Was ist LUFS? Lautheitsziele für KI-Stimmen-Workflows
Zusammenfassung
LUFS ist eine Lautheitseinheit aus ITU-R BS.1770, die wahrgenommene Lautheit über die Zeit mit K-Gewichtung und Gating misst, wobei 1 LU einem dB entspricht. Podcasts zielen meist auf -16 LUFS, Spotify normalisiert auf -14 im Modus Normal, der EU-Rundfunk nutzt -23. Immer mit True Peak nahe -1 dBTP. Generierte Stimmclips schwanken je nach Stimme, Sprache und Emotionseinstellung, deshalb messen Sie jeden Clip, gruppieren nach Figur und schließen Lücken mit einfacher Verstärkung.
Was ist LUFS? LUFS ist eine Lautheitseinheit, die misst, wie laut Audio für einen Hörer über die Zeit wirkt, nicht wie hoch die Spitzen einer Wellenform reichen. Ein LU entspricht einem dB Verstärkung, die Rechnung ist also einfach. Schwierig ist, die richtige Zielzahl zu treffen, den Messpunkt zu wählen und zu verstehen, warum Clips aus einem Stimmgenerator selten gleich laut klingen. Dieser Leitfaden erklärt den Standard, die Auslieferungsziele, auf die Sie tatsächlich stoßen, und einen Batch-Ablauf für synthetische Stimmen.
Was misst LUFS eigentlich?
LUFS steht für Loudness Units relative to Full Scale. Die Einheit stammt aus der Empfehlung ITU-R BS.1770, in manchen Regionen heißt dieselbe Messung LKFS. Die Skala bezieht sich auf die digitale Vollaussteuerung. Null LUFS ist also die Obergrenze, und reales Programmmaterial liegt darunter, als negative Zahl.
Die Messung läuft in drei Schritten ab. Erstens die K-Gewichtung: ein Hochpassfilter bei etwa 38 Hz, dazu eine sanfte Höhenanhebung, die grob nachbildet, wie das Ohr Frequenzen bewertet. Zweitens wird die mittlere quadratische Energie über die Zeit gemittelt. Drittens entfernt das Gating die Stille, damit Pausen den Durchschnitt nicht nach unten ziehen.
Dieser letzte Punkt ist bei Sprache entscheidend. Ein Sprecher mit vielen Pausen würde bei einem naiven Mittelwert leiser erscheinen, als er ist. BS.1770 blendet alles unter -70 LUFS absolut aus, danach alles, das mehr als 10 LU unter dem laufenden Pegel liegt. Ihre Pausen zählen dann nicht mehr gegen Sie.
Kurze Anmerkung aus dem Test: Ein Spitzenpegelmesser zeigt den höchsten Ausschlag. LUFS zeigt, wie schwer das gesamte Signal wirkt. Zwei Clips können beide bei -1 dBFS Spitze liegen und sich trotzdem um 8 LU unterscheiden.
Momentary, Short-Term, Integriert: Welcher Wert ist der richtige?
Ein Lautheitsmesser zeigt drei Werte, und die werden ständig verwechselt.
Momentary nutzt ein 400-ms-Fenster. Er reagiert schnell und zeigt kurze Spitzen.
Short-Term nutzt ein 3-Sekunden-Fenster. Er zeigt, wie ein Satz oder eine Szene liegt.
Integriert mittelt das gesamte Programm mit Gating. Das ist der Wert, den eine Lieferspezifikation verlangt.
Der Loudness Range (LRA, nach EBU Tech 3342) ist eine vierte Kennzahl. Sie beschreibt, wie stark sich der Pegel über das Programm bewegt, in LU gemessen. Ein Podcast mit einem Sprecher und gleichmäßiger Verstärkung hat einen kleinen LRA-Wert. Ein Hörspiel mit Flüstern und Schreien hat einen großen.
Für die Auslieferung nennen Sie den integrierten Wert. Für Korrekturen innerhalb einer Datei beobachten Sie Short-Term. Momentary ist für Atemgeräusche, Plosive und Klicks da.
Welches LUFS-Ziel sollten Sie treffen?
Die Ziele unterscheiden sich je nach Zielplattform. Hier stehen die Werte, auf die Sie am häufigsten stoßen. Prüfen Sie jeden einzelnen vor der Auslieferung in der aktuellen Dokumentation der Plattform.
Spotify (Einstellung Normal): -14 LUFS, True Peak -1 dBTP
YouTube: etwa -14 LUFS, -1 dBTP
Apple Music: -16 LUFS, -1 dBTP
Podcasts (gängige Praxis): -16 LUFS, plus minus 1 LU, -1 dBTP
EU-Rundfunk (EBU R128): -23 LUFS, plus minus 0,5 LU, -1 dBTP
Spotify nennt seine Werte selbst: Die Wiedergabe normalisiert auf -19 LUFS bei Leise, -14 bei Normal und -11 bei Laut. Für Mastering empfiehlt der Dienst -14 LUFS mit einem True Peak von höchstens -1 dB. Den Spotify-Leitfaden zur Lautheitsnormalisierung finden Sie direkt bei Spotify. Die Empfehlung EBU R 128 setzt den europäischen Rundfunkreferenzwert bei -23 LUFS.
Es gibt keine einzig richtige Zahl. Ein Podcast mit -16 LUFS, der auf einer Plattform mit Normalisierung auf -14 läuft, wird einfach um 2 LU lauter abgespielt. Nichts geht kaputt. Kaputt geht eine Datei, die mit einem Limiter auf ein lautes Ziel gedrückt wurde und danach ermüdend klingt.
Warum LUFS und True Peak zusammengehören
Der integrierte Wert sagt nichts über die höchste momentane Spitze. Eine Datei kann -16 LUFS erreichen und trotzdem nach einer verlustbehafteten Kodierung einen Wandler übersteuern. True Peak (dBTP) schätzt die Spitze zwischen den Samples per Überabtastung, weil AAC- und Ogg-Kodierungen über die Sample-Werte hinausschwingen können.
Die praktische Regel: Zuerst das Lautheitsziel setzen, dann prüfen, ob True Peak bei oder unter -1 dBTP bleibt. Spotify rät bei Masterings, die lauter als -14 LUFS sind, zu -2 dBTP, um Kodierungsverzerrungen zu begrenzen.
Bei Hörbüchern kommt eine Besonderheit hinzu. ACX, der wichtigste Hörbuch-Händler in den USA, verlangt RMS-Pegel zwischen -23 und -18 dB mit Spitzen von höchstens -3 dB, nicht LUFS. Wenn Sie für diesen Kanal sprechen, messen Sie RMS, wie es die Vorgabe verlangt. Wenn Sie zusätzlich eine Podcast-Fassung derselben Kapitel veröffentlichen, messen Sie dafür LUFS. Zwei Vorgaben, zwei Messgeräte, eine Quelldatei.
Warum KI-Stimmclips unterschiedlich laut ankommen
Hier liegt der Teil, den allgemeine LUFS-Leitfäden auslassen. Ein Text-to-Speech-Modell kennt Ihr Ziel nicht. Jede Generierung liefert Audio mit dem Pegel, den Modell und Stimmeinstellungen ergeben, und dieser Pegel schwankt zwischen Stimmen, Sprachen und emotionalen Zuständen.
Drei Faktoren verschieben den Wert:
Die Stimme selbst. Ein tieferer Klon mit mehr Low-Mid-Energie wirkt unter der K-Gewichtung anders als eine helle Stimme, auch bei gleicher Spitze.
Vortragsstil. Eine geflüsterte und eine geschriene Zeile derselben Stimme haben nicht dieselbe Lautheit. Ein Emotionsregler verändert mehr als nur die Tonhöhe.
Clip-Länge. Ein 2-Sekunden-NPC-Ruf enthält kaum ein Short-Term-Fenster. Sein integrierter Wert ist verrauscht, und das Gating kann bei sehr kurzem Material unerwartet reagieren.
Steuern Sie eine Stimme über Emotionsregler, etwa die acht Schieberegler von AnyVoice, sollten Sie jede Änderung als Anlass für eine neue Messung nehmen. Nichts garantiert, dass zwei Reglerstellungen auf dasselbe LUFS kommen.
Kurze Anmerkung aus dem Test: Synthetische Sprache ist oft sauberer als eine Aufnahme, ohne Raumton und ohne Atmer, es sei denn, Sie fordern sie an. Das Gating entfernt dann weniger als bei einer Live-Aufnahme, und der integrierte Wert kann näher am Short-Term-Wert liegen, als Sie erwarten.
Ein Batch-Ablauf für generierte Stimmen
Angenommen, Sie haben 300 Dialogzeilen in drei Emotionszuständen. Von Hand am Fader nachzuziehen ist keine Option. Dieser Ablauf hält stand.
Mit einheitlichen Exporteinstellungen generieren. Gleiche Abtastrate und Bittiefe für jeden Clip, damit Sie Gleiches mit Gleichem vergleichen.
Integriertes LUFS und True Peak je Clip messen mit einem BS.1770-Messgerät. Die meisten DAWs und Kommandozeilenwerkzeuge wie der loudnorm-Filter von ffmpeg können beides ausgeben.
Nach Rolle gruppieren, nicht nach Datei. Alle Zeilen einer Figur sollten innerhalb von etwa 1 LU liegen. Verschiedene Figuren dürfen sich unterscheiden, wenn die Szene das verlangt.
Die Lücke mit Verstärkung schließen, nicht mit Kompression. Eine lineare Pegeländerung von 2,3 dB verschiebt die Lautheit um genau 2,3 LU und lässt die Dynamik unberührt.
True Peak nach der Verstärkung prüfen. Überschreitet ein Clip jetzt Ihre Decke, nehmen Sie einen True-Peak-Limiter mit kurzem Lookahead und halten die Absenkung klein.
Die fertige Mischung einmal normalisieren. Setzen Sie das Plattformziel auf das fertige Programm, nicht auf jeden Stem.
Ein Rechenbeispiel mit runden Zahlen: Ein generierter Clip misst -21,5 LUFS, und Ihr Dialogziel liegt bei -18 LUFS. Sie brauchen also +3,5 dB. Lag der True Peak bei -6 dBTP, landet er bei -2,5 dBTP, und das liegt innerhalb der Decke von -1 dBTP. Ein Limiter ist nicht nötig.
Derselbe Clip mit einer Spitze bei -3 dBTP: Nach +3,5 dB läge er bei +0,5 dBTP, also über der Vollaussteuerung im überabgetasteten Bereich. Hier senken Sie das Ziel, formen den Transienten oder begrenzen. Welche Option passt, hängt davon ab, ob die Spitze ein Plosiv ist, den Sie ohnehin korrigieren würden.
Auf LUFS normalisieren oder den Generator in Ruhe lassen?
Das hängt davon ab, wohin das Audio geht.
Landet der Clip direkt in einer Game-Engine, einem IVR-Ablauf oder einer App, normalisieren Sie jedes Asset auf ein gemeinsames Dialogziel und überlassen die Mischung der Laufzeitumgebung. Ein Spiel mit ungleichmäßigen Zeilenpegeln zwingt Spieler dazu, am Lautstärkeregler zu drehen. Genau das soll eine Lautheitsvorgabe verhindern.
Geht der Clip zunächst in eine DAW, können Sie auf die Vornormalisierung verzichten. Sie gleichen ohnehin gegen Musik und Effekte ab. Messen Sie dann die fertige Mischung.
Lohnt sich ein Lautheitsdurchgang vor der Signalkette? Ja, wenn Sie viele Clips erzeugen. Bei einem einzelnen 30-Sekunden-Spot, den Sie ohnehin nach Gehör prüfen, lohnt er sich nicht. Messen kostet Sekunden pro Clip, der Kipppunkt liegt also ungefähr dort, wo Sie nicht mehr wissen, welcher Clip welcher ist.
Plattform-Werkzeuge helfen teils schon. Manche TTS-Anbieter veröffentlichen eigene Normalisierungs- oder Lautheitseinstellungen. Lesen Sie die Dokumentation, bevor Sie einen Pipeline-Schritt bauen, der sie doppelt. Murf AI und andere Anbieter der Kategorie unterscheiden sich in der Größe der Stimmbibliothek und in der API-Latenz. Für eine Echtzeit-Pipeline zählt die Latenz mehr als bei Batch-Jobs.
Häufige LUFS-Fehler und ihre Korrektur
Auf -14 bei reiner Sprache zielen. Musik-Mastering-Ziele passen nicht auf gesprochenes Wort. Ein sprachbetonter Podcast bei -16 LUFS klingt auf den meisten Telefonen und Kopfhörern richtig. Ihn auf -12 zu treiben, um mit anderen zu konkurrieren, kostet Sie einen Limiter, den Sie nicht brauchen.
Vor dem letzten Schnitt messen. Überblendungen, Raumton-Füllungen und Musikbetten verändern den integrierten Wert. Messen Sie zuletzt.
Einem einzelnen Messplugin blind vertrauen. Messgeräte sollten bei derselben Datei auf wenige Zehntel LU übereinstimmen. Weichen zwei um 1 LU oder mehr ab, prüfen Sie die Gating-Einstellung und den Messmodus, bevor Sie einem von beiden trauen.
True Peak ignorieren. Das Lautheitsziel mit einer Spitze von +0,3 dBTP zu treffen ist bei den meisten Vorgaben eine fehlgeschlagene Lieferung.
Dateien bei unterschiedlicher Lautheit nach Gehör vergleichen. Eine lautere Datei gewinnt fast immer den A/B-Vergleich. Gleichen Sie den Pegel an, bevor Sie eine Stimme, ein Plugin oder einen Klon beurteilen. Das gilt besonders beim Vergleich von TTS-Anbietern: Erst die integrierte Lautheit angleichen, dann hören.
Was sich dadurch in Ihrer Pipeline ändert
Sie müssen den Standard nicht auswendig kennen. Drei Gewohnheiten reichen.
Erstens: Wählen Sie das Ziel nach dem Zielort, nicht umgekehrt. Streaming-Musik, Podcast-Feeds, Rundfunk und Hörbuch-Handel haben jeweils eine eigene Zahl, und manche nutzen RMS statt LUFS.
Zweitens: Behandeln Sie generierte Stimmen wie unbearbeitetes Rohmaterial. Messen Sie jeden Clip, gruppieren Sie nach Figur und schließen Sie die Lücke mit einfacher Verstärkung.
Drittens: Entscheiden Sie anhand der integrierten Lautheit und des True Peak zusammen. Einer ohne den anderen lässt Dateien durch, die in der Produktion scheitern.
Wenn Sie Enterprise-Voiceover mit strengen Compliance-Anforderungen produzieren, passt ein Anbieter mit Governance-Funktionen wie WellSaid Labs zu diesem Beschaffungsprozess. Als Einzelentwickler starten Sie mit einem Messgerät, einem Ziel und einer Tabelle mit Offsets pro Figur.