Test produktu · Oczyszczanie dźwięku · PORADNIK PRAKTYCZNY
Test usuwania szumu z wywiadu ulicznego: 20 sekund przed i po
Za pomocą QuietTake przetworzyliśmy wywiad z publicznie dostępnego materiału o pracach serwisowych. Zintegrowana głośność spadła o 1,2 LU, a czas trwania i kodowanie pozostały bez zmian. To opis pliku wynikowego; jedna liczba nie dowodzi, że mowa stała się wyraźniejsza.
Dźwięk z publicznego wywiadu o obsłudze technicznej samolotu E-3 Sentry, mono AAC, 48 kHz.
Ten sam fragment przetworzony za pomocą mocnego ustawienia w QuietTake w przeglądarce. Nie wyrównano głośności; podczas odsłuchu uwzględnij różnicę poziomów.
Pytanie, które przyświecało temu testowi
Demonstracje usuwania szumu łatwo zamienić w materiały promocyjne: wybrać wyraźny szum, podgłośnić przetworzoną ścieżkę, a potem szybko przełączać się między A i B. Można w ten sposób pokazać, czy dźwięk został ograniczony, ale głośniejsza ścieżka może też wydawać się lepsza. W tym porównaniu używamy tego samego fragmentu źródłowego i rzeczywistych poziomów wyeksportowanych plików. Najpierw przedstawiamy mierzalne dane o plikach, a potem omawiamy, czego można i czego nie można dowiedzieć się ze słuchu.
Źródłem jest publicznie udostępniony film o obsłudze technicznej samolotu E-3 Sentry, zawierający wywiad. Do oryginału i materiału przetworzonego w narzędziu QuietTake w przeglądarce używamy tego samego 20-sekundowego fragmentu wywiadu. Oba pliki można odtworzyć powyżej. Nie wyrównaliśmy ich głośności, więc nie jest to badanie z udziałem osób słuchających w ciemno i nie pozwala ustalić, jaki odsetek osób woli wersję przetworzoną.
W skrócie: zmierzona głośność przetworzonej ścieżki jest ogólnie niższa o 1,2 LU. Oba pliki trwają 20 sekund i są zapisane jako mono AAC, 48 kHz. Odszumianie może ograniczyć całkowitą energię sygnału razem z szumem, więc niższy poziom sam w sobie nie dowodzi ani niepowodzenia, ani większej wyrazistości mowy. Ocena nadal zależy od konkretnych słów i nagrania.
Próbka i przetwarzanie
Źródło opublikowała amerykańska Defense Visual Information Distribution Service (DVIDS), a na stronie źródłowej oznaczono je jako materiał z domeny publicznej. Informacje o próbce zawierają dane autora, źródła i sposobu użycia. Status domeny publicznej nie oznacza poparcia ze strony DVIDS ani rozmówcy. Przygotowaliśmy 30-sekundowy fragment roboczy w pobliżu 190. sekundy źródła, uwzględniliśmy wstęp na rozgrzanie modelu, a następnie wykorzystaliśmy kolejne 20 sekund do porównania. Przetworzona ścieżka pochodzi z rzeczywistego procesu w narzędziu QuietTake w przeglądarce, z użyciem mocnego ustawienia. Obie ścieżki zakodowaliśmy następnie do tego samego formatu wyjściowego AAC.
Specyfikacja pliku wynikowego: 20,000 s, AAC-LC, 48 kHz, mono. Nie zmienialiśmy niezależnie korekcji EQ, kompresji, głośności ani dynamiki i nie podgłaśnialiśmy oczyszczonego pliku. Pozostawienie różnicy poziomów sprawia, że odtwarzacz przedstawia wyeksportowane pliki, a nie poddane dalszej obróbce wersje przygotowane tak, by brzmiały przyjemniej.
Ten obraz przedstawia sposób odsłuchu. Nie jest widmem ani pomiarem szumu z 20-sekundowego fragmentu. Prościej wyglądający przebieg fali nie musi oznaczać lepszej mowy. Odsłuchaj ten sam zestaw spółgłosek, imion i nazwisk, końcówek słów, oddechów i przerw w obu plikach.
Mierzalne wyniki dla plików
Zintegrowaną głośność zmierzono za pomocą FFmpeg ebur128 dla każdego końcowego, 20-sekundowego pliku AAC. Rozmiary plików odpowiadają rzeczywiście wyeksportowanym danym. Nie interpretujemy różnicy rozmiaru jako różnicy jakości.
| Miara | Oryginał | Po odszumieniu | Różnica |
|---|---|---|---|
| Czas trwania | 20,000 s | 20,000 s | Taki sam |
| Kodek / częstotliwość próbkowania / kanały | AAC-LC / 48 kHz / mono | AAC-LC / 48 kHz / mono | Ten sam format |
| Zintegrowana głośność | −17,4 LUFS | −18,6 LUFS | O 1,2 LU niższa |
| Rozmiar pliku | 329 896 bajtów | 336 220 bajtów | O 6324 bajty większy, około 1,9% |
LUFS szacuje zintegrowaną głośność całego klipu. Nie jest miarą poziomu szumu tła ani zrozumiałości mowy. Nieco większy plik oznacza tylko, że to kodowanie AAC wygenerowało więcej bajtów; nie dowodzi ani wyższej, ani niższej jakości. Jeden wywiad, z określoną odległością mikrofonu, wiatrem, sprzętem i akustyką pomieszczenia, nie może też reprezentować wszystkich nagrań ulicznych.
Na co zwrócić uwagę w porównaniu A/B
Odsłuchaj oryginał raz, wybierz zdanie z krótkimi słowami i pełnym zakończeniem, a następnie porównaj dokładnie ten sam fragment w przetworzonej wersji. Utrzymuj stałą głośność odtwarzania; nie oceniaj, klikając na przemian pierwsze dwie sekundy. Podczas pauz zwróć uwagę na pompowanie lub zmiany tła. W mowie sprawdź spółgłoski i nazwiska. Na końcu zdania upewnij się, że ciche sylaby pozostały. Oceń, czy oddech, szelest ubrania i odgłosy otoczenia nadal brzmią naturalnie.
Jeśli tło cichnie, ale głos staje się cienki, wodnisty, przerywany lub metaliczny, nie dąż do całkowitej ciszy. Spróbuj łagodniejszego ustawienia, krótszego fragmentu albo zaakceptuj część stałego szumu otoczenia. Mocne ustawienie może pomóc przy jednym rodzaju hałasu, a w innym nagraniu brzmieć nienaturalnie.
Narzędzie do usuwania szumu z dźwięku pozwala wypróbować krótki fragment własnego materiału przed przetworzeniem całego nagrania. Zachowaj oryginał i zapisz wynik jako osobny plik. Na podstawie tej próbki nie wyciągaj wniosków o szybkości działania na swoim urządzeniu ani o gwarantowanej poprawie w przypadku wszystkich plików.
Czego ten test nie wykazał
To jeden fragment źródłowy, jednorazowo przetworzony za pomocą narzędzia internetowego. Nie jest to test wydajności na wielu urządzeniach, ankieta dotycząca preferencji słuchaczy ani ranking modeli. Nie mamy czystego, równoczesnego nagrania tej samej sceny, które mogłoby służyć jako wzorzec, więc nie możemy obliczyć dokładności rekonstrukcji ani twierdzić, że zmierzyliśmy poprawę zrozumiałości. Wynik −1,2 LU można odtworzyć na podstawie tych plików, ale nie wskazuje on, które częstotliwości szumu osłabły ani które szczegóły mowy uległy zmianie.
Publicznie dostępne nagranie źródłowe określa odległość mikrofonu, wiatr, rozmówcę, sprzęt i miejsce. Inny telefon, mikrofon krawatowy, pogłos w pomieszczeniu, muzyka w tle lub nakładające się głosy oznaczają inne zadanie. Silne przesterowanie, mowa całkowicie zagłuszona przez silnik lub równoczesne głosy mogą być niemożliwe do odtworzenia z nagrania.
Z czasem mogą się też zmieniać proces redukcji szumu i obsługa przeglądarek. Ta strona dokumentuje istniejącą parę próbek, a nie gwarantowaną wydajność na nowym urządzeniu. Rzetelna ocena pod kątem przetwarzania wsadowego lub zastosowań krytycznych wymagałaby materiałów użytych za zgodą, stałych ustawień, kilku urządzeń, zaślepionego odsłuchu z wyrównanym poziomem głośności oraz oceny zrozumiałości mowy.
Kiedy stosować ten sposób pracy
- Stały szum klimatyzacji, wentylatora lub drogi przy zrozumiałej mowie: przetestuj krótki fragment i porównaj barwę głosu oraz ciche słowa.
- Klakson, uderzenie w mikrofon lub głośny tłum w jednym momencie: rozważ montaż, obróbkę wybranego fragmentu albo ponowne nagranie zamiast stosowania wszędzie jednego mocnego ustawienia.
- Mowa całkowicie zagłuszona lub przesterowana: zachowaj oryginał i poszukaj nagrania z innego mikrofonu lub ścieżki kamery; nie zakładaj, że brakujące szczegóły powrócą.
- Wywiad przeznaczony do publikacji: sprawdź też dane osobowe, zgodę, napisy i ustawienia eksportu.
Dane i informacje o próbce
Para plików audio pochodzi z istniejącej próbki A/B na stronie głównej QuietTake. Informacje o źródle i prawach są dostępne w opisie próbki. Pliki 20-sekundowe to street-interview-original.m4a i street-interview-cleaned.m4a. Głośność zmierzono za pomocą FFmpeg ebur128, a właściwości plików sprawdzono przy użyciu FFprobe. Te pomiary dotyczą wyłącznie tych dwóch plików.