O que é LUFS? Alvos de loudness para voz IA e áudio

O que é LUFS? É uma unidade de sonoridade que mede o quão alto um áudio soa para quem ouve, ao longo do tempo, e não o quão alto chegam os picos. Uma LU equivale a 1 dB de ganho. Os valores são negativos porque a escala parte do fundo de escala digital (0 dBFS), o máximo que um arquivo digital consegue armazenar. Para voz falada, você escolhe um alvo, como -16 LUFS na maioria dos podcasts, e mantém o true peak abaixo de cerca de -1 dBTP.

Como o LUFS realmente mede a sonoridade?

LUFS significa "Loudness Units relative to Full Scale" (unidades de sonoridade em relação ao fundo de escala). A medição é definida na ITU-R BS.1770 e adotada pela EBU R 128, e LKFS é a mesma unidade com um nome mais antigo. Antes de exibir um número, o medidor faz três coisas.

Primeiro, aplica a ponderação K. É um filtro que atenua as frequências graves e dá um leve reforço às médias-altas, imitando de forma aproximada a maneira como o ouvido pondera a energia. Uma voz com muito ronco em 80 Hz soa mais baixa do que o nível bruto sugere, porque o filtro desconta esse ronco.

Segundo, calcula a média da energia em uma janela de tempo. Três janelas importam na prática:

• Momentâneo observa 400 ms e oscila rápido.

• Curto prazo observa 3 segundos e é o que você acompanha ao editar uma frase.

• Integrado cobre o arquivo inteiro, do primeiro ao último sample, e é o número que as plataformas usam para normalizar.

Terceiro, aplica um gate. Tudo abaixo de -70 LUFS é ignorado, e depois tudo o que estiver mais de 10 LU abaixo da média corrente também é ignorado. O gate é o motivo pelo qual um silêncio longo entre as falas não puxa sua leitura para baixo. Também é por isso que um arquivo feito quase só de ambiente de sala produz um número integrado estranho.

Nota de sessão: se um render tiver menos de um segundo, a leitura integrada se apoia em poucas janelas. Meça dentro da cena ou do capítulo completo.

Por que os valores são negativos, e em que isso difere de dBFS e RMS?

A escala termina em 0 dBFS, o valor mais alto que um arquivo digital de ponto fixo consegue armazenar. Tudo o que você ouve fica abaixo desse teto, então tudo aparece negativo. Uma leitura de -16 LUFS significa simplesmente 16 unidades abaixo do fundo de escala.

A confusão começa porque vários medidores usam a mesma aparência em dB. Veja como eles diferem na prática.

• Pico (dBFS) é a amostra mais alta. Diz respeito a clipping e nada sobre sonoridade.

• True peak (dBTP) estima o nível mais alto que a forma de onda atinge entre as amostras, depois da conversão. Codecs com perda podem levar o true peak acima de 0 mesmo quando o pico de amostra fica abaixo, e por isso as plataformas pedem cerca de -1 dBTP de folga.

• RMS calcula a média da potência do sinal, sem ponderação K e sem gate. É uma medida mais grosseira, e algumas especificações, como o padrão de audiolivros abaixo, ainda usam RMS.

• LUFS é a sonoridade ponderada e com gate. É a que melhor se correlaciona com o que um ouvinte percebe como mais alto.

Dois arquivos podem ter o mesmo pico e diferir em 8 LU de sonoridade. Um take cheio de plosivas com um único pico e um take comprimido, de dinâmica achatada, mostram isso. Essa diferença é o motivo de a unidade existir.

Qual alvo de LUFS você deve atingir em trabalhos de voz?

Não existe um número único. O alvo depende de onde o arquivo vai parar, e alguns destinos nem usam LUFS. Estes são os valores para deixar à mão.

• Streaming musical, em torno de -14 LUFS integrados. A documentação de normalização de loudness do Spotify indica -14 dB LUFS como nível normal de reprodução, com Loud em -11 e Quiet em -19 para assinantes Premium. A recomendação é true peak igual ou abaixo de -1 dBTP, ou -2 dBTP se o seu master for mais alto que -14.

• Podcasts, normalmente -16 LUFS em estéreo e -19 LUFS em mono. O valor do mono é 3 LU mais baixo porque um sinal mono duplicado nos dois canais mede 3 LU a mais do que o mesmo sinal em um canal só. O teto de -1 dBTP é o conselho usual.

• Broadcast pela EBU R 128, -23 LUFS integrados, com teto de true peak em -1 dBTP e tolerância de 0.5 LU na entrega em arquivo.

• Audiolivros na ACX, sem LUFS. As exigências de submissão de áudio da ACX pedem RMS entre -23 dB e -18 dB, picos abaixo de -3 dB e piso de ruído abaixo de -60 dB RMS. Se você entrega audiolivros, meça com o analisador deles, e não só com um medidor de LUFS.

Repare na ordem das coisas no último item. Um capítulo pode estar em -20 LUFS, um valor perfeitamente razoável, e mesmo assim ser reprovado na ACX por causa de um único pico alto ou de uma cauda com ruído. O LUFS informa sobre a sonoridade média, enquanto a especificação se preocupa com três coisas separadas.

Aqui vai a parte opinativa. Não masterize um podcast em -14 só porque a página do Spotify diz -14. Esse número é para música. Uma fala com leitura integrada de -14 normalmente significa que o limiter está trabalhando forte nas consoantes, e o ouvinte sente cansaço depois de dez minutos.

Por que a voz gerada por IA precisa de uma checagem de sonoridade própria?

Você pode imaginar que uma voz sintética chega sempre no mesmo nível, já que não há distância de microfone nem deriva de pré-amplificador. Às vezes isso se confirma. Muitas vezes não, e as causas são diferentes das de uma sessão gravada.

Cada render pode sair com um ganho geral próprio. Mude a voz, a velocidade da fala ou a configuração de emoção, e a sonoridade integrada muda junto. Uma entrega tensa e cortada e uma entrega calma e sussurrada, vindas da mesma voz clonada, podem diferir em vários LU. Se você monta uma cena com 40 falas renderizadas separadamente, vai ouvir saltos que ninguém gravou.

Três hábitos ajudam.

1. Meça cada render antes de editá-lo. Anote a leitura integrada ao lado do nome do arquivo no seu log.

2. Alinhe as falas de uma cena entre si primeiro, e só depois ao alvo de entrega. A consistência relativa importa mais do que o número absoluto dentro de uma mixagem.

3. Mantenha uma linha de referência por voz. Normalize todo o resto em relação a ela, para que um narrador clonado não oscile entre capítulos.

Quando você controla a emoção com sliders, como no sistema de 8 sliders da AnyVoice, espere que a sonoridade mude conforme a intensidade. Trate a leitura integrada como parte das notas de parâmetros, e não como um detalhe para depois. Em um jogo, isso significa normalizar por estado de voz antes de as falas entrarem no middleware, porque o motor não fará isso por você.

Como é um fluxo de trabalho sensato de sonoridade para uma voz sintética?

Esta é a ordem que menos desperdiça tempo. Ela funciona igual se o arquivo veio de uma voz clonada, de uma voz de catálogo ou de um narrador humano.

1. Renderize na maior qualidade que a ferramenta oferecer e guarde o arquivo sem processamento. Evite normalizar dentro do gerador, porque você perde o original.

2. Meça o LUFS integrado e o true peak do arquivo inteiro, com um medidor que siga a BS.1770. A maioria dos DAWs inclui um, e vários plugins gratuitos também.

3. Calcule o ganho. Alvo menos medido dá o ajuste em dB. Se um render marca -21.4 LUFS e você quer -16, adicione 5.4 dB. A unidade é linear, então 5.4 dB de ganho movem a leitura exatamente 5.4 LU.

4. Confira o pico depois do ganho. Se o true peak era -8.0 dBTP antes, ele passa a -2.6 dBTP, que respeita um teto de -1 dBTP. Se ele fosse parar acima do teto, você precisaria de um limiter de true peak, e não de mais ganho.

5. Use um limiter só para o problema que sobrou. Um teto em -1 dBTP com 1 a 2 dB de redução de ganho é transparente na fala. Dez dB de redução viram bombeamento audível.

6. Meça de novo o arquivo exportado, e não a sessão. A conversão de codec e o dither podem mudar os números um pouco.

A normalização de sonoridade nesta etapa é diferente de compressão. Normalizar altera só o ganho, então a dinâmica permanece como foi renderizada. Se uma linha tem um sussurro tenso seguido de um grito e você quer aproximá-los, isso é compressão ou clip gain, e acontece antes da passada final de sonoridade.

Nota de sessão: faça a checagem final no formato que será entregue. Um arquivo de 128 kbps pode ler algumas décimas de dB diferente do WAV de origem.

Quais erros mais desperdiçam tempo com LUFS?

A maioria dos problemas vem de quatro lugares.

Medir a coisa errada. O curto prazo durante uma frase alta não é o valor integrado. Perseguir o medidor momentâneo leva a correções excessivas, e um arquivo masterizado para bater -16 na frase mais alta acaba em -20 no conjunto.

Tratar -16 como lei da natureza. É uma convenção. Algumas plataformas normalizam a reprodução para você, e outras não. Um player web ou um alto-falante inteligente podem não aplicar controle de sonoridade algum, então um arquivo baixo demais continuará baixo demais por lá.

Ignorar o piso de ruído. Aumentar 5 LU também aumenta o chiado e o ambiente em 5 dB. Se a origem era ruidosa, a limpeza precisa acontecer antes do ganho. Do contrário, o problema cresce junto com o número que você tenta atingir.

Esquecer a questão do estéreo. Uma voz mono entregue como arquivo mono e uma voz entregue como dual mono podem ficar 3 LU distantes na mesma posição do fader. Confira o que o seu destino espera antes de exportar.

Descarte qualquer plugin que prometa um ajuste de sonoridade com um clique, sem medidor e sem registro do que fez. Trabalho de loudness é aritmética. Se você não consegue ver as leituras antes e depois, não consegue defender o resultado.

Antes da sua próxima sessão

Escolha primeiro o destino, porque ele decide todo o resto. Podcast: -16 LUFS em estéreo ou -19 em mono, picos em -1 dBTP. Streaming próximo de música: perto de -14, respeitando a recomendação de true peak. Broadcast: -23 pela R 128. Audiolivro: o analisador da ACX e os limites de RMS, pico e piso de ruído.

Depois, anote o número no seu modelo de sessão. Acrescente uma coluna para o LUFS integrado e o true peak ao lado de cada render. Se você gera vozes em lote, defina uma linha de referência por voz e alinhe a ela. Quando o log existir, um capítulo novo ou uma cena refeita seis meses depois leva minutos, e não uma tarde inteira de palpite no ouvido.