Cos'è LUFS? Target di loudness per le voci generate con AI
Riassunto
Cos'è LUFS? È un'unità di loudness definita da ITU-R BS.1770 che misura la sonorità percepita nel tempo con K-weighting e gating, dove 1 LU equivale a 1 dB. I podcast puntano di solito a -16 LUFS, Spotify normalizza a -14 su Normal e il broadcast UE usa -23, sempre con true peak vicino a -1 dBTP. Le clip vocali generate variano per voce, lingua e impostazione emotiva, quindi misura ogni clip, raggruppa per personaggio e correggi i divari con semplice guadagno.
Cos'è LUFS? È un'unità di misura del loudness, cioè di quanto un audio suona forte per chi ascolta nel tempo, non di quanto alta arriva la forma d'onda. Un LU equivale a un dB di guadagno, quindi il calcolo è semplice. La parte difficile è sapere quale valore raggiungere, dove misurarlo e perché le clip di un generatore vocale raramente coincidono tra loro. Questa guida copre lo standard, i target di consegna che incontrerai davvero e una routine a batch per la voce sintetica.
Che cosa misura davvero LUFS?
LUFS sta per Loudness Units relative to Full Scale. Deriva dalla raccomandazione ITU-R BS.1770, e in alcune regioni la stessa misura si chiama LKFS. La scala è relativa al fondo scala digitale: 0 LUFS è il tetto massimo, e il materiale reale sta sotto, con un valore negativo.
La misura avviene in tre passaggi. Primo, il K-weighting: un filtro passa-alto intorno a 38 Hz più uno shelf delicato sulle alte frequenze, che approssima il modo in cui l'orecchio pesa le frequenze. Secondo, l'energia quadratica media viene calcolata nel tempo. Terzo, il gating scarta il silenzio, così le pause non abbassano la media.
Quest'ultimo punto conta molto per il parlato. Un narratore che fa molte pause risulterebbe più basso con una media ingenua. BS.1770 esclude tutto ciò che sta sotto -70 LUFS in assoluto, poi tutto ciò che si trova più di 10 LU sotto il livello corrente. Le tue pause smettono di pesare contro di te.
Nota di sessione: un misuratore di picco ti dice lo spike più alto. LUFS ti dice quanto pesa l'intero segnale. Due clip possono avere lo stesso picco di -1 dBFS e distare 8 LU.
Momentary, short-term, integrated: quale lettura ti fidi?
Un misuratore di loudness mostra tre letture, e le si confonde di continuo.
Momentary usa una finestra di 400 ms. Reagisce in fretta e mostra i picchi brevi.
Short-term usa una finestra di 3 secondi. Mostra come si comporta una frase o una scena.
Integrated media l'intero programma, con gating. È il numero che chiede una specifica di consegna.
La loudness range (LRA, dalla EBU Tech 3342) è una quarta cifra. Descrive quanto varia il livello lungo il programma, in LU. Un podcast con un solo speaker e guadagno stabile ha un LRA piccolo. Un dramma con sussurri e urla ne ha uno grande.
Per la consegna riporti l'integrated. Per correggere problemi dentro un file guardi lo short-term. Il momentary serve a intercettare lo starnuto, la plosiva, il click.
Quale target LUFS devi raggiungere?
I target cambiano con la destinazione. Ecco le cifre che compaiono più spesso. Verificane ciascuna nella documentazione corrente della piattaforma prima di pubblicare.
Spotify (impostazione Normal): -14 LUFS, true peak -1 dBTP
YouTube: circa -14 LUFS, -1 dBTP
Apple Music: -16 LUFS, -1 dBTP
Podcast (prassi comune): -16 LUFS, più o meno 1 LU, -1 dBTP
Broadcast UE (EBU R128): -23 LUFS, più o meno 0.5 LU, -1 dBTP
Spotify documenta i propri valori: in riproduzione normalizza a -19 LUFS su Quiet, -14 su Normal e -11 su Loud, e consiglia master a -14 LUFS con true peak uguale o inferiore a -1 dB. La guida di Spotify sulla normalizzazione del loudness li elenca. La raccomandazione EBU R 128 fissa il riferimento broadcast europeo a -23 LUFS.
Non esiste un numero giusto in assoluto. Un podcast a -16 LUFS riprodotto su una piattaforma che normalizza a -14 viene semplicemente alzato di 2 LU. Non si rompe nulla. Si rompe un file schiacciato con un limiter per raggiungere un target alto, che poi suona affaticante.
Perché LUFS e true peak viaggiano insieme?
Il loudness integrato non dice nulla sul picco istantaneo più alto. Un file può arrivare a -16 LUFS e comunque andare in clipping su un convertitore dopo una codifica lossy. Il true peak (dBTP) stima il picco tra un campione e l'altro, usando l'oversampling, perché le codifiche AAC e Ogg possono superare ciò che mostrano i valori dei campioni.
La regola pratica: fissa prima il target di loudness, poi verifica che il true peak resti uguale o sotto -1 dBTP. Spotify consiglia di scendere a -2 dBTP quando un master è più alto di -14 LUFS, per limitare la distorsione da codifica.
Gli audiolibri aggiungono una variante. ACX, il principale rivenditore statunitense di audiolibri, specifica livelli RMS tra -23 e -18 dB con picchi non superiori a -3 dB, non LUFS. Se narri per quel canale, misura l'RMS come richiede la specifica. Se rilasci anche una versione podcast degli stessi capitoli, misura i LUFS per quella. Due specifiche, due misuratori, un solo file sorgente.
Perché le clip vocali AI escono a loudness diversi?
Ecco la parte che le guide generiche sul LUFS saltano. Un motore text-to-speech non conosce il tuo target. Ogni generazione restituisce audio al livello che producono il modello e le impostazioni della voce, e quel livello può cambiare tra voci, lingue e stati emotivi.
Tre fattori spostano il valore:
La voce stessa. Un clone più profondo, con più energia nelle medio-basse, si legge in modo diverso sotto il K-weighting rispetto a una voce brillante, anche a parità di picco.
Lo stile di consegna. Una battuta sussurrata e una urlata dalla stessa voce non hanno lo stesso loudness, e un controllo emotivo cambia più del pitch.
La durata della clip. Un bark NPC di 2 secondi contiene a malapena una finestra short-term. La sua lettura integrata è rumorosa, e il gating può comportarsi in modo strano su materiale molto breve.
Se pilotti una voce con i cursori emotivi, come fa AnyVoice con il suo sistema a 8 cursori, tratta ogni modifica come un motivo per misurare di nuovo. Nulla garantisce che due posizioni del cursore finiscano allo stesso LUFS.
Nota di sessione: il parlato sintetico è spesso più pulito di una take registrata, senza room tone e senza respiri se non li chiedi. Il gating rimuove allora meno di quanto farebbe su una registrazione dal vivo, quindi le letture integrate possono stare più vicine alle letture short-term di quanto ti aspetti.
Una routine a batch per la voce generata
Immagina 300 battute di dialogo su tre stati emotivi. Regolare i fader a mano non è un'opzione. Ecco un flusso che regge.
Genera con un'impostazione di export costante. Stesso sample rate e stessa profondità di bit per ogni clip, così confronti elementi comparabili.
Misura integrated LUFS e true peak per clip con un misuratore BS.1770. La maggior parte delle DAW e strumenti da riga di comando, come il filtro loudnorm di ffmpeg, può riportare entrambi.
Raggruppa per ruolo, non per file. Tutte le battute di un personaggio dovrebbero stare entro circa 1 LU l'una dall'altra. Personaggi diversi possono differire se la scena lo richiede.
Applica guadagno, non compressione, per chiudere il divario. Una variazione lineare di 2.3 dB sposta il loudness di esattamente 2.3 LU e lascia intatta la dinamica.
Verifica il true peak dopo il guadagno. Se una clip ora supera il tuo tetto, usa un limiter true peak con un lookahead breve e mantieni piccola la riduzione.
Normalizza il mix finale una volta sola. Applica il target della piattaforma sul programma finito, non su ogni stem.
Un esempio svolto con numeri tondi: una clip generata misura -21.5 LUFS e il tuo target dialogo è -18 LUFS. Ti servono +3.5 dB. Se il suo true peak era -6 dBTP, arriva a -2.5 dBTP, dentro un tetto di -1 dBTP. Nessun limiter necessario.
Stessa clip con picco a -3 dBTP: dopo +3.5 dB arriverebbe a +0.5 dBTP, sopra il fondo scala nel dominio sovracampionato. Qui devi abbassare il target, modellare il transiente o limitare. Quale scegliere dipende dal fatto che quel picco sia una plosiva che correggeresti comunque.
Conviene normalizzare a LUFS o lasciare intatto il generatore?
Dipende da dove va l'audio.
Se la clip finisce direttamente in un motore di gioco, in un flusso IVR o in un'app, normalizza ogni asset su un unico target dialogo e lascia che il runtime gestisca il mix. Un gioco con livelli di battuta incoerenti costringe il giocatore a toccare il volume, ed è esattamente ciò che una specifica di loudness serve a evitare.
Se la clip entra in una DAW come primo passaggio, puoi saltare la pre-normalizzazione. Ribilancerai comunque rispetto a musica ed effetti. Misura il mix finale.
Vale lo sforzo di una verifica del loudness sulla voce sintetica prima che entri nella catena. Puoi evitarla se generi un unico spot di 30 secondi che ascolterai comunque a orecchio. Misurare costa pochi secondi per clip, quindi il punto di pareggio arriva più o meno quando smetti di ricordare quale clip è quale.
Gli strumenti delle piattaforme aiutano ai margini. Alcune piattaforme TTS pubblicano una propria normalizzazione dell'output o impostazioni di loudness, quindi leggi la documentazione prima di costruire un passaggio di pipeline che la duplica. Murf AI e gli altri nella categoria differiscono per dimensione della libreria vocale e latenza API, un aspetto che conta più per una pipeline in tempo reale che per i job batch.
Errori comuni con LUFS (e come correggerli)
Inseguire -14 su contenuti solo parlati. I target della musica non si applicano direttamente alla parola. Un podcast dialogato a -16 LUFS suona giusto sulla maggior parte dei telefoni e degli auricolari. Spingerlo a -12 per "competere" ti compra un limiter che non ti serve.
Misurare prima della edit finale. Crossfade, riempimenti di room tone e tappeti musicali cambiano il loudness integrato. Misura per ultimo.
Fidarsi ciecamente di un solo plugin di misura. Due misuratori sullo stesso file dovrebbero concordare entro pochi decimi di LU. Se differiscono di 1 LU o più, controlla l'impostazione del gating e la modalità di misura prima di fidarti di uno dei due.
Ignorare il true peak. Raggiungere il target di loudness con un picco a +0.3 dBTP è una consegna fallita sulla maggior parte delle specifiche.
Confrontare file a loudness diversi ad orecchio. Un file più forte vince quasi sempre un A/B. Allinea il loudness prima di giudicare una voce, un plugin o un clone. Vale in particolare quando confronti fornitori TTS: allinea prima il loudness integrato, poi ascolta.
Cosa cambia nella tua pipeline
Non serve memorizzare lo standard. Bastano tre abitudini.
Primo, scegli la destinazione prima del target. Streaming musicale, feed podcast, broadcast e retail di audiolibri hanno ciascuno il proprio valore, e alcuni usano RMS invece di LUFS.
Secondo, tratta la voce generata come materiale grezzo senza livellamento. Misura ogni clip, raggruppa per personaggio e correggi il divario con semplice guadagno.
Terzo, basa le decisioni sul loudness integrato e sul true peak insieme. Usarne uno solo fa passare file che poi falliscono in produzione.
Se gestisci voice-over enterprise con requisiti di compliance stringenti, un fornitore con funzioni di governance, come WellSaid Labs, si adatta a quel tipo di procurement. Se lavori da solo, parti da un misuratore, un target e un foglio con gli offset per personaggio.