Co to jest LUFS? Cele głośności dla głosu AI i audio

Co to jest LUFS? To jednostka głośności, która mierzy, jak głośno dźwięk brzmi dla słuchacza w czasie, a nie jak wysoko sięgają jego szczyty. Jeden LU odpowiada jednemu dB wzmocnienia, a wartości wychodzą ujemne, bo skala jest zakotwiczona w pełnej skali cyfrowej (0 dBFS). Przy mowie dobiera się cel, na przykład -16 LUFS dla większości podcastów, i pilnuje się szczytów prawdziwych (true peak) poniżej około -1 dBTP.

Jak LUFS faktycznie mierzy głośność?

LUFS to skrót od Loudness Units relative to Full Scale. Pomiar jest zdefiniowany w normie ITU-R BS.1770 i przyjęty przez EBU R 128, a LKFS to ta sama jednostka pod starszą nazwą. Miernik wykonuje trzy operacje, zanim wyświetli liczbę.

Po pierwsze stosuje filtr K-weighting. Obcina niskie częstotliwości i delikatnie podbija górne średnie, mniej więcej tak, jak ucho ocenia energię dźwięku. Głos z mocnym buczeniem na 80 Hz odczytuje się jako cichszy, niż wynika z jego surowego poziomu, bo filtr ignoruje ten pomruk.

Po drugie uśrednia energię w oknie czasowym. W praktyce liczą się trzy okna:

• Momentary (momentalne) obejmuje 400 ms i szybko skacze.

• Short-term (krótkoterminowe) obejmuje 3 sekundy i to je obserwuje się podczas edycji pojedynczej frazy.

• Integrated (zintegrowane) obejmuje cały plik, od pierwszej do ostatniej próbki, i to tę wartość platformy wykorzystują do normalizacji.

Po trzecie bramkuje. Wszystko poniżej -70 LUFS jest pomijane, a potem pomijane jest także wszystko, co leży ponad 10 LU poniżej średniej bieżącej. Bramkowanie sprawia, że długa cisza między kwestiami nie zaniża odczytu. Z tego samego powodu plik złożony głównie z szumu pokoju daje dziwny wynik zintegrowany.

Uwaga z sesji: jeśli nagranie trwa krócej niż sekundę, odczyt zintegrowany opiera się na bardzo małej liczbie okien. Zmierz je wtedy w pełnej scenie lub rozdziale.

Dlaczego wartości są ujemne i czym różni się to od dBFS i RMS?

Skala kończy się na 0 dBFS, czyli najwyższym poziomie, jaki stały punkt cyfrowego pliku potrafi zapisać. Cały słyszalny dźwięk leży poniżej tego sufitu, więc wszystko wychodzi ujemne. Odczyt -16 LUFS oznacza po prostu 16 jednostek poniżej pełnej skali.

Zamieszanie zaczyna się tam, gdzie kilka mierników używa podobnie wyglądających decybeli. W praktyce wygląda to tak:

• Szczyt (dBFS) to najwyższa pojedyncza próbka. Mówi o przesterowaniu, a nic o głośności.

• Szczyt prawdziwy (dBTP) szacuje najwyższy poziom, jaki przebieg osiąga między próbkami po konwersji. Kodeki stratne potrafią przekroczyć 0, nawet gdy szczyt próbkowy leży poniżej, dlatego platformy proszą o zapas -1 dBTP.

• RMS uśrednia moc sygnału bez ważenia K i bez bramkowania. Jest prostszy, a niektóre specyfikacje, jak standard audiobooków opisany niżej, nadal z niego korzystają.

• LUFS to ważona i bramkowana głośność. Najlepiej koreluje z tym, co słuchacz uzna za głośniejsze.

Dwa pliki mogą mieć ten sam szczyt, a różnić się o 8 LU głośnością. Dobrym przykładem jest ujęcie z wieloma plozywami i jednym pikiem obok nagrania o płaskiej, mocno skompresowanej dynamice. Ta różnica jest powodem, dla którego ta jednostka w ogóle istnieje.

Jaki cel LUFS obrać dla pracy z głosem?

Nie ma jednej liczby. Cel zależy od miejsca, w którym plik trafi, a niektóre miejsca w ogóle nie używają LUFS. Oto wartości, które warto mieć pod ręką:

• Streaming muzyczny, około -14 LUFS zintegrowanych. Dokumentacja Spotify dotycząca normalizacji głośności podaje -14 dB LUFS jako normalny poziom odtwarzania, przy czym Loud to -11, a Quiet to -19 dla użytkowników Premium. Zalecenie to szczyt prawdziwy na poziomie -1 dBTP lub niżej, albo -2 dBTP, jeśli master jest głośniejszy niż -14.

• Podcasty, zwykle -16 LUFS w stereo i -19 LUFS w mono. Wartość dla mono jest o 3 LU niższa, ponieważ sygnał mono zduplikowany na oba kanały mierzy się o 3 LU głośniej niż ten sam sygnał na jednym kanale. Sufit -1 dBTP to typowa rada.

• Nadawanie zgodne z EBU R 128, -23 LUFS zintegrowanych, z sufitem szczytu prawdziwego -1 dBTP i tolerancją 0.5 LU przy dostawie plikowej.

• Audiobooki w ACX, bez LUFS. Wymagania ACX dotyczące plików audio oczekują RMS między -23 dB a -18 dB, szczytów poniżej -3 dB i szumu tła poniżej -60 dB RMS. Jeśli przygotowuje się audiobook, mierzy się go analizatorem ACX, a nie samym miernikiem LUFS.

Zwróć uwagę na kolejność w ostatnim punkcie. Rozdział może mieć rozsądne -20 LUFS i mimo to nie przejść ACX z powodu jednego głośnego piku albo szumnego ogona. LUFS mówi o średniej głośności, a specyfikacja pilnuje trzech osobnych rzeczy.

Tu pojawia się opinia. Nie masteruje się podcastu pod -14 tylko dlatego, że strona Spotify podaje -14. Ta liczba dotyczy muzyki. Mowa o zintegrowanym poziomie -14 zwykle oznacza, że limiter mocno pracuje na spółgłoskach, a słuchacze odbierają to jako zmęczenie już po dziesięciu minutach.

Dlaczego głos AI potrzebuje własnej kontroli głośności?

Można zakładać, że syntetyczny głos trafia z równym poziomem, bo nie ma tu odległości od mikrofonu ani dryfu preampu. Czasem tak jest. Często jednak nie, a przyczyny są inne niż w nagraniu studyjnym.

Każdy render może mieć własne ogólne wzmocnienie. Zmiana głosu, tempa mowy albo ustawienia emocji przesuwa zintegrowaną głośność. Napięta, ściśnięta wypowiedź i spokojna, oddechowa z tego samego sklonowanego głosu potrafią różnić się o kilka LU. Jeśli scenę składa się z 40 osobno wyrenderowanych kwestii, słychać skoki, których nikt nie nagrywał.

Trzy nawyki pomagają:

1. Zmierz każdy render przed edycją. Zapisz zintegrowany odczyt obok nazwy pliku w dzienniku.

2. Najpierw dopasuj linie w scenie do siebie, a dopiero potem do celu dostawy. Spójność względna ma większe znaczenie niż bezwzględna liczba w miksie.

3. Trzymaj linię referencyjną dla każdego głosu. Normalizuj resztę względem niej, żeby sklonowany narrator nie dryfował między rozdziałami.

Gdy emocje ustawia się suwakami, jak w systemie ośmiu suwaków AnyVoice, trzeba liczyć się ze zmianą głośności wraz z intensywnością. Odczyt zintegrowany warto traktować jako część notatek o parametrach, a nie dodatek. W grze oznacza to normalizację osobno dla każdego stanu głosu, zanim linie trafią do middleware, bo silnik tego za nas nie zrobi.

Jak wygląda rozsądny przepływ pracy z głosem syntetycznym?

Ta kolejność marnuje najmniej czasu. Działa tak samo, niezależnie od tego, czy plik pochodzi z klonowanego głosu, gotowego głosu katalogowego, czy od lektora.

1. Renderuj w najwyższej jakości, jaką oferuje narzędzie, i zachowaj nieprzetworzony plik. Nie normalizuj wewnątrz generatora, jeśli można tego uniknąć, bo wtedy traci się oryginał.

2. Zmierz zintegrowane LUFS i szczyt prawdziwy dla całego pliku, miernikiem zgodnym z BS.1770. Większość DAW ma taki miernik, a kilka darmowych wtyczek też.

3. Oblicz wzmocnienie. Cel minus wynik pomiaru daje przesunięcie w dB. Jeśli render pokazuje -21.4 LUFS, a celem jest -16, dodaje się 5.4 dB. Skala jest liniowa, więc 5.4 LU wzmocnienia przesuwa odczyt dokładnie o 5.4 LU.

4. Sprawdź szczyt po wzmocnieniu. Jeśli szczyt prawdziwy wynosił wcześniej -8.0 dBTP, po wzmocnieniu będzie to -2.6 dBTP, co mieści się w suficie -1 dBTP. Jeśli miałby przekroczyć sufit, potrzebny jest limiter szczytów prawdziwych, a nie więcej wzmocnienia.

5. Stosuj limiter tylko do pozostałego problemu. Sufit -1 dBTP z 1 do 2 dB redukcji wzmocnienia jest w mowie przezroczysty. Dziesięć dB redukcji to już słyszalne pompowanie.

6. Mierz ponownie wyeksportowany plik, a nie sesję. Konwersja kodeka i dithering mogą nieco przesunąć liczby.

Normalizacja głośności na tym etapie różni się od kompresji. Zmienia wyłącznie wzmocnienie, więc dynamika zostaje taka, jaka była wyrenderowana. Jeśli linia ma napięty szept, po którym następuje krzyk, i chce się je zbliżyć, to zadanie dla kompresji albo clip gain. Wykonuje się je przed finalnym przejściem na głośność.

Uwaga z sesji: ostateczną kontrolę przeprowadza się w formacie, który trafi do odbiorcy. Plik 128 kbps może pokazać odczyt różniący się o kilka dziesiątych dB od WAV, z którego powstał.

Które błędy najbardziej marnują czas przy LUFS?

Większość problemów bierze się z czterech miejsc.

Mierzenie złej rzeczy. Krótkoterminowa głośność jednej głośnej frazy to nie wartość zintegrowana. Gonienie za miernikiem momentalnym prowadzi do przesadnej korekty, a plik zmasterowany tak, by trafiał w -16 na najgłośniejszym zdaniu, kończy na -20 w całości.

Traktowanie -16 jak prawa natury. To konwencja. Niektóre platformy same normalizują odtwarzanie, inne nie. Odtwarzacz w przeglądarce albo głośnik inteligentny może nie stosować żadnej kontroli głośności, więc plik zbyt cichy pozostanie tam zbyt cichy.

Pomijanie szumu. Podbicie o 5 LU podbija też syk i szum pokoju o 5 dB. Jeśli źródło jest zaszumione, czyszczenie musi nastąpić przed wzmocnieniem. Inaczej problem rośnie razem z liczbą, do której celuje się w masteringu.

Zapominanie o pytaniu o stereo. Głos dostarczony jako plik mono i jako dual mono może różnić się o 3 LU przy tej samej pozycji fadera. Przed eksportem trzeba sprawdzić, czego oczekuje miejsce dostawy.

Omija się wtyczki obiecujące jednym kliknięciem naprawę głośności, jeśli nie pokazują miernika ani dziennika tego, co zrobiły. Praca z głośnością to arytmetyka. Bez odczytu przed i po nie da się obronić wyniku.

Zanim zaczniesz kolejną sesję

Najpierw wybierz miejsce dostawy, bo ono rozstrzyga wszystko inne. Podcast: -16 LUFS w stereo albo -19 w mono, szczyty na -1 dBTP. Streaming zbliżony do muzyki: w okolicy -14 i zgodnie z wytycznymi dla szczytu prawdziwego. Nadawanie: -23 wg R 128. Audiobook: analizator ACX oraz jego limity RMS, szczytów i szumu tła.

Potem wpisz tę liczbę do szablonu sesji. Dodaj kolumnę na zintegrowane LUFS i szczyt prawdziwy obok każdego renderu. Jeśli głosy generuje się partiami, ustaw linię referencyjną dla każdego głosu i dopasowuj do niej resztę. Gdy dziennik już istnieje, nowy rozdział albo scena odtworzona po sześciu miesiącach zajmują minuty zamiast popołudnia zgadywania na słuch.