Vad är LUFS? Loudnessmål för tal och AI-röster i praktiken
Summary
Vad är LUFS? Det är en ljudnivåenhet från ITU-R BS.1770 som mäter upplevd ljudstyrka över tid med K-viktning och gating, där 1 LU motsvarar 1 dB. Podcaster siktar ofta på -16 LUFS, Spotify normaliserar till -14 på inställningen Normal och EU-sändning använder -23, alltid med true peak nära -1 dBTP. Genererade röstklipp varierar efter röst, språk och känsloinställning, så mät varje klipp, gruppera per karaktär och täpp till skillnaderna med ren förstärkning.
Vad är LUFS? Det är en enhet för upplevd ljudnivå som mäter hur högt ljud uppfattas av lyssnaren över tid, inte hur högt vågformen når i sina toppar. En LU motsvarar en dB i förstärkning, så själva matematiken är enkel. Det svåra är att veta vilket värde du ska sikta på, var du ska mäta och varför klipp från en röstgenerator sällan låter lika högt. Den här guiden går igenom standarden, de leveransmål du faktiskt möter och en batchrutin för syntetisk röst.
Vad mäter LUFS egentligen?
LUFS står för Loudness Units relative to Full Scale. Enheten kommer från ITU-R BS.1770, och samma mätning kallas LKFS i vissa regioner. Skalan är relativ till digital full skala, så 0 LUFS är taket och verkligt programmaterial ligger en bit under, som ett negativt tal.
Mätningen går i tre steg. Först K-viktning: ett högpassfilter kring 38 Hz plus en mild hyllning i de höga frekvenserna som approximerar hur örat väger olika frekvenser. Därefter medelvärdesbildas den kvadratiska energin över tid. Sist gatas tystnad bort, så att pauser inte drar ner medelvärdet.
Den sista punkten är viktig för tal. En berättare som pausar mycket skulle låta tystare i ett naivt medelvärde. BS.1770 gatar bort allt under -70 LUFS absolut, och sedan allt mer än 10 LU under den löpande nivån. Dina pauser räknas inte mot dig längre.
Sessionsnoten: en toppmätare visar den högsta spiken. LUFS visar hur tung hela signalen känns. Två klipp kan ha samma topp på -1 dBFS och ändå ligga 8 LU från varandra.
Momentan, kortsiktig eller integrerad: vilket värde litar du på?
En ljudnivåmätare visar tre värden, och de blandas ihop hela tiden.
Momentan använder ett fönster på 400 ms. Den reagerar snabbt och visar korta toppar.
Kortsiktig använder ett fönster på 3 sekunder. Den visar hur en fras eller en scen ligger.
Integrerad medelvärdesbildar hela programmet, med gating. Det här är värdet som en leveransspecifikation efterfrågar.
Loudness range (LRA, från EBU Tech 3342) är ett fjärde värde. Det beskriver hur mycket nivån rör sig över programmet, i LU. En podcast med en värd och jämn förstärkning har ett litet LRA. Ett drama med viskningar och skrik har ett stort.
Vid leverans anger du integrerad ljudnivå. För att rätta till problem inuti en fil följer du den kortsiktiga. Momentan är till för att fånga en nysning, ett plosivt ljud eller ett klick.
Vilket LUFS-mål ska du sikta på?
Målen skiljer sig mellan mottagare. Siffrorna nedan är de som dyker upp oftast, och du bör kontrollera varje mot plattformens aktuella dokumentation innan du levererar.
Spotify (inställningen Normal): -14 LUFS, true peak -1 dBTP
YouTube: ungefär -14 LUFS, -1 dBTP
Apple Music: -16 LUFS, -1 dBTP
Podcasts (vanlig praxis): -16 LUFS, plus minus 1 LU, -1 dBTP
EU-sändning (EBU R128): -23 LUFS, plus minus 0,5 LU, -1 dBTP
Spotify dokumenterar sina egna siffror: uppspelningen normaliseras till -19 LUFS på Quiet, -14 på Normal och -11 på Loud, och Spotify rekommenderar masters på -14 LUFS med true peak på -1 dB eller lägre. Spotifys guide för ljudnivånormalisering listar siffrorna. EBU R 128-rekommendationen sätter den europeiska sändningsreferensen till -23 LUFS.
Låt bli att tro att ett enda tal är "det rätta". En podcast på -16 LUFS som spelas upp på en plattform som normaliserar till -14 höjs helt enkelt 2 LU. Inget går sönder. Det som går sönder är en fil som pressats med en limiter för att nå ett högt mål och som sedan låter tröttande.
Varför följer LUFS och true peak varandra?
Integrerad ljudnivå säger ingenting om den högsta momentana toppen. En fil kan landa på -16 LUFS och ändå klippa i en omvandlare efter förlustbehäftad kodning. True peak (dBTP) uppskattar toppen mellan samplen med översampling, eftersom AAC- och Ogg-kodningar kan överskrida det som samplevärdena visar.
Den praktiska regeln: sätt ljudnivåmålet först och kontrollera sedan att true peak stannar på -1 dBTP eller lägre. Spotify rekommenderar lägre, till -2 dBTP, när en master är starkare än -14 LUFS, för att begränsa förvrängning från kodningen.
Ljudboksarbete lägger till en vridning. ACX, den största amerikanska ljudboksåterförsäljaren, anger RMS-nivåer mellan -23 och -18 dB med toppar på högst -3 dB, inte LUFS. Om du läser in för den kanalen mäter du RMS enligt specifikationen. Om du också släpper en podcastversion av samma kapitel mäter du LUFS för den. Två specifikationer, två mätare, en källfil.
Varför ger AI-röstklipp olika ljudnivå?
Här är den del som generella LUFS-guider hoppar över. En text-till-tal-motor känner inte till ditt mål. Varje generering returnerar ljud på den nivå som modellen och röstinställningarna ger, och nivån kan skifta mellan röster, mellan språk och mellan emotionella lägen.
Tre saker rubbar talet:
Rösten själv. En djupare kloning med mer energi i låg- och mellanregistret låter annorlunda under K-viktning än en ljus, även vid identisk toppnivå.
Framförandestil. En viskad replik och en skriken replik från samma röst har inte samma ljudnivå, och en känslokontroll påverkar mer än tonhöjden.
Klipplängd. Ett 2 sekunder långt NPC-skall innehåller knappt ett kortsiktigt fönster. Det integrerade värdet blir brusigt, och gatningen kan bete sig oväntat på mycket korta klipp.
Om du styr en röst med känsloreglage, som AnyVoice gör med sitt system med 8 reglage, ska varje reglagerändring vara en anledning att mäta om. Ingenting garanterar att två reglagelägen hamnar på samma LUFS.
Sessionsnoten: syntetiskt tal är ofta renare än en inspelad take, utan rumsbrus och utan andningsljud om du inte begär dem. Gatningen tar då bort mindre än vid en live-inspelning, så de integrerade värdena kan ligga närmare de kortsiktiga än du väntar dig.
En batchrutin för genererad röst
Säg att du har 300 dialograder i tre emotionella lägen. Att handreglera faders är inget alternativ. Här är ett arbetsflöde som håller.
Generera med en konsekvent exportinställning. Samma samplingsfrekvens och bitdjup för varje klipp, så att du jämför likvärdiga saker.
Mät integrerad LUFS och true peak per klipp med en BS.1770-mätare. De flesta DAW:er och kommandoradsverktyg, till exempel ffmpegs loudnorm-filter, kan rapportera båda.
Gruppera efter roll, inte efter fil. Alla repliker från en karaktär ska hamna inom ungefär 1 LU från varandra. Olika karaktärer kan skilja sig åt om scenen kräver det.
Använd förstärkning, inte kompression, för att täppa till gapet. En linjär förstärkning på 2,3 dB flyttar ljudnivån exakt 2,3 LU och lämnar dynamiken orörd.
Kontrollera true peak efter förstärkningen. Om ett klipp nu överskrider ditt tak, använd en true peak-limiter med kort lookahead och håll reduktionen liten.
Normalisera den färdiga mixen en gång. Gör ditt plattformsmål på det färdiga programmet, inte på varje stem.
Ett räkneexempel med runda tal: ett genererat klipp mäter -21,5 LUFS och ditt dialogmål är -18 LUFS. Du behöver +3,5 dB. Om dess true peak var -6 dBTP landar det på -2,5 dBTP, vilket ligger inom ett tak på -1 dBTP. Ingen limiter behövs.
Samma klipp med en topp på -3 dBTP. Efter +3,5 dB skulle det ligga på +0,5 dBTP, över full skala i den översamplade domänen. Här sänker du målet, formar transienten eller begränsar. Vilket du väljer beror på om toppen är ett plosivt ljud som du ändå hade fixat.
Ska du normalisera till LUFS eller låta generatorn vara?
Det beror på vart ljudet ska.
Om klippet går direkt till en spelmotor, ett IVR-flöde eller en app, normalisera varje tillgång till ett gemensamt dialogmål och låt körningsmiljön hantera mixen. Ett spel med ojämna radnivåer tvingar spelaren att skruva på volymknappen själv, och det är just det en ljudnivåspecifikation finns till för att förhindra.
Om klippet går in i en DAW som ett första pass kan du hoppa över förnormaliseringen. Du balanserar ändå mot musik och effekter. Mät den slutliga mixen.
Det är värt besväret att göra en ljudnivåkontroll på syntetisk röst innan den går in i din kedja. Hoppa över det om du genererar en enstaka 30-sekunders spot som du ändå kontrollerar för hand. Mätningen tar sekunder per klipp, så brytpunkten ligger ungefär där du slutar komma ihåg vilket klipp som var vilket.
Plattformsverktyg hjälper marginellt. Vissa TTS-plattformar publicerar egen normalisering eller egna ljudnivåinställningar, så läs dokumentationen innan du bygger ett pipelinesteg som upprepar dem. Murf AI och andra i kategorin skiljer sig åt i röstbibliotekets storlek och API-latens, vilket spelar större roll i en realtidspipeline än i batchjobb.
Vanliga LUFS-misstag (och rättelsen för varje)
Att jaga -14 på enbart tal. Målen för musikmastring går inte att översätta till talat innehåll. En dialogdriven podcast på -16 LUFS låter rätt på de flesta telefoner och hörlurar. Att trycka upp den till -12 för att "konkurrera" ger dig en limiter du inte behöver.
Att mäta före den slutliga redigeringen. Crossfades, rumsbrusfyllnad och musikbäddar ändrar alla den integrerade ljudnivån. Mät sist.
Att lita blint på ett enda mätinsticksprogram. Mätare ska stämma överens inom några tiondels LU på samma fil. Om två skiljer sig med 1 LU eller mer, kontrollera gatinginställningen och mätläget innan du litar på någon av dem.
Att ignorera true peak. Att nå ljudnivåmålet med en topp på +0,3 dBTP är en misslyckad leverans enligt de flesta specifikationer.
Att jämföra filer med olika ljudnivå på gehör. En starkare fil vinner nästan alltid ett A/B-test. Jämna ut nivån innan du bedömer en röst, ett plugin eller en kloning. Det gäller direkt när du jämför TTS-leverantörer: matcha integrerad ljudnivå först och lyssna sedan.
Vad det här förändrar i din pipeline
Du behöver inte lära dig standarden utantill. Du behöver tre vanor.
För det första: välj mottagare innan du väljer mål. Streamingmusik, podcastflöden, sändning och ljudboksförsäljning har var sitt tal, och vissa använder RMS i stället för LUFS.
För det andra: behandla genererad röst som outjämnat material. Mät varje klipp, gruppera per karaktär och täpp till gapet med vanlig förstärkning.
För det tredje: styr besluten utifrån integrerad ljudnivå och true peak tillsammans. Den ena utan den andra släpper igenom filer som faller i produktion.
Om du kör företags-voiceover med strikta efterlevnadskrav passar en leverantör med styrningsfunktioner, till exempel WellSaid Labs, den upphandlingsformen. För enskilda utvecklare: börja med en mätare, ett mål och ett kalkylblad med förskjutningar per karaktär.