Dlaczego nagrania mają różną głośność i jak to poprawnie zmierzyć
Czym jest LUFS, jakie poziomy głośności obowiązują w telewizji, radiu, streamingu i przy zapowiedziach telefonicznych, oraz jak zmierzyć własne pliki.
Każdy, kto pracuje z dźwiękiem, zna ten moment. Blok reklamowy wchodzi głośniej niż program, który przerwał. Zapowiedź telefoniczna ledwo słyszalna, a muzyka na czekaniu zaraz po niej zmusza dzwoniącego do odsunięcia telefonu od ucha. Materiały od trzech różnych wykonawców, każdy zrobiony porządnie, a złożone w jedną całość brzmią jak zbieranina.
To nie jest kwestia niedbałości. To kwestia tego, że przez dziesięciolecia mierzyliśmy głośność w sposób, który nie odpowiadał temu, jak słyszy człowiek.
Dlaczego miernik szczytowy wprowadza w błąd
Klasyczny miernik pokazuje wartość szczytową, czyli najwyższy pojedynczy wychył sygnału. To informacja o tym, czy plik się nie przesteruje. To nie jest informacja o tym, jak głośno będzie brzmiał.
Weźmy dwa pliki znormalizowane do tej samej wartości szczytowej, powiedzmy -1 dB. Pierwszy to spokojna narracja z naturalną dynamiką: pojedyncze głoski dobijają do szczytu, ale średnia energia całości jest niska. Drugi to gęsty spot reklamowy poddany kompresji, w którym praktycznie cały materiał leży tuż pod szczytem. Miernik pokaże dla obu tę samą liczbę. Ucho usłyszy różnicę rzędu kilkunastu decybeli.
Do tego dochodzi drugi problem: ucho nie jest jednakowo czułe na wszystkie częstotliwości. Ten sam poziom energii w paśmie 3 kHz odbieramy jako wyraźnie głośniejszy niż w paśmie 100 Hz. Miernik szczytowy nie ma o tym pojęcia.
Ustawianie poziomów „na słuch" też zawodzi, i to z powodu, który trudno obejść. Słuch adaptuje się do bieżącego poziomu w ciągu kilkudziesięciu sekund. Po godzinie pracy nad materiałem „równo" znaczy coś innego niż na początku sesji.
Czym jest LUFS
Rozwiązaniem okazał się pomiar, który modeluje sposób, w jaki słyszymy. Opisuje go zalecenie ITU-R BS.1770, a jednostką jest LUFS, czyli Loudness Units relative to Full Scale.
Pomiar działa tak: sygnał przechodzi przez filtr odwzorowujący czułość ludzkiego słuchu na poszczególne częstotliwości, następnie liczona jest średnia energia, a fragmenty ciszy są z tej średniej wykluczane, żeby pauzy nie zaniżały wyniku. Efekt to jedna liczba opisująca głośność całego materiału.
I ta liczba ma własność, której brakowało wcześniej: dwa pliki o tej samej wartości w LUFS brzmią jednakowo głośno. Niezależnie od tego, czy to narracja, spot, czy utwór muzyczny.
Obok wartości uśrednionej mierzy się jeszcze dwie rzeczy. True Peak (dBTP) to rzeczywisty szczyt sygnału po konwersji na dźwięk analogowy, zwykle nieco wyższy niż szczyt widoczny w pliku cyfrowym. LRA (Loudness Range) opisuje rozpiętość między najcichszymi i najgłośniejszymi fragmentami, czyli mówi o dynamice materiału.
Jakie poziomy obowiązują gdzie
Tu zaczyna się rzecz, która najczęściej powoduje nieporozumienia w rozmowach z klientem. Nie ma jednego uniwersalnego poziomu. Są standardy przypisane do kanałów dystrybucji i różnią się między sobą znacząco.
Różnica między -23 a -14 LUFS to dziewięć decybeli, czyli bardzo dużo. Nie wynika ona ze sporu o metodologię, tylko z warunków odsłuchu. Telewizji słucha się w cichym pokoju, gdzie szeroka dynamika jest zaletą i widz sam ustawia głośność raz na wieczór. Streamingu słucha się w słuchawkach, w tramwaju i w biegu, gdzie materiał o dużej dynamice po prostu ginie w hałasie otoczenia.
Osobna kategoria to zapowiedzi telefoniczne. Tu nie obowiązuje żaden z powyższych standardów, bo tor telefoniczny ma wąskie pasmo i własne ograniczenia poziomu po stronie centrali. Praktyczna zasada jest jednak ta sama: wszystkie komunikaty w jednym systemie, wraz z muzyką na czekaniu, powinny mieć wyrównaną głośność między sobą. Dzwoniący nie powinien regulować głośności w trakcie połączenia.
Jak sprawdzić własne pliki
Pomiar jest dziś powszechnie dostępny i nie wymaga drogiego sprzętu.
Każde poważne oprogramowanie do montażu dźwięku ma wbudowany miernik zgodny z BS.1770. W Pro Tools, Reaperze, Adobe Audition czy DaVinci Resolve wystarczy go włączyć i odtworzyć materiał w całości, bo wartość uśredniona liczy się dla całego pliku, nie dla fragmentu.
Istnieją też darmowe wtyczki mierzące wszystkie trzy parametry naraz, oraz narzędzia wiersza poleceń. W ffmpeg filtr loudnorm potrafi zarówno zmierzyć plik, jak i znormalizować go do zadanej wartości, co przydaje się przy przetwarzaniu wsadowym.
Warto pamiętać o jednej rzeczy: normalizacja głośności to zmiana wzmocnienia całego pliku o stałą wartość, a nie kompresja. Dynamika materiału pozostaje nietknięta. Jeśli nagranie ma oddychać, dalej będzie oddychać, tylko na innym poziomie.
Kiedy plików jest więcej niż kilka
Przy jednym nagraniu pomiar i korekta to kwestia minuty. Problem pojawia się przy zestawach: kilkadziesiąt komunikatów do systemu telefonicznego, seria spotów, biblioteka audioguide'ów, zestaw podkładów muzycznych z różnych źródeł.
Wtedy jedyne sensowne podejście to przetwarzanie wsadowe względem jednej wartości docelowej. Wybieramy poziom właściwy dla kanału dystrybucji, przepuszczamy przez niego wszystkie pliki i mamy pewność, że żaden nie wyłamie się z zestawu. Dotyczy to tak samo materiałów lektorskich, jak i muzycznych. W tym drugim przypadku problem zna każdy muzyk grający do podkładów, gdzie pliki pochodzą od różnych producentów i z różnych lat: opisaliśmy to szerzej przy okazji normalizacji całego zestawu plików do jednego poziomu w naszym narzędziu CountIn.
Zasada jest wspólna: głośność ustala się raz, dla całego zestawu, według standardu obowiązującego tam, gdzie materiał trafi.
Co z tego wynika dla zamawiającego nagranie
Trzy praktyczne wnioski.
Po pierwsze, warto określić kanał dystrybucji już przy zamówieniu. Materiał przygotowany do emisji telewizyjnej i ten sam materiał na kanał w serwisie streamingowym to dwa różne pliki, nie jeden plik w dwóch kopiach.
Po drugie, jeśli nagranie ma być zmontowane z innymi elementami, na przykład lektor plus podkład muzyczny plus dżingiel, poziom całości ustala się po zmiksowaniu, a nie na pojedynczych ścieżkach. Suma trzech poprawnie ustawionych elementów nie daje poprawnie ustawionej całości.
Po trzecie, przy większych zestawach warto poprosić o informację, do jakiej wartości materiał został znormalizowany. To jedna liczba, którą można sprawdzić w minutę, a która oszczędza tygodnia korespondencji o tym, że „coś jest za ciche".
W Powitania.pl każde nagranie przechodzi przez ten etap standardowo, a poziom dobieramy do przeznaczenia materiału. Jeśli nie masz pewności, jaki standard obowiązuje w Twoim projekcie, napisz do nas przed nagraniem, a nie po odbiorze plików. To zwykle kwestia jednego zdania w zamówieniu.