# ASMR制作ノート：行為とセリフの「間」の実測 — 設計表

市販のASMR作品（台本付き）を実測し、行為の時間運びとセリフ間の間の取り方を、制作に使える設計値としてまとめたもの。

**検証済み**: 本表の設計値をそのまま使って試作音声（シャンプー場面・84秒）を制作し、試聴で違和感がないことを確認済み。以後の制作では本表の数値を既定の設計値として使用している。

---

素材: 市販ASMR作品4点 —— A 炭酸シャンプー / C 耳かき（右・左）/ D マッサージ / E 子守唄・添い寝。いずれも台本（セリフ・SE指示・時間指定の記法を含む）が付属する作品。
数値は実測の中央値ベースの目安であり、個別の作品では場面に合わせて微調整してよい。新しい行為（ハサミ・オイル・タッピング等）を扱う作品では、必要に応じてサンプルを追加して本表を更新する。

## 測定条件（全数値共通）

- **活動セグメント**（SE・息遣いの有無の判定）: 20ms RMS窓／ノイズフロア＝デジタル無音を除いた窓dBの10パーセンタイル（作品別: A −60.7dB、C右 −77.2dB、C左 −71.9dB、D −68.8dB、E −76.7dB）／ヒステリシス on＝フロア+14dB・off＝フロア+8dB／マージ間隔 0.25s／最小セグメント長 0.12s。条件は各 `*_segments.json` に記録。
- **セリフ時刻**: faster-whisper **small**（int8・CPU、言語 ja、VAD有効・最小無音 500ms、単語タイムスタンプ有効）で書き起こし、台本セリフと文字バイグラム Dice 類似度 ≥0.30 で単調アライメント（最大4セグメント結合）。セリフ開始・終了は単語タイムスタンプの最初・最後。
- **アライメント被覆率**（台本セリフ総数に対する対応付け成功率）: A 17/50＝0.34、C右 57/75＝0.76、C左 56/66＝0.85、D 28/33＝0.85、E 20/29＝0.69。A は水音・シャンプー音が大きく、囁きが書き起こしから落ちやすいため低い。A の数値は他作品より粗い前提で読むこと。
- 単語タイムスタンプには ±0.3s 程度の揺れがあるため、0.5s 未満の差は論じない。中央値（median）と四分位範囲（IQR）を主統計とする。サンプル数 5 未満の値は **参考値** と明記。

## 1. 行為別（フェーズ間の標準値・周期・セリフ差し込み位置）

### 全作品共通の骨格

- 行為は「予告セリフ → 準備の音 → 行為音の開始 → 継続（つぶやき・息遣いを挟む）→ 区切り → 次の予告」で組まれている。
- **予告セリフの終了から行為音が入るまで: 約1.3〜2.8s**（A: 椅子に座る 1.53s、柄杓を水に浸す 2.83s、流し開始 1.27s。C: 耳かき開始キュー 2.33s）。聞き手が「これから何が起きるか」を受け取る間として、この幅が実測の標準。
- ただし **手が既に対象に触れている行為（マッサージ）では 0.7〜1.2s** と短い（D: 開始キュー 0.67s / 1.21s）。
- 聞き手側の動作（寝転ぶ、膝に頭を載せる等）の音は、指示セリフ終了後 **1.2〜2.2s** で入る（C: 1.23s / 2.14s、E: 1.52s / 2.11s）。
- 作品の終わり: 最後の活動から **2〜4s** の静けさ（または寝息フェード）を置いて終了（A 2.16s、C右 2.06s、C左 4.24s、D 2.14s、E 3.0s）。

### A: シャンプー（炭酸シャンプー）

- フェーズ: 導入（椅子に座る）→ 髪を濡らす（柄杓）→ ソープ準備（手のひらで混ぜる・左耳→右耳）→ 洗う → 流す（柄杓）→ 拭く（タオル）。フェーズ切替は SE キューと「ではそろそろ〜」の予告セリフが担う。
- 「洗う」フェーズが作品の中核で、数分単位の連続した行為音（活動被覆率 0.94）の中に短いつぶやきが点在する構造。※whisper が 87s の巨大セグメントにマージした箇所があり、この区間の境界時刻は不正確。長さの精密値ではなく「数分スケール」と読むこと。
- 息遣いストレッチの入り方には2型ある: 濡らす工程では **ほぼ無音の息だけのストレッチ**（指定10sに対し最長無音 10.6s、活動被覆率 0.02）、洗う工程では **行為音に埋まったストレッチ**（活動被覆率 0.56〜0.95）。「間＝無音」とは限らない。
- 洗う音の自己相関は 0.4s 付近に弱いピーク（ac 0.37）: 擦り動作の反復は 0.4〜0.9s 周期の可能性。**参考値**（泡音はノイズ性が高く周期は明瞭でない）。

### C: 耳かき（右・左）

- 準備フェーズが長い: 場所の説明・体勢の指示（レジャーシート、膝枕）が先行し、道具を出す音、耳元への移動を経て行為開始。開始キューから実際の掻き音まで 2.33s。
- 行為中は台本の「（少し長い呼吸音：『…』とつぶやきながら耳かき）」が単位になる: **声から声までの区間は中央値 約17s**（単独ブロック n=16、中央値 16.7s、IQR 13.5〜19.4s)。つまり行為中は 15〜20s に1回、短いつぶやきか息遣いが入る。
- 「（短い呼吸音）」は 2〜10s（n=4、**参考値**。23.7s の外れ値は「入り口周りと溝」という小行為1つ分だった）。
- 掻き動作の微細周期: RMS包絡の自己相関ピーク **0.28〜0.42s**（C左では ac 0.39〜0.49 と明瞭、C右は ac 0.26 と弱め）。掻き音は 0.3〜0.4s 間隔の反復で構成される。
- セリフの差し込み位置: 部位の切替（入り口→耳裏→耳穴→奥）のたびに予告セリフが入り、部位内ではストレッチが続く。右耳の後に左耳へ移る構成も同じ。

### D: マッサージ

- 台本 SE の（開始）/（終了）キューで区切られる3ブロック構成。ブロック長（前後のセリフに挟まれた区間）: 首・肩・背中 **約80s**、腰・お尻回り **約60s**、総仕上げ **約21s**。本編→部位別→仕上げと短くなっていく。
- ブロック内は「（長い呼吸音：つぶやき）」ストレッチが 9.9〜40.3s（n=5、中央値 15.6s）で連なり、その合間に通常セリフが入る。シャンプー/耳かきより通常セリフの密度が高い。
- 圧しの周期: 自己相関ピーク 2.6〜3.6s だが相関は弱い（ac 0.06〜0.20)。**参考値**: 圧しは約3s周期だが厳密な等間隔ではない、程度の読み。
- 開始の入りは速い（0.7〜1.2s、上記）。終了キュー後は通常セリフへ戻る。

### E: 子守唄・添い寝

- 前半は会話（食事の後片付け〜ベッドへ）、中盤から トントン＋子守唄（『ゆりかごの歌』）、終盤は頭を撫でる音と寝息へフェード。
- **トントンの周期: 約1.0〜1.15s**（自己相関 lag 0.98/1.14s、ac ≈0.50 と全作品で最も明瞭）。約55〜60回/分に相当し、心拍〜安静呼吸に近いテンポ。
- トントン＋歌のストレッチ区間は 38.0s（1ブロック）。歌の合間にもトントンのみのストレッチが挟まる。
- 終わり方は「最後の活動（寝息）終了の 3.0s 後にファイル終了」= フェードアウトの余韻として約3s。

## 2. セリフ間の間（役割別の標準値）

声の終了（単語タイムスタンプ末尾）→ 次の声の開始で全数実測し、台本の文脈で分類した。台本順で連続する対応済みセリフペア全141件を集計（内訳は `gap_table.csv`）。

| 役割 | n | 中央値 | IQR | 読み |
|---|---|---|---|---|
| 通常の会話（分類なし） | 39 | **1.79s** | 1.52〜2.33 | このジャンルの基準の間。日常会話より明確に長い |
| 質問の後（聞き手の無言ターン） | 32 | **1.95s** | 1.62〜2.59 | 基準+約0.2s。頷き・小さい反応が返る時間として約2s |
| 感情の山の後 | 13 | 1.64s | 1.38〜2.66 | 基準とほぼ同じ。感情は間の長さではなく声で運ばれている |
| 聞き手が身体で反応する SE の間 | 10 | **3.29s** | 0.86〜4.80 | 体勢変更など物理的動作が入ると 3〜5s に伸びる |
| 演者側 SE の間 | 3 | 2.07s | — | **参考値**（n=3） |
| 行為予告の後 | 9 | 1.43s | 1.38〜3.37 | ただし外れ値 215.8s が1件: これは「間」ではなく準備フェーズそのもの（A のソープ準備)。予告後の実質の間は 1.4〜3.4s |
| 行為ストレッチを挟む区間 | 34 | 11.59s | 0.25〜18.76 | 台本ストレッチ記法を挟む声―声区間。つぶやきを含むため分布が広い（§3参照） |
| 締めのセリフの後 | 1 | 1.45s | — | **参考値**（n=1） |

作品別の基準（通常の会話の中央値）: C右 1.82s、C左 1.69s、D 1.73s、E 2.05s。作風が違っても 1.7〜2.0s に収まる。質問後の間も C右 1.95s、C左 1.71s、D 2.09s、E 1.90s と作品間で安定している。

**設計への落とし込み（案）**:
- セリフ間の標準は **1.8s 前後**。ここを基準に、質問の後は **2.0s**、聞き手が動く場面は **3〜5s**、行為の予告から行為音までは **1.3〜2.8s**（手が触れている行為は 0.7〜1.2s）。
- 感情を込める場面で間を伸ばす必要はない（実測では伸びていない）。間は「状況の物理と聞き手のターン」で決まり、感情は声側の領分。

## 3. 台本指定と実測のズレ

### A（秒数指定あり）

単独で対応付けできたストレッチ（間に未対応セリフなし）:

| 台本指定 | 実測（声―声区間） | 比 |
|---|---|---|
| 10s | 10.83s | ×1.08 |
| 30s | 42.8s | ×1.43 |
| 60s | 44.15s | ×0.74 |
| 30s | 0.99s | 対応付け不良の疑い（除外扱い） |

- 読める範囲では、指定秒数は **±40% 程度の目安**として演じられている。きっちり守る対象ではなく、場面の呼吸を決める指示。
- 複数ストレッチが2つの対応セリフの間に固まる区間（指定合計 180〜300s）では、途中のつぶやきセリフが書き起こしから落ちており、区間単位の比率は出せない。指定合計をそのまま実時間とみなす根拠はない、とだけ記す。

### C・D・E（定性指定「短い/少し長い/長い呼吸音」）

- 「少し長い呼吸音」「長い呼吸音」の単独ブロック: 中央値 **約17s**（n=16、IQR 13.5〜19.4s、D では最大 40.3s）。
- 「短い呼吸音」: 2〜10s（n=4、**参考値**）。
- つまり定性ラベルは **短い ≒ 数秒 / 少し長い ≒ 15〜20s** の対応だが、重なりも大きく、ラベルの本質は長さよりも「つぶやき・息遣いを続けながら行為する様式」の指定と読む方が実態に合う。

### 「間」の中身についての共通所見

- 台本のストレッチ記法が挟まる区間でも、完全に無音なのは A の濡らし工程の一例（10.6s）など一部だけ。大半は行為音や息・つぶやきで満たされている（活動被覆率の中央値は区間により 0.56〜1.00）。
- 設計上は「無音の間」と「行為音だけの間」を分けて考える必要がある。本表のセリフ間の数値は **声の間** であり、無音の長さではない（無音部分は各区間の `longest_silence_s` として `stretch_table.csv` / `gap_table.csv` に記録）。

## 4. 注意点・限界

1. **書き起こしの限界**: 囁き声+大きな SE の環境では faster-whisper の取りこぼしが起きる（被覆率 A 0.34 が最悪）。A については medium モデルでも再書き起こしを試したが、被覆率は 0.30 と small を下回った（セグメントが長くマージされるため）ため、small の結果を採用した。A の精密なフェーズ境界は今後の課題。
2. **アライメントの性質上**、対応付けは「台本順序を保つ最良の推測」であり、個別ペアには誤対応が混ざりうる。中央値ベースの結論は頑健だが、個別の外れ値（例: 215.8s、382.8s 相当区間）はフェーズ構造として解釈し直して記載した。
3. **周期の測定**は RMS 包絡の自己相関による示唆であり、特に D の圧し周期（ac ≤0.20）は弱い証拠。設計値として使う場合は試作で耳確認すること。
4. サンプルは2系統の作品（1トラック+3トラック）のみ。作品が増えれば基準値の見直しが要る。
5. 本表の数値はすべて「実効の間」を声のタイムスタンプから測ったもの。完成品の音声で測る継ぎ目の間とは測定対象が違うので、ミックス時は完成品側の基準で測り直すこと。