Was ist LUFS? Lautheitsziele für KI-Stimmen und Audio

Was ist LUFS? Es ist eine Lautheitseinheit, die misst, wie laut Audio für einen Hörer über die Zeit klingt, nicht wie hoch die Spitzen reichen. Ein LU entspricht einem dB Verstärkung, und die Werte sind negativ, weil die Skala an die volle digitale Aussteuerung (0 dBFS) gebunden ist. Bei gesprochenem Wort orientieren Sie sich an einem Ziel, etwa -16 LUFS für die meisten Podcasts, und halten die True Peaks unter etwa -1 dBTP.

Wie misst LUFS die Lautheit tatsächlich?

LUFS steht für Loudness Units relative to Full Scale, auf Deutsch etwa Lautheitseinheiten bezogen auf Vollaussteuerung. Die Messung ist in ITU-R BS.1770 definiert und wurde von der EBU R 128 übernommen. LKFS ist dieselbe Einheit unter dem älteren Namen. Ein Messgerät tut drei Dinge, bevor es eine Zahl ausgibt.

Erstens wendet es die K-Gewichtung an. Das ist ein Filter, der tiefe Frequenzen abschwächt und die oberen Mitten leicht anhebt, ungefähr so, wie das Gehör Energie gewichtet. Eine Stimme mit viel Rumpeln bei 80 Hz wirkt leiser, als ihr Rohpegel vermuten lässt, weil der Filter dieses Dröhnen kaum zählt.

Zweitens mittelt es die Energie über ein Zeitfenster. In der Praxis zählen drei Fenster:

• Momentary betrachtet 400 ms und schwankt schnell.

• Short-Term betrachtet 3 Sekunden und ist die Anzeige, die Sie beim Schneiden einer Phrase beobachten.

• Integriert umfasst die gesamte Datei vom ersten bis zum letzten Sample. Diese Zahl nutzen Plattformen für die Normalisierung.

Drittens wird gegated. Alles unter -70 LUFS wird komplett ignoriert, danach alles, das mehr als 10 LU unter dem laufenden Mittelwert liegt. Das Gating ist der Grund, warum lange Pausen zwischen Sätzen den Wert nicht nach unten ziehen. Es erklärt aber auch, warum eine Datei, die überwiegend aus Raumton besteht, einen seltsamen integrierten Wert liefert.

Der Session-Hinweis: Ist ein Render kürzer als eine Sekunde, ruht der integrierte Wert auf sehr wenigen Fenstern. Messen Sie ihn besser im vollständigen Szenen- oder Kapitelkontext.

Warum die Werte negativ sind und wie sich LUFS von dBFS und RMS unterscheidet

Die Skala endet bei 0 dBFS, dem lautesten Wert, den eine digitale Datei speichern kann. Alles, was Sie hören, liegt darunter, deshalb sind alle Werte negativ. Ein Wert von -16 LUFS bedeutet schlicht 16 Einheiten unter Vollaussteuerung.

Die Verwirrung beginnt, weil mehrere Messgeräte dieselbe dB-Schreibweise verwenden. In der Praxis unterscheiden sie sich so:

• Peak (dBFS) ist das höchste einzelne Sample. Er sagt etwas über Clipping, aber nichts über die Lautheit.

• True Peak (dBTP) schätzt den höchsten Pegel, den die Wellenform zwischen den Samples nach der Wandlung erreicht. Verlustbehaftete Codecs können ihn über 0 treiben, obwohl der Sample-Peak darunter liegt. Deshalb verlangen Plattformen meist etwa -1 dBTP Reserve.

• RMS mittelt die Signalleistung ohne K-Gewichtung und ohne Gating. Das ist gröber, und manche Spezifikationen, etwa der Hörbuchstandard weiter unten, verwenden sie weiterhin.

• LUFS ist gewichtete, gegatete Lautheit. Sie stimmt am besten mit dem überein, was Hörer als lauter empfinden.

Zwei Dateien können denselben Peak haben und sich in der Lautheit um 8 LU unterscheiden. Eine Aufnahme mit vielen Plosiven und einer einzelnen Spitze und eine komprimierte Aufnahme mit gleichmäßiger Dynamik beweisen das. Genau diese Lücke ist der Grund, warum es die Einheit gibt.

Welches LUFS-Ziel passt zu Sprachproduktionen?

Es gibt keine einzige Zahl. Das Ziel hängt davon ab, wo die Datei landet, und manche Ziele verwenden LUFS gar nicht. Diese Werte sollten Sie sich merken.

• Musik-Streaming, etwa -14 LUFS integriert. Die Dokumentation zur Lautheitsnormalisierung von Spotify nennt -14 dB LUFS als normalen Wiedergabepegel, Loud bei -11 und Quiet bei -19 für Premium-Hörer. Die Empfehlung lautet True Peak bei oder unter -1 dBTP, oder -2 dBTP, wenn Ihr Master lauter als -14 ist.

• Podcasts, üblicherweise -16 LUFS stereo und -19 LUFS mono. Der Mono-Wert liegt 3 LU tiefer, weil ein Monosignal, das auf beide Kanäle kopiert wird, 3 LU lauter misst als dasselbe Signal auf einem einzigen Kanal. Als Obergrenze gilt meist -1 dBTP.

• Rundfunk nach EBU R 128, -23 LUFS integriert, mit einer True-Peak-Grenze von -1 dBTP und einer Toleranz von 0,5 LU bei dateibasierter Lieferung.

• Hörbücher bei ACX, ganz ohne LUFS. Die Audioanforderungen für Einreichungen bei ACX verlangen RMS zwischen -23 dB und -18 dB, Peaks unter -3 dB und einen Rauschboden unter -60 dB RMS. Wenn Sie Hörbücher liefern, messen Sie mit dem Analysetool von ACX und nicht allein mit einem LUFS-Messgerät.

Achten Sie auf die Reihenfolge beim letzten Punkt. Ein Kapitel kann bei vernünftigen -20 LUFS liegen und trotzdem bei ACX scheitern, wegen einer einzigen heißen Spitze oder eines verrauschten Endes. LUFS sagt etwas über die mittlere Lautheit, während die Spezifikation drei getrennte Dinge prüft.

Hier kommt die meinungsstarke Anmerkung. Stellen Sie einen Podcast nicht auf -14, nur weil die Seite von Spotify -14 nennt. Diese Zahl gilt für Musik. Sprache mit einem integrierten Wert von -14 bedeutet meist, dass der Limiter bei Konsonanten stark arbeitet, und Hörer empfinden das nach zehn Minuten als ermüdend.

Warum KI-Stimmen eine eigene Lautheitsprüfung brauchen

Man könnte annehmen, dass eine synthetische Stimme mit gleichbleibendem Pegel ankommt, weil es weder Mikrofonabstand noch Vorverstärker-Drift gibt. Manchmal stimmt das. Oft stimmt es nicht, und die Ursachen unterscheiden sich von denen einer aufgenommenen Session.

Jeder Render kann mit eigener Gesamtverstärkung aus der Engine kommen. Ändern Sie Stimme, Sprechtempo oder den Emotionsregler, verschiebt sich die integrierte Lautheit mit. Eine angespannte, abgehackte Vortragsweise und eine ruhige, hauchige Variante derselben geklonten Stimme können sich um mehrere LU unterscheiden. Wenn Sie eine Szene aus 40 separat gerenderten Zeilen bauen, hören Sie Sprünge, die nie aufgenommen wurden.

Drei Gewohnheiten helfen:

1. Messen Sie jeden Render, bevor Sie ihn bearbeiten. Notieren Sie den integrierten Wert neben dem Dateinamen in Ihrem Protokoll.

2. Gleichen Sie die Zeilen einer Szene zuerst untereinander an, dann an das Liefer-Ziel. Die relative Konsistenz zählt im Mix mehr als der absolute Wert.

3. Legen Sie pro Stimme einen Referenzwert fest. Normalisieren Sie alles andere darauf, damit ein geklonter Erzähler über die Kapitel nicht abdriftet.

Wenn Sie die Emotion mit Reglern steuern, wie im 8-Regler-System von AnyVoice, rechnen Sie damit, dass sich die Lautheit mit der Intensität verschiebt. Behandeln Sie den integrierten Wert als Teil der Parameternotizen und nicht als Nachgedanken. Bei einem Spiel heißt das, pro Stimmzustand zu normalisieren, bevor die Zeilen in die Middleware gehen, denn das übernimmt die Engine nicht für Sie.

Welcher Ablauf für die Lautheit synthetischer Stimmen wenig Zeit kostet

Diese Reihenfolge verschwendet am wenigsten Zeit. Sie funktioniert gleich, ob die Datei von einer geklonten Stimme, einer Standardstimme oder einem menschlichen Erzähler stammt.

1. Rendern Sie in der höchsten Qualität, die das Tool bietet, und behalten Sie die unbearbeitete Datei. Normalisieren Sie nicht im Generator, wenn Sie das vermeiden können, denn dann verlieren Sie das Original.

2. Messen Sie integriertes LUFS und True Peak über die ganze Datei, mit einem Messgerät nach BS.1770. Die meisten DAWs haben eines an Bord, und einige kostenlose Plugins auch.

3. Berechnen Sie die Verstärkung. Ziel minus gemessenem Wert ergibt den Offset in dB. Liegt ein Render bei -21,4 LUFS und Sie wollen -16, addieren Sie 5,4 dB. Die Einheit ist linear, also verschiebt eine Verstärkung von 5,4 dB den Wert um genau 5,4 LU.

4. Prüfen Sie den Peak nach der Verstärkung. Lag der True Peak vorher bei -8,0 dBTP, wird er zu -2,6 dBTP, was eine Grenze von -1 dBTP einhält. Würde er darüber liegen, brauchen Sie einen True-Peak-Limiter und nicht mehr Verstärkung.

5. Setzen Sie einen Limiter nur für das verbleibende Problem ein. Eine Grenze bei -1 dBTP mit 1 bis 2 dB Reduktion ist bei Sprache unauffällig. Zehn dB Reduktion hören Sie dagegen als Pumpen.

6. Messen Sie die exportierte Datei erneut, nicht die Session. Codec-Wandlung und Dither können die Werte leicht verschieben.

Lautheitsnormalisierung ist hier etwas anderes als Kompression. Die Normalisierung ändert nur die Verstärkung, die Dynamik bleibt also so, wie gerendert. Hat eine Zeile ein angespanntes Flüstern gefolgt von einem Schrei und Sie wollen beides näher zusammenbringen, ist das Kompression oder Clip-Gain, und das kommt vor dem finalen Lautheitsdurchgang.

Der Session-Hinweis: Führen Sie die finale Kontrolle im gelieferten Format durch. Eine 128-kbps-Datei kann sich um einige Zehntel dB von der WAV unterscheiden, aus der sie stammt.

Welche Fehler bei LUFS am meisten Zeit kosten

Die meisten Probleme kommen von denselben vier Stellen.

Die falsche Größe messen. Der Kurzzeitwert während einer einzelnen lauten Phrase ist nicht der integrierte Wert. Wer dem Momentary-Wert hinterherjagt, korrigiert zu stark, und eine Datei, die auf ihrem lautesten Satz -16 erreichen soll, landet insgesamt bei -20.

-16 als Naturgesetz behandeln. Es ist eine Konvention. Manche Plattformen normalisieren die Wiedergabe für Sie, andere nicht. Ein Webplayer oder ein Smart Speaker wendet womöglich gar keine Lautheitsregelung an, daher bleibt eine zu leise Datei dort zu leise.

Den Rauschboden übersehen. Wer um 5 LU anhebt, hebt auch Rauschen und Raumton um 5 dB an. War die Quelle verrauscht, muss die Bereinigung vor dem Gain-Schritt passieren. Sonst wächst das Problem mit der Zahl, die Sie erreichen wollen.

Die Stereo-Frage vergessen. Eine Monostimme als Monodatei und dieselbe Stimme als Dual Mono können bei gleicher Reglerstellung 3 LU auseinanderliegen. Prüfen Sie vor dem Export, welches Format Ihr Ziel erwartet.

Verzichten Sie auf Plugins, die eine Ein-Klick-Lösung für die Lautheit versprechen, ohne Messung und ohne Protokoll, was sie getan haben. Lautheitsarbeit ist Rechnerei. Wenn Sie den Wert davor und danach nicht sehen, können Sie das Ergebnis nicht verteidigen.

Vor Ihrer nächsten Session

Wählen Sie zuerst das Ziel, denn es entscheidet über alles Weitere. Podcast: -16 LUFS stereo oder -19 mono, Peaks bei -1 dBTP. Musiknahes Streaming: nahe -14 und die True-Peak-Empfehlung einhalten. Rundfunk: -23 nach EBU R 128. Hörbuch: das Analysetool von ACX und seine Grenzen für RMS, Peak und Rauschboden.

Tragen Sie die Zahl dann in Ihre Session-Vorlage ein. Ergänzen Sie neben jedem Render eine Spalte für integriertes LUFS und True Peak. Wenn Sie Stimmen in Serie erzeugen, legen Sie pro Stimme einen Referenzwert fest und gleichen darauf ab. Sobald das Protokoll steht, dauert ein neues Kapitel oder eine Szene, die Sie in sechs Monaten neu bauen, Minuten statt eines Nachmittags Schätzen nach Gehör.