s} {verdict(m):12s} ratio={m['ratio']:8.3f} "
              f"jump={m['jump']:.5f} p999={m['p999_step']:.5f} "
              f"edge_rms={m['edge_rms']:.5f} n={m['samples']}")

def crossfade_loop(x, sr, ms=30.0):
    """末尾 ms 分を先頭へ等パワーで畳み込み、その長さだけ全長を詰める。"""
    L = int(sr * ms / 1000)
    f = np.linspace(0, 1, L)
    mixed = x[:L] * np.sqrt(f) + x[-L:] * np.sqrt(1 - f)   # 等パワー則
    return np.concatenate([mixed, x[L:-L]])

import os, wave
import numpy as np
from google import genai
from google.genai import types
 
client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])  # export GEMINI_API_KEY=YOUR_API_KEY
 
def build_seam_clip(x, sr, context_ms=1000.0):
    """再生時に折り返す瞬間を中央へ持ってきた短いクリップを作る。"""
    k = int(sr * context_ms / 1000)
    return np.concatenate([x[-k:], x[:k]])          # 末尾 → 先頭 の順に並べる
 
def to_wav_bytes(x, sr):
    import io
    buf = io.BytesIO()
    with wave.open(buf, "wb") as w:
        w.setnchannels(1); w.setsampwidth(2); w.setframerate(sr)
        w.writeframes((np.clip(x, -1, 1) * 32767).astype("<i2").tobytes())
    return buf.getvalue()
 
PROMPT = (
    "これはループ再生の折り返し部分だけを切り出した音声です。"
    "ちょうど中央が折り返しの瞬間にあたります。"
    "中央付近に、クリック・プツッという瞬間的な異音が聞こえますか。"
    "聞こえる場合は audible=true とし、中央からのおおよその位置をミリ秒で答えてください。"
    "音楽的な印象や音質の講評は不要です。"
)
 
def ask_seam_audible(x, sr, model="gemini-3.8-flash"):
    clip = build_seam_clip(x, sr)
    res = client.models.generate_content(
        model=model,
        contents=[
            types.Part.from_bytes(data=to_wav_bytes(clip, sr), mime_type="audio/wav"),
            PROMPT,
        ],
        config=types.GenerateContentConfig(
            response_mime_type="application/json",
            response_schema={
                "type": "object",
                "properties": {
                    "audible": {"type": "boolean"},
                    "offset_ms": {"type": "number"},
                    "note": {"type": "string"},
                },
                "required": ["audible"],
            },
        ),
    )
    return res.text     # JSON 文字列。呼び出し側で json.loads する