O que é LUFS? Alvos de loudness para fluxos de voz com IA

O que é LUFS? É uma unidade de loudness que mede o quão alto um áudio soa para quem escuta ao longo do tempo, e não o pico mais alto de uma forma de onda. Um LU equivale a um dB de ganho, então a conta é simples. A parte difícil é saber qual número atingir, onde medir e por que clipes de um gerador de voz quase nunca batem entre si. Este guia cobre o padrão, os alvos de entrega que você vai encontrar de fato e uma rotina em lote para voz sintética.

O que o LUFS realmente mede?

LUFS significa Loudness Units relative to Full Scale, ou seja, unidades de loudness relativas à escala máxima. A medida vem da ITU-R BS.1770, e a mesma medição recebe o nome de LKFS em algumas regiões. A escala é relativa ao full scale digital: 0 LUFS é o teto, e o material real fica sempre abaixo, como número negativo.

A medição acontece em três etapas. Primeiro, a ponderação K: um filtro passa-alta por volta de 38 Hz, somado a um shelf suave nas altas frequências, que aproxima a forma como o ouvido pondera as frequências. Segundo, a energia quadrática é tirada em média ao longo do tempo. Terceiro, o silêncio é descartado pelo gating, para que as pausas não puxem a média para baixo.

Esse último ponto importa para a fala. Um narrador que faz muitas pausas soaria mais baixo numa média ingênua. A BS.1770 descarta tudo abaixo de -70 LUFS absolutos e, depois, tudo mais de 10 LU abaixo do nível corrente. Suas pausas deixam de jogar contra você.

Nota da sessão: um medidor de pico mostra o maior pico. O LUFS mostra o peso do sinal inteiro. Dois clipes podem ter o mesmo pico de -1 dBFS e ficar 8 LU de distância um do outro.

Momentary, short-term e integrated: qual leitura você deve confiar?

Um medidor de loudness mostra três leituras, e as pessoas as confundem o tempo todo.

• Momentary usa uma janela de 400 ms. Reage rápido e mostra picos curtos.

• Short-term usa uma janela de 3 segundos. Mostra como uma frase ou uma cena se comporta.

• Integrated tira a média do programa inteiro, com gating. É o número que uma especificação de entrega pede.

A faixa de loudness (LRA, definida na EBU Tech 3342) é uma quarta medida. Ela descreve o quanto o nível se move ao longo do programa, em LU. Um podcast com um único apresentador e ganho estável tem LRA pequeno. Um drama com sussurros e gritos tem um LRA grande.

Para entrega, você informa o loudness integrated. Para corrigir problemas dentro de um arquivo, observe o short-term. O momentary serve para pegar o espirro, a plosiva e o clique.

Qual alvo de LUFS você deve atingir?

Os alvos mudam conforme o destino. Estes são os números que mais aparecem, e você deve confirmar cada um na documentação atual da plataforma antes de publicar.

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

• YouTube: em torno de -14 LUFS, -1 dBTP

• Apple Music: -16 LUFS, -1 dBTP

• Podcasts (prática comum): -16 LUFS, ±1 LU, -1 dBTP

• Broadcast europeu (EBU R128): -23 LUFS, ±0.5 LU, -1 dBTP

O Spotify documenta os próprios números: a reprodução normaliza para -19 LUFS no modo Quiet, -14 no Normal e -11 no Loud, e recomenda masters em -14 LUFS com true peak igual ou abaixo de -1 dB. O guia de normalização de loudness do Spotify traz esses valores. A recomendação EBU R 128 define a referência de broadcast europeu em -23 LUFS.

Não existe um número único "correto". Um podcast em -16 LUFS tocado numa plataforma que normaliza para -14 simplesmente sobe 2 LU. Nada quebra. O que quebra é um arquivo esmagado com limiter para atingir um alvo alto e que, no fim, soa cansativo.

O loudness integrado não diz nada sobre o pico instantâneo mais alto. Um arquivo pode atingir -16 LUFS e ainda assim clipar num conversor depois de uma codificação com perdas. O true peak (dBTP) estima o pico entre as amostras, usando oversampling, porque encoders AAC e Ogg podem ultrapassar o que os valores das amostras mostram.

A regra prática: defina primeiro o alvo de loudness e depois confirme que o true peak fica igual ou abaixo de -1 dBTP. O Spotify recomenda ir mais baixo, para -2 dBTP, quando um master estiver mais alto que -14 LUFS, para limitar a distorção do encoding.

O trabalho de audiolivro traz uma reviravolta. A ACX, a principal distribuidora de audiolivros dos Estados Unidos, especifica níveis RMS entre -23 e -18 dB, com picos de no máximo -3 dB, e não LUFS. Se você narra para esse canal, meça RMS como a especificação exige. Se também lança uma edição em podcast dos mesmos capítulos, meça LUFS nessa versão. Duas especificações, dois medidores, um único arquivo de origem.

Por que clipes de voz com IA saem com loudness diferente?

Aqui está a parte que os guias genéricos de LUFS deixam de fora. Um motor de text-to-speech não conhece o seu alvo. Cada geração devolve áudio no nível que o modelo e as configurações de voz produzem, e esse nível pode mudar entre vozes, entre idiomas e entre estados emocionais.

Três fatores mexem no número:

1. A própria voz. Um clone mais grave, com mais energia nas médias-graves, soa diferente sob a ponderação K de uma voz mais brilhante, mesmo com o mesmo nível de pico.

2. O estilo de entrega. Uma linha sussurrada e uma linha gritada da mesma voz não têm o mesmo loudness, e um controle de emoção muda mais do que o tom.

3. A duração do clipe. Uma fala curta de NPC, de 2 segundos, mal tem uma janela short-term dentro dela. A leitura integrada fica ruidosa, e o gating pode se comportar de forma estranha em material muito curto.

Se você dirige uma voz por controles de emoção, como faz o AnyVoice com seu sistema de 8 sliders, trate cada mudança de slider como motivo para medir de novo. Nada garante que duas posições de slider caiam no mesmo LUFS.

Nota da sessão: a fala sintética costuma ser mais limpa que uma tomada gravada, sem ruído de sala e sem respirações, a menos que você as peça. O gating então remove menos do que removeria numa gravação ao vivo, e as leituras integradas podem ficar mais próximas das leituras short-term do que você imagina.

Uma rotina em lote para voz gerada

Imagine 300 linhas de diálogo em três estados emocionais. Ajustar faders à mão não é uma opção. Este fluxo se sustenta:

1. Gere com uma configuração de exportação constante. Mesma taxa de amostragem e mesma profundidade de bits em todos os clipes, para comparar coisas parecidas.

2. Meça o LUFS integrado e o true peak de cada clipe com um medidor BS.1770. A maioria das DAWs e ferramentas de linha de comando, como o filtro loudnorm do ffmpeg, mostra os dois.

3. Agrupe por papel, não por arquivo. Todas as linhas de um mesmo personagem devem ficar a cerca de 1 LU umas das outras. Personagens diferentes podem divergir se a cena pedir.

4. Aplique ganho, não compressão, para fechar a diferença. Uma mudança linear de ganho de 2.3 dB move o loudness exatamente 2.3 LU e deixa a dinâmica intacta.

5. Confira o true peak depois do ganho. Se um clipe agora ultrapassar o teto, use um limiter de true peak com lookahead curto e mantenha a redução pequena.

6. Normalize a mixagem final uma vez. Aplique o alvo da plataforma no programa finalizado, não em cada stem.

Um exemplo trabalhado com números redondos: um clipe gerado mede -21.5 LUFS, e o seu alvo de diálogo é -18 LUFS. Você precisa de +3.5 dB. Se o true peak era -6 dBTP, ele fica em -2.5 dBTP, dentro de um teto de -1 dBTP. Nenhum limiter é necessário.

Agora o mesmo clipe com pico em -3 dBTP. Depois de +3.5 dB ele ficaria em +0.5 dBTP, acima do full scale no domínio com oversampling. Aqui você precisa baixar o alvo, moldar o transiente ou limitar. A escolha depende de o pico ser uma plosiva que você corrigiria de qualquer forma.

Devo normalizar para LUFS ou deixar o gerador em paz?

Depende de para onde o áudio vai.

Se o clipe segue direto para uma game engine, um fluxo de URA telefônica ou um app, normalize cada asset para um único alvo de diálogo e deixe o runtime cuidar da mixagem. Um jogo com níveis inconsistentes obriga o jogador a mexer no volume o tempo todo, justamente o que uma especificação de loudness existe para evitar.

Se o clipe entra numa DAW como primeira passagem, você pode pular a pré-normalização. Vai rebalancear contra música e efeitos de qualquer jeito. Meça a mixagem final.

Vale o esforço fazer uma passagem de loudness na voz sintética antes de ela entrar na sua cadeia. Pule se estiver gerando um único spot de 30 segundos que você vai ouvir de qualquer forma. Medir custa segundos por clipe, então o ponto de equilíbrio fica por volta do momento em que você deixa de lembrar qual clipe era qual.

As ferramentas da plataforma ajudam na margem. Alguns provedores de TTS publicam as próprias opções de normalização ou de loudness, então leia a documentação antes de criar uma etapa que duplique isso. A Murf AI e outras da categoria diferem no tamanho da biblioteca de vozes e na latência da API, o que pesa mais num pipeline em tempo real do que em trabalhos em lote.

Erros comuns com LUFS (e a correção de cada um)

Perseguir -14 em conteúdo só de fala. Os alvos de masterização musical não se traduzem para a palavra falada. Um podcast centrado em diálogo em -16 LUFS soa certo na maioria dos celulares e fones. Empurrá-lo para -12 para "competir" compra um limiter que você não precisa.

Medir antes da edição final. Crossfades, preenchimentos de ambiente e camas musicais mudam o loudness integrado. Meça por último.

Confiar cegamente num único plugin de medição. Os medidores devem concordar em alguns décimos de LU no mesmo arquivo. Se dois discordam em 1 LU ou mais, verifique a configuração de gating e o modo de medição antes de confiar em qualquer um deles.

Ignorar o true peak. Atingir o alvo de loudness com um pico de +0.3 dBTP é uma entrega reprovada na maioria das especificações.

Comparar arquivos com loudness diferente de ouvido. Um arquivo mais alto quase sempre vence um A/B. Iguale o nível antes de julgar uma voz, um plugin ou um clone. Isso se aplica diretamente quando você compara fornecedores de TTS: iguale primeiro o loudness integrado e só depois ouça.

O que isso muda no seu pipeline

Você não precisa decorar o padrão. Precisa de três hábitos.

Primeiro, escolha o destino antes do alvo. Streaming de música, feeds de podcast, broadcast e varejo de audiolivros têm cada um o seu número, e alguns usam RMS em vez de LUFS.

Segundo, trate a voz gerada como material de estoque sem nivelamento. Meça cada clipe, agrupe por personagem e corrija a diferença com ganho simples.

Terceiro, baseie as decisões no loudness integrado e no true peak ao mesmo tempo. Um sem o outro deixa passar arquivos que falham em produção.

Se você roda voiceover corporativo com requisitos rígidos de compliance, um fornecedor com recursos de governança, como a WellSaid Labs, combina com esse formato de compra. Para criadores solo, comece com um medidor, um alvo e uma planilha com os offsets por personagem.