صدای ویدیویت در یوتیوب کم است چون یوتیوب بلندی صدا را فقط در یک جهت یکسان می‌کند: ویدیوی بلند را تا حدود -14 LUFS پایین می‌آورد و ویدیوی آرام را همان‌جا که هست رها می‌کند. ضبط گوشی معمولاً بین -20 تا -25 LUFS درمی‌آید؛ یعنی کنار ویدیویی که روی -14 مستر شده، ۶ تا ۱۱ دسی‌بل آرام‌تر پخش می‌شود و بیننده یا صدا را زیاد می‌کند یا رد می‌شود. راه‌حل این است که کل کلیپ را اندازه بگیری و قبل از آپلود به -14 LUFS برسانی، با قله‌ی زیر -1 dBTP. این مقاله واحدها را توضیح می‌دهد، می‌گوید چرا روش دوپاسه مهم است، و قدم‌ها را دقیق می‌نویسد.
چرا ویدیوی من از بقیه‌ی ویدیوهای یوتیوب آرام‌تر است؟
چون بقیه را پایین آورده‌اند تا به تو برسند، ولی تو را بالا نبرده‌اند که به آن‌ها برسی.
نرمال‌سازی بلندی صدا در یوتیوب را تولیدکننده‌ها و مهندسان صدا به‌طور گسترده مستند کرده‌اند، هرچند گوگل عدد هدف را رسمی منتشر نمی‌کند. رفتار مشاهده‌شده این است: محتوایی که از حدود -14 LUFS بلندتر باشد موقع پخش تا آن سطح کم می‌شود؛ محتوایی که آرام‌تر باشد همان‌طور که آپلود شده پخش می‌شود. نتیجه را روی هر ویدیویی می‌شود خواند: روی پخش‌کننده راست‌کلیک کن، Stats for nerds را باز کن و خط Volume / Normalized را ببین. یک مستر بلند چیزی شبیه 100% / 60% (content loudness 4.5 dB) نشان می‌دهد: یوتیوب آن را با ۶۰٪ پخش می‌کند چون محتوا را ۴٫۵ دسی‌بل بالاتر از هدف اندازه گرفته. یک آپلود آرام 100% / 100% (content loudness -8.0 dB) نشان می‌دهد: هیچ کاری نشده و ۸ دسی‌بل زیر هدف است.
پس زمین بازی از بالا صاف است و از پایین باز. هر چه بلند بود حالا روی -14 نشسته. هر چه آرام بود هنوز آرام است.
LUFS چیست و با dB قله چه فرقی دارد؟
بیشتر آدم‌ها صدا را با نگاه به نوار سطح در نرم‌افزار تدوین چک می‌کنند و مطمئن می‌شوند قرمز نشود. آن نوار سطح قله (peak) را نشان می‌دهد: بلندترین نمونه‌ی تکی، به dBFS، که صفرش حداکثر چیزی است که فایل دیجیتال می‌تواند نگه دارد. این عدد می‌گوید فایل clip می‌شود یا نه. درباره‌ی اینکه صدا چقدر بلند شنیده می‌شود هیچ نمی‌گوید.
LUFS (واحد بلندی نسبت به تمام‌مقیاس، تعریف‌شده در استاندارد ITU-R BS.1770) بلندی ادراکی را اندازه می‌گیرد: سیگنال به نفع فرکانس‌هایی که گوش به آن‌ها حساس است وزن‌دهی و در طول زمان میانگین‌گیری می‌شود. LUFS «یکپارچه» (integrated) یک عدد برای کل برنامه است و پلتفرم‌های پخش روی همین عدد نرمال می‌کنند. دو فایل می‌توانند هر دو روی -1 dBFS قله داشته باشند و ۱۰ واحد در بلندی فرق کنند: یکی صدای یکنواخت و فشرده‌شده‌ی گوینده، دیگری صدایی آرام با یک بار کوبیده شدن در.
True peak (به dBTP) قله‌ای است که بین نمونه‌ها اندازه گرفته می‌شود؛ همان‌طور که مبدل دیجیتال‌به‌آنالوگ یا انکودر فشرده‌ساز واقعاً موج را بازسازی می‌کند. فایلی که روی -0.1 dBFS قله دارد می‌تواند بعد از تبدیل به AAC یا Opus از ۰ dBTP رد شود، و خش‌خش از همین‌جا می‌آید.
| سنجه | واحد | به چه سؤالی جواب می‌دهد | هدف برای یوتیوب |
|---|---|---|---|
| قله‌ی نمونه | dBFS | نمونه‌ای به سقف می‌خورد؟ | زیر ۰ |
| True peak | dBTP | بعد از انکود clip می‌شود؟ | -1 dBTP یا پایین‌تر |
| بلندی یکپارچه | LUFS | کل کلیپ چقدر بلند شنیده می‌شود؟ | حدود -14 LUFS |
| محدوده‌ی بلندی | LU | قسمت آرام و بلند چقدر از هم دورند؟ | گفتار: حدود ۱۱ LU یا کمتر |
چرا ضبط گوشی این‌قدر آرام درمی‌آید؟
سه دلیل روی هم جمع می‌شوند:
- کنترل خودکار محافظه‌کار. گوشی نمی‌داند کی داد می‌زنی، پس فضای خالی نگه می‌دارد و صدا را پایین می‌نشاند. قله ممکن است سر یک خنده به -3 dBFS برسد، در حالی که سطح میانگین گفتار ۱۵ تا ۲۰ دسی‌بل زیر آن است.
- فاصله. گوشی روی سه‌پایه در یک متری، صدا را چند دسی‌بل آرام‌تر از میکروفن یقه می‌گیرد و اتاق به‌جای سطح، با پژواک جای خالی را پر می‌کند.
- دینامیک. گفتار طبیعی محدوده‌ی بلندی وسیعی دارد. دست‌نخورده، هجاهای بلند قله را تعیین می‌کنند و هجاهای آرام عدد یکپارچه را پایین می‌کشند.
نتیجه فایلی است که روی نوار قله سالم به نظر می‌رسد و -20 تا -25 LUFS یکپارچه اندازه می‌گیرد. انکود دوباره‌ی یوتیوب این را عوض نمی‌کند؛ فقط همان نرمال‌سازی بالا را اضافه می‌کند که در این جهت هیچ کاری نمی‌کند.
نرمال‌سازی دوپاسه چه کاری می‌کند که اسلایدر صدا نمی‌کند؟
اسلایدر صدا یک بهره‌ی ثابت اعمال می‌کند. اگر کلیپ روی -22 LUFS باشد و ۸ دسی‌بل اضافه کنی، به -14 می‌رسی، ولی هر قله هم ۸ دسی‌بل بالا می‌رود. کوبیده شدن دری که روی -4 dBFS بود حالا روی +4 است و clip می‌شود. برای اینکه این اتفاق نیفتد باید اول قله را حدس بزنی، یک limiter بگذاری و امیدوار باشی.
نرمال‌سازی دوپاسه حدس را با اندازه‌گیری عوض می‌کند:
- پاس اول کل فایل را می‌خواند و بلندی یکپارچه، محدوده‌ی بلندی، true peak و آستانه‌ی gating را ثبت می‌کند.
- پاس دوم با همان مقدارهای اندازه‌گیری‌شده بهره‌ی دقیقی را حساب می‌کند که بلندی یکپارچه را روی هدف بنشاند و آن را با سقف true peak می‌سنجد. اگر یک بهره‌ی خطی ساده زیر -1 dBTP جا شود، همان را اعمال می‌کند و دینامیک صدا دست نمی‌خورد. اگر جا نشود، فیلتر به حالت دینامیک می‌رود و فقط به اندازه‌ی لازم فشرده می‌کند.
نرمال‌سازی تک‌پاسه‌ی «زنده» هم وجود دارد، ولی باید هم‌زمان با پخش واکنش نشان دهد؛ در مکث‌های طولانی بالا و پایین می‌رود و نمی‌داند قسمت بلند در دقیقه‌ی هشت می‌آید. برای فایلی که قرار است آپلود کنی، اول اندازه بگیر، بعد یک‌بار اصلاح کن.
قبل: میانگین آرام، قله‌ها خیلی زیر سقف. بعد: میانگین روی هدف، قله‌ها روی -1 dBTP نگه داشته شده، دینامیک سالم.
فیلتر بالاگذر ۷۵ هرتز لازم است؟
برای صدای گوینده معمولاً بله. فرکانس پایه‌ی گفتار بزرگ‌سال تقریباً بین ۸۵ هرتز (صدای بم مردانه) و ۲۵۵ هرتز (صدای زیر زنانه) است؛ در یک ضبط چهره‌ی گوینده تقریباً هیچ چیز مفیدی زیر ۷۵ هرتز نیست. آنچه آن‌جا هست: لرزش سه‌پایه، غرش ترافیک، کولر، باد و هوم ۵۰ هرتزی برق. این انرژی در اندازه‌گیری بلندی حساب می‌شود بدون اینکه چیزی به «صدا» اضافه کند؛ یعنی یکی دو دسی‌بل از فضایی را می‌دزدد که می‌توانستی خرج بخش‌هایی کنی که مردم گوش می‌دهند. یک بالاگذر ملایم روی ۷۵ هرتز قبل از نرمال‌سازی این را حذف می‌کند. برای موسیقی، محتوای پر از بیس یا هر جایی که فرکانس پایین خودِ موضوع است، فیلتر را نگذار.
قدم‌به‌قدم: صدای ویدیو را چطور برای یوتیوب نرمال کنیم؟
طرح زیر از فیلتر loudnorm در FFmpeg استفاده می‌کند که روش دوپاسه را پیاده کرده و در ffmpeg.org مستند شده. هر ابزاری که LUFS یکپارچه و true peak گزارش کند همین منطق را دنبال می‌کند.
- اندازه بگیر. فیلتر را در حالت تحلیل اجرا کن و خروجی را دور بریز:
ffmpeg -i in.mp4 -af "highpass=f=75,loudnorm=I=-14:TP=-1:LRA=11:print_format=json" -f null -بالاگذر را این‌جا فقط وقتی بگذار که در قدم ۳ هم می‌گذاری، تا اندازه‌گیری با اصلاح یکی باشد. - عددها را بخوان. JSON آخر خروجی
input_i(LUFS یکپارچه)،input_tp،input_lra،input_threshوtarget_offsetرا گزارش می‌کند. کلیپ گوشی چیزی شبیهinput_i: -22.3وinput_tp: -4.1نشان می‌دهد. - یک‌بار اصلاح کن. همان مقدارها را برگردان و ویدیو را دست نزن:
ffmpeg -i in.mp4 -c:v copy -af "highpass=f=75,loudnorm=I=-14:TP=-1:LRA=11:measured_I=-22.3:measured_TP=-4.1:measured_LRA=9.8:measured_thresh=-32.7:offset=0.2:linear=true" -ar 48000 -c:a aac -b:a 192k out.mp4linear=trueمی‌گوید هر جا سقف true peak اجازه داد بهره‌ی خطی ساده اعمال شود.-ar 48000مهم است چونloudnormداخلش با ۱۹۲ کیلوهرتز کار می‌کند و بدون این گزینه همان را می‌نویسد. - نتیجه را چک کن. قدم ۱ را روی
out.mp4اجرا کن.input_iباید در حدود ۰٫۵ واحدی -14 باشد وinput_tpروی -1 یا پایین‌تر. - با بقیه‌ی تنظیمات آپلود هماهنگ کن. یوتیوب صدای AAC-LC با ۴۸ کیلوهرتز می‌خواهد (جدولش برای استریو تا ۳۸۴ کیلوبیت پیشنهاد می‌کند؛ ۱۹۲ کیلوبیت برای گفتار کاملاً کافی است)؛ بخش تصویر در تنظیمات آپلود یوتیوب آمده. اگر همین کلیپ به اینستاگرام هم می‌رود، همان -14 LUFS آن‌جا هم سطح امنی است، هرچند متا عدد هدفی منتشر نکرده؛ تنظیمات خروجی ریلز را ببین.
- آپلود کن، بعد چک کن. بعد از پردازش، Stats for nerds را روی ویدیوی خودت باز کن.
100% / 100%با content loudness نزدیک ۰ dB یعنی درست نشسته.
بچلون با صدا چه می‌کند؟
بچلون همین فرایند دوپاسه را روی هر فایلی که تبدیل می‌کند اجرا می‌کند، بدون اینکه تنظیمی را پیدا کنی. کل کلیپ را اندازه می‌گیرد، به -14 LUFS با سقف true peak روی -1 dBTP می‌رساند و AAC-LC با ۱۹۲ کیلوبیت و ۴۸ کیلوهرتز می‌نویسد. گزارش رایگان بلندی اندازه‌گیری‌شده را قبل از تبدیل نشان می‌دهد تا بدانی فایل اصلاً این مشکل را دارد یا نه؛ کلیپی که از قبل روی -14 است دست نمی‌خورد. کارت پایان کار نتیجه را کنار عدد قبل و قله نشان می‌دهد.
کاشی صدا در کارت پایان کار بچلون: هدف، بلندی قبل از نرمال‌سازی و قله. (عددهای این تصویر نمونه‌اند.)
راه میان‌بر
فایل را روی بچلون بینداز و گزارش رایگان را بخوان: بلندی یکپارچه، بیت‌ریت و اینکه یوتیوب تصویر را خاکستری می‌کند یا نه، قبل از اینکه چیزی تبدیل شود. بعد یک کلیک نسخه‌ی آماده‌ی آپلود را روی کامپیوتر خودت و آفلاین می‌سازد؛ صدا روی -14 LUFS و تصویر سنجیده‌شده با VMAF. با اینترنت ایران این یعنی فایلی که یک‌بار آپلود می‌کنی و لازم نیست به‌خاطر صدای کم دوباره بالا بفرستی. سه ویدیوی اول با همه‌ی امکانات رایگان است و بعد از آن یک پلن ماهانه‌ی کوچک. دانلود نسخه‌ی ویندوز یا دیدن پلن‌ها.