C'est quoi le LUFS ? Cibles de loudness pour la voix IA

C'est quoi le LUFS ? C'est une unité de loudness qui mesure le volume perçu d'un signal dans la durée, et non la hauteur des crêtes d'une forme d'onde. Un LU vaut un dB de gain, donc le calcul reste simple. La difficulté tient ailleurs : savoir quelle valeur viser, où la mesurer, et pourquoi les clips issus d'un générateur de voix ne s'accordent presque jamais entre eux. Ce guide couvre la norme, les cibles de diffusion que vous rencontrerez vraiment, et une routine par lots pour la voix de synthèse.

Que mesure réellement le LUFS ?

LUFS signifie Loudness Units relative to Full Scale, soit des unités de loudness relatives à la pleine échelle. Elle vient de la recommandation ITU-R BS.1770, et la même mesure s'appelle LKFS dans certaines régions. L'échelle est relative à la pleine échelle numérique : 0 LUFS représente le plafond, et le contenu réel se situe nettement en dessous, sous forme de nombre négatif.

La mesure se déroule en trois étapes. D'abord, la pondération K : un filtre passe-haut autour de 38 Hz, combiné à un léger plateau dans les hautes fréquences, qui approxime la sensibilité de l'oreille. Ensuite, l'énergie quadratique moyenne est calculée dans le temps. Enfin, un gating écarte les silences pour qu'ils ne tirent pas la moyenne vers le bas.

Ce dernier point compte beaucoup pour la voix. Un narrateur qui marque beaucoup de pauses paraîtrait plus faible avec une moyenne naïve. La BS.1770 écarte tout ce qui est sous -70 LUFS en absolu, puis tout ce qui se situe à plus de 10 LU sous le niveau courant. Vos pauses cessent de peser contre vous.

Note de session : un indicateur de crête vous donne le pic le plus haut. Le LUFS vous dit le poids de l'ensemble du signal. Deux clips peuvent afficher le même pic de -1 dBFS et se trouver à 8 LU d'écart.

Momentary, short-term, intégré : quelle lecture croire ?

Un mesureur de loudness affiche trois lectures, et on les confond sans cesse.

• Momentary utilise une fenêtre de 400 ms. Il réagit vite et montre les pics brefs.

• Short-term utilise une fenêtre de 3 secondes. Il montre comment une phrase ou une scène se tient.

• Intégré moyenne l'ensemble du programme, avec gating. C'est le chiffre qu'exige une spécification de livraison.

La plage de loudness (LRA, issue de l'EBU Tech 3342) est une quatrième valeur. Elle décrit de combien le niveau varie sur le programme, en LU. Un podcast à un seul animateur, au gain stable, a une LRA faible. Une fiction avec des chuchotements et des cris a une LRA élevée.

Pour la livraison, vous annoncez le loudness intégré. Pour corriger un problème dans un fichier, vous surveillez le short-term. Le momentary sert à repérer le souffle, la plosive, le clic.

Quelle cible LUFS viser ?

Les cibles changent selon la destination. Voici les valeurs qui reviennent le plus souvent. Vérifiez chacune dans la documentation actuelle de la plateforme avant de livrer.

• Spotify (réglage de lecture Normal) : -14 LUFS, true peak -1 dBTP

• YouTube : environ -14 LUFS, -1 dBTP

• Apple Music : -16 LUFS, -1 dBTP

• Podcasts (pratique courante) : -16 LUFS, plus ou moins 1 LU, -1 dBTP

• Diffusion européenne (EBU R128) : -23 LUFS, plus ou moins 0.5 LU, -1 dBTP

Spotify publie ses propres valeurs : la lecture se normalise à -19 LUFS en Quiet, -14 en Normal et -11 en Loud, et la plateforme recommande des masters à -14 LUFS avec un true peak au plus à -1 dB. Le guide de normalisation de la sonie de Spotify les détaille. La recommandation EBU R 128 fixe la référence de diffusion européenne à -23 LUFS.

Inutile de chercher un chiffre unique « correct ». Un podcast à -16 LUFS lu sur une plateforme qui normalise à -14 est simplement monté de 2 LU. Rien ne casse. Ce qui casse, c'est un fichier écrasé au limiteur pour atteindre une cible forte, qui sonne ensuite fatigant.

Pourquoi le LUFS et le true peak vont ensemble ?

Le loudness intégré ne dit rien du pic instantané le plus haut. Un fichier peut atteindre -16 LUFS et saturer tout de même un convertisseur après un encodage avec pertes. Le true peak (dBTP) estime le pic entre les échantillons, grâce à un suréchantillonnage, parce que les encodages AAC et Ogg peuvent dépasser les valeurs que montrent les échantillons.

La règle pratique : fixez d'abord la cible de loudness, puis vérifiez que le true peak reste à -1 dBTP ou en dessous. Spotify conseille de descendre à -2 dBTP lorsqu'un master dépasse -14 LUFS, afin de limiter la distorsion d'encodage.

Le livre audio ajoute une subtilité. ACX, principal revendeur américain de livres audio, spécifie des niveaux RMS entre -23 et -18 dB, avec des crêtes d'au plus -3 dB, et non du LUFS. Si vous narrez pour ce canal, mesurez le RMS que la spécification exige. Si vous publiez aussi une version podcast des mêmes chapitres, mesurez le LUFS pour celle-ci. Deux spécifications, deux mesureurs, un seul fichier source.

Pourquoi les clips de voix IA ont-ils des niveaux différents ?

Voici la partie que les guides LUFS génériques oublient. Un moteur de synthèse vocale ne connaît pas votre cible. Chaque génération renvoie un audio au niveau que produisent le modèle et les réglages de voix, et ce niveau peut varier d'une voix à l'autre, d'une langue à l'autre et d'un état émotionnel à l'autre.

Trois facteurs font bouger le chiffre :

1. La voix elle-même. Un clone plus grave, riche en médium-grave, se lit différemment sous la pondération K qu'une voix brillante, même à niveau de crête identique.

2. Le style de diction. Une réplique chuchotée et une réplique criée, par la même voix, n'ont pas le même loudness, et un contrôle d'émotion modifie plus que la hauteur.

3. La durée du clip. Un aboiement de PNJ de 2 secondes ne contient guère plus d'une fenêtre short-term. Sa lecture intégrée est bruitée, et le gating peut se comporter bizarrement sur des extraits très courts.

Si vous pilotez une voix avec des curseurs d'émotion, comme le fait AnyVoice avec son système à 8 curseurs, considérez chaque changement comme une raison de re-mesurer. Rien ne garantit que deux positions de curseur donnent le même LUFS.

Note de session : la parole de synthèse est souvent plus propre qu'une prise enregistrée, sans tonalité de salle ni respirations, sauf si vous les demandez. Le gating retire alors moins que sur un enregistrement en direct, si bien que les lectures intégrées peuvent se rapprocher des lectures short-term plus que prévu.

Une routine par lots pour la voix générée

Imaginez 300 répliques de dialogue réparties sur trois états émotionnels. Remonter les faders à la main n'est pas envisageable. Voici un workflow qui tient la route.

1. Générez avec un réglage d'export constant. Même fréquence d'échantillonnage et même profondeur de bits pour chaque clip, pour comparer des éléments comparables.

2. Mesurez le LUFS intégré et le true peak par clip avec un mesureur BS.1770. La plupart des DAW et des outils en ligne de commande, comme le filtre loudnorm de ffmpeg, peuvent afficher les deux.

3. Groupez par rôle, pas par fichier. Toutes les répliques d'un même personnage doivent tenir dans environ 1 LU les unes par rapport aux autres. Des personnages différents peuvent différer si la scène le demande.

4. Appliquez du gain, pas de la compression, pour combler l'écart. Un changement de gain linéaire de 2.3 dB déplace le loudness de exactement 2.3 LU et laisse la dynamique intacte.

5. Vérifiez le true peak après le gain. Si un clip dépasse maintenant votre plafond, utilisez un limiteur true peak à courte anticipation, et gardez la réduction faible.

6. Normalisez le mix final une seule fois. Appliquez votre cible de plateforme sur le programme terminé, pas sur chaque piste.

Un exemple chiffré, avec des nombres ronds : un clip généré mesure -21.5 LUFS et votre cible de dialogue est de -18 LUFS. Il vous faut +3.5 dB. Si son true peak était de -6 dBTP, il arrive à -2.5 dBTP, ce qui reste sous un plafond de -1 dBTP. Pas besoin de limiteur.

Maintenant le même clip avec un pic à -3 dBTP. Après +3.5 dB, il se retrouverait à +0.5 dBTP, au-dessus de la pleine échelle dans le domaine suréchantillonné. Il faut alors baisser la cible, façonner le transitoire ou limiter. Le choix dépend de savoir si ce pic est une plosive que vous corrigeriez de toute façon.

Faut-il normaliser en LUFS ou laisser le générateur tranquille ? Cela dépend de la destination.

Si le clip part directement dans un moteur de jeu, un flux IVR ou une application, normalisez chaque asset sur une cible de dialogue unique et laissez le runtime gérer le mix. Un jeu aux niveaux de répliques incohérents oblige le joueur à toucher le bouton de volume, précisément ce qu'une spécification de loudness doit empêcher.

Si le clip entre dans une DAW comme premier jet, vous pouvez vous passer de la pré-normalisation. Vous rééquilibrerez de toute façon avec la musique et les effets. Mesurez le mix final.

Un passage de loudness sur la voix de synthèse vaut l'effort avant qu'elle ne rejoigne votre chaîne. Inutile si vous générez un spot de 30 secondes que vous vérifierez de toute façon à l'oreille. Mesurer coûte quelques secondes par clip : le seuil de rentabilité se situe à peu près au moment où vous ne savez plus quel clip est lequel.

Les outils de plateforme aident à la marge. Certaines plateformes TTS publient leurs propres réglages de normalisation de sortie, donc lisez la documentation avant de construire une étape qui les doublonne. Murf AI et d'autres acteurs de la catégorie diffèrent sur la taille de leur bibliothèque de voix et sur la latence de leur API, ce qui compte davantage pour un pipeline temps réel que pour des traitements par lots.

Erreurs fréquentes en LUFS (et le correctif pour chacune)

Viser -14 sur un contenu purement parlé. Les cibles de mastering musical ne se transposent pas à la parole. Un podcast dialogué à -16 LUFS sonne juste sur la plupart des téléphones et écouteurs. Le pousser à -12 pour « rivaliser » vous achète un limiteur dont vous n'avez pas besoin.

Mesurer avant le montage final. Les fondus, les remplissages de salle et les lits musicaux modifient le loudness intégré. Mesurez en dernier.

Faire confiance aveuglément à un seul plugin de mesure. Deux mesureurs doivent concorder à quelques dixièmes de LU près sur le même fichier. S'ils divergent d'1 LU ou plus, vérifiez le réglage de gating et le mode de mesure avant de vous fier à l'un ou à l'autre.

Ignorer le true peak. Atteindre la cible de loudness avec un pic à +0.3 dBTP constitue une livraison ratée pour la plupart des spécifications.

Comparer des fichiers à des niveaux différents à l'oreille. Un fichier plus fort gagne presque toujours un A/B. Égalisez les niveaux avant de juger une voix, un plugin ou un clone. Cela s'applique directement quand vous comparez des fournisseurs TTS : égalisez d'abord le loudness intégré, puis écoutez.

Ce que ça change dans votre pipeline

Inutile de mémoriser la norme. Trois réflexes suffisent.

D'abord, choisissez la destination avant la cible. Le streaming musical, les flux podcast, la diffusion et la vente de livres audio ont chacun leur chiffre, et certains utilisent le RMS plutôt que le LUFS.

Ensuite, traitez la voix générée comme un stock sans niveau défini. Mesurez chaque clip, groupez par personnage et comblez l'écart avec du gain simple.

Enfin, fondez vos décisions sur le loudness intégré et le true peak ensemble. L'un sans l'autre laisse passer des fichiers qui échouent en production.

Si vous produisez de la voix off en entreprise avec des exigences de conformité strictes, un fournisseur doté de fonctions de gouvernance, comme WellSaid Labs, correspond à ce type de procédure d'achat. Pour les créateurs solo, commencez par un mesureur, une cible et un tableur avec les décalages par personnage.