Co to jest LUFS? Poziomy głośności dla głosu AI w praktyce

Co to jest LUFS? To jednostka głośności, która mierzy, jak głośno dźwięk brzmi słuchaczowi w czasie, a nie jak wysoko sięgają szczyty przebiegu. Jeden LU równa się jednemu dB wzmocnienia, więc matematyka jest prosta. Trudniejsze jest wiedzieć, jaką liczbę trafić, gdzie ją mierzyć i dlaczego klipy z generatora głosu rzadko pasują do siebie. Ten przewodnik omawia standard, cele dla dystrybucji, z którymi naprawdę się spotkasz, oraz rutynę wsadową dla syntetycznego głosu.

Co LUFS faktycznie mierzy?

LUFS to skrót od Loudness Units relative to Full Scale, czyli jednostek głośności względem pełnej skali. Pochodzi z normy ITU-R BS.1770, a w niektórych regionach ten sam pomiar nazywa się LKFS. Skala jest względna wobec cyfrowej pełnej skali, więc 0 LUFS to sufit, a rzeczywisty materiał programowy leży wyraźnie poniżej, jako liczba ujemna.

Pomiar działa w trzech krokach. Najpierw filtr K: filtr górnoprzepustowy w okolicach 38 Hz oraz łagodna półka wysokich częstotliwości, która przybliża sposób, w jaki ucho waży poszczególne pasma. Następnie energia średniokwadratowa jest uśredniana w czasie. Na koniec bramkowanie odrzuca ciszę, żeby pauzy nie ciągnęły średniej w dół.

Ostatni punkt ma znaczenie przy mowie. Lektor, który robi dużo pauz, na naiwnej średniej wyszedłby jako cichszy. BS.1770 odrzuca wszystko poniżej -70 LUFS bezwzględnie, a potem wszystko, co leży więcej niż 10 LU poniżej bieżącego poziomu. Pauzy przestają Cię karać.

Uwaga z sesji: miernik szczytowy pokazuje najwyższy pik. LUFS pokazuje, jak ciężki jest cały sygnał. Dwa klipy mogą mieć ten sam szczyt -1 dBFS i różnić się o 8 LU.

Momentary, short-term i integrated: któremu odczytowi ufać?

Miernik głośności pokazuje trzy odczyty, a ludzie notorycznie je mieszają.

• Momentary używa okna 400 ms. Reaguje szybko i pokazuje zrywy.

• Short-term używa okna 3-sekundowego. Pokazuje, jak sytuuje się fraza lub scena.

• Integrated uśrednia cały program z bramkowaniem. To ta liczba, której wymaga specyfikacja dostawy.

Zakres głośności (LRA, z EBU Tech 3342) to czwarta wartość. Opisuje, o ile poziom przesuwa się w całym programie, wyrażony w LU. Podcast z jednym prowadzącym i stałym wzmocnieniem ma mały LRA. Słuchowisko z szeptami i krzykiem ma duży.

Do dostawy podajesz integrated. Do naprawiania problemów wewnątrz pliku patrzysz na short-term. Momentary służy do wyłapania kaszlnięcia, plozji i kliknięcia.

Który cel LUFS trafić?

Cele różnią się zależnie od miejsca docelowego. Poniżej liczby, które pojawiają się najczęściej. Każdą z nich potwierdź w aktualnej dokumentacji platformy przed wysyłką.

• Spotify (ustawienie Normal): -14 LUFS, true peak -1 dBTP

• YouTube: około -14 LUFS, -1 dBTP

• Apple Music: -16 LUFS, -1 dBTP

• Podcasty (typowa praktyka): -16 LUFS, plus minus 1 LU, -1 dBTP

• Nadawanie w UE (EBU R 128): -23 LUFS, plus minus 0,5 LU, -1 dBTP

Spotify podaje własne wartości: odtwarzanie normalizuje do -19 LUFS w trybie Quiet, -14 w trybie Normal i -11 w trybie Loud, a masteringu zaleca na poziomie -14 LUFS, z true peak na -1 dB lub niżej. Wytyczne znajdziesz w przewodniku Spotify o normalizacji głośności. Europejski punkt odniesienia dla nadawców, -23 LUFS, opisuje rekomendacja EBU R 128.

Nie ma jednej „poprawnej" liczby. Podcast na -16 LUFS odtworzony na platformie normalizującej do -14 zostanie po prostu podgłośniony o 2 LU. Nic się nie psuje. Psuje się plik, który został ściśnięty limiterem, żeby osiągnąć głośny cel, i brzmi męcząco.

Dlaczego LUFS i true peak idą razem?

Integrated nic nie mówi o najwyższym chwilowym szczycie. Plik może mieć -16 LUFS i mimo to przesterować konwerter po kodowaniu stratnym. True peak (dBTP) szacuje szczyt między próbkami, używając oversamplingu, ponieważ kodowanie AAC czy Ogg potrafi przekroczyć to, co pokazują wartości próbek.

Praktyczna zasada: najpierw ustaw cel głośności, potem sprawdź, czy true peak mieści się w -1 dBTP lub poniżej. Spotify zaleca zejście do -2 dBTP, gdy master jest głośniejszy niż -14 LUFS, żeby ograniczyć zniekształcenia kodowania.

Praca nad audiobookami dodaje zwrot akcji. ACX, główny amerykański sklep z audiobookami, podaje poziomy RMS między -23 a -18 dB oraz szczyty nie wyższe niż -3 dB, a nie LUFS. Jeśli nagrywasz dla tego kanału, mierz RMS zgodnie ze specyfikacją. Jeśli wydajesz też wersję podcastową tych samych rozdziałów, mierz LUFS dla niej. Dwie specyfikacje, dwa mierniki, jeden plik źródłowy.

Dlaczego klipy generowanego głosu mają różną głośność?

Tu jest część, której ogólne poradniki o LUFS nie omawiają. Silnik zamiany tekstu na mowę nie zna Twojego celu. Każda generacja zwraca dźwięk na poziomie, jaki wynika z modelu i ustawień głosu, a ten poziom może się zmieniać między głosami, językami i stanami emocjonalnymi.

Na liczbę wpływają trzy rzeczy:

1. Sam głos. Głębszy klon z większą energią w niskich średnich inaczej wypada przy filtrze K niż jasny, nawet przy identycznym poziomie szczytowym.

2. Styl podania. Szept i krzyk z tego samego głosu nie mają tej samej głośności, a suwak emocji zmienia więcej niż wysokość tonu.

3. Długość klipu. Dwusekundowy okrzyk NPC to ledwie jedno okno short-term. Jego odczyt integrated jest zaszumiony, a bramkowanie na bardzo krótkim materiale może zachowywać się dziwnie.

Jeśli sterujesz głosem suwakami emocji, jak w AnyVoice z systemem ośmiu suwaków, traktuj każdą zmianę suwaka jako powód do ponownego pomiaru. Nic nie gwarantuje, że dwie pozycje suwaka trafią w ten sam poziom LUFS.

Uwaga z sesji: syntetyczna mowa bywa czystsza niż nagranie z sali, bez szumu pomieszczenia i bez oddechów, chyba że o nie poprosisz. Bramkowanie wtedy usuwa mniej niż na żywym nagraniu, więc odczyty integrated mogą leżeć bliżej short-term, niż się spodziewasz.

Rutyna wsadowa dla wygenerowanego głosu

Załóżmy, że masz 300 linii dialogu w trzech stanach emocjonalnych. Ręczne ruszanie fadera odpada. Oto przepływ pracy, który się sprawdza.

1. Generuj przy stałym ustawieniu eksportu. Ta sama częstotliwość próbkowania i głębia bitowa dla każdego klipu, żeby porównywać rzeczy porównywalne.

2. Mierz integrated LUFS i true peak dla każdego klipu miernikiem zgodnym z BS.1770. Większość DAW i narzędzi wiersza poleceń, na przykład filtr loudnorm w ffmpeg, potrafi podać oba.

3. Grupuj według roli, nie według pliku. Wszystkie linie jednej postaci powinny mieścić się w około 1 LU. Różne postacie mogą się różnić, jeśli scena tego wymaga.

4. Zamykaj różnicę wzmocnieniem, nie kompresją. Liniowa zmiana o 2,3 dB przesuwa głośność dokładnie o 2,3 LU i nie rusza dynamiki.

5. Sprawdź true peak po wzmocnieniu. Jeśli klip przekroczy teraz Twój sufit, użyj limitera true peak z krótkim lookahead i trzymaj redukcję małą.

6. Znormalizuj finalny miks raz. Cel platformy stosuj do gotowego programu, a nie do każdego stemu z osobna.

Przykład z zaokrąglonymi liczbami: wygenerowany klip mierzy -21,5 LUFS, a cel dialogu to -18 LUFS. Potrzebujesz +3,5 dB. Jeśli jego true peak wynosił -6 dBTP, po wzmocnieniu wyląduje na -2,5 dBTP, czyli w granicach sufitu -1 dBTP. Limiter nie jest potrzebny.

Ten sam klip ze szczytem na -3 dBTP dałby po +3,5 dB wartość +0,5 dBTP, czyli ponad pełną skalę w domenie z oversamplingiem. Tu obniżasz cel, kształtujesz transjent albo limitujesz. Wybór zależy od tego, czy ten szczyt to plozja, którą i tak byś poprawił.

Normalizować do LUFS czy zostawić generator w spokoju?

To zależy od tego, dokąd trafia dźwięk.

Jeśli klip idzie prosto do silnika gry, przepływu IVR lub aplikacji, normalizuj każdy zasób do jednego celu dialogu i zostaw miks środowisku uruchomieniowemu. Gra z niespójnymi poziomami linii zmusza gracza do ciągłego kręcenia głośnością, a właśnie temu ma zapobiegać specyfikacja głośności.

Jeśli klip trafia do DAW jako pierwszy szkic, możesz pominąć wstępną normalizację. I tak będziesz go balansować z muzyką i efektami. Mierz finalny miks.

Warto poświęcić chwilę na pomiar syntetycznego głosu, zanim trafi do łańcucha. Pomiń go, jeśli generujesz pojedynczy 30-sekundowy spot, który i tak sprawdzisz na słuch. Koszt pomiaru to sekundy na klip, więc próg opłacalności leży mniej więcej w punkcie, w którym przestajesz pamiętać, który klip jest który.

Narzędzia platform pomagają na marginesie. Niektóre platformy TTS publikują własne ustawienia normalizacji wyjścia lub głośności, więc przeczytaj dokumentację, zanim zbudujesz krok potoku, który to duplikuje. Murf AI i inni dostawcy w tej kategorii różnią się wielkością biblioteki głosów i opóźnieniem API, co ma większe znaczenie w potoku działającym w czasie rzeczywistym niż przy przetwarzaniu wsadowym.

Typowe błędy z LUFS i poprawka dla każdego

Gonienie za -14 przy treściach wyłącznie mownych. Cele masteringu muzycznego nie przekładają się na słowo mówione. Podcast prowadzony dialogiem na -16 LUFS dobrze brzmi na większości telefonów i słuchawek. Podbijanie go do -12, żeby „konkurować", kupuje limiter, którego nie potrzebujesz.

Pomiar przed finalną edycją. Crossfade'y, wypełnienia szumem pokoju i podkłady muzyczne zmieniają integrated. Mierz na końcu.

Ślepe ufanie jednej wtyczce mierniczej. Mierniki powinny zgadzać się w granicach kilku dziesiątych LU na tym samym pliku. Jeśli dwa różnią się o 1 LU lub więcej, sprawdź ustawienie bramkowania i tryb pomiaru, zanim zaufasz któremukolwiek.

Ignorowanie true peak. Trafienie w cel głośności przy szczycie +0,3 dBTP to na większości specyfikacji nieudana dostawa.

Porównywanie plików o różnej głośności na słuch. Głośniejszy plik prawie zawsze wygrywa w porównaniu A/B. Wyrównaj głośność przed oceną głosu, wtyczki czy klonu. Dotyczy to wprost porównywania dostawców TTS: najpierw wyrównaj integrated, dopiero potem słuchaj.

Co to zmienia w Twoim procesie

Nie musisz zapamiętywać standardu. Potrzebujesz trzech nawyków.

Po pierwsze, wybierz miejsce docelowe, zanim wybierzesz cel. Streamingi muzyczne, kanały podcastów, nadawcy i sklepy z audiobookami mają własne liczby, a niektórzy używają RMS zamiast LUFS.

Po drugie, traktuj wygenerowany głos jak niewyrównany materiał. Mierz każdy klip, grupuj go według postaci i zamykaj różnicę zwykłym wzmocnieniem.

Po trzecie, opieraj decyzje na integrated i true peak razem. Sama jedna z tych miar przepuszcza pliki, które w produkcji zawiodą.

Jeśli prowadzisz voiceover w przedsiębiorstwie z rygorystycznymi wymogami zgodności, dostawca z funkcjami governance, na przykład WellSaid Labs, pasuje do takiego modelu zakupu. Dla twórców solo wystarczy miernik, cel i arkusz z przesunięciami dla poszczególnych postaci.