从强噪音车间的视频录音中提取语音，并通过质量控制报告准备干净的音轨

初始情况 - 有 14 个视频（MP4 H.264、1080p、25 fps），总时长约为 3 小时。在设备运行的生产车间拍摄 - 持续的宽带噪声、周期性脉冲和哨声以及某些地方的削波。框架内1-2人指挥；后续编辑训练视频时，语音需要尽可能清晰。原始声音是来自摄像机的 1 个立体声轨道，没有外部麦克风。有时他们说不要对着相机，水平仪会浮动。

技术环境和主题领域 - 工业培训视频的后期制作，该任务具体是使用专业工具（iZotope RX Advanced/模拟、频谱编辑、多频段动态、必要时去混响）从具有恶劣噪声环境的视频中提取有用的声音（语音）。这项工作必须在理解伪影（音乐噪声、口齿不清、相位失真、泵浦）的情况下进行，并控制语音清晰度。

具体结果是为每个视频提供1-2个最终音轨和中间版本进行对比：
1) 干净的对话 - 经过选择和平稳的语音，尽量减少噪音，准备安装。
2) 自然对话 - 针对强力清洁产生伪影的情况进行更温和的处理。
输出格式 - WAV 48 kHz 24 位，根据原理单声道或立体声，与源视频同步，无漂移。另外 - EDL/标记表 (TXT/CSV)，其中包含问题区域的时间代码（剪辑、难以理解的语音、重叠的声音、尖锐的打击）以及对所做工作的简短评论。

限制 - 您不能使用生成录音、配音或 TTS。你不能为了纯粹而“删减”短语——必须保留指令的含义，只有在不破坏感知的情况下才允许停顿。沿时间线进行本地编辑是可以接受的，但不会更改帧中的口型同步。您不能将可听见的音色失真引入为“无线电效果”。

可衡量的验收标准 - 在原始语音可听到的区域，经过处理后，在听耳机和监听器时应始终清晰，没有明显的数字伪影。决赛目标参数：
- 响度 - 干净对话的整体约为 -16 LUFS，自然对话的整体约为 -18 LUFS，真实峰值不高于 -1.0 dBTP。
- 在大多数场景中，暂停时的背景噪音水平相对于声源至少降低了 8 dB，且没有明显的音乐噪音。
- 没有相对于视频的声音不同步，漂移 0，每个文件末尾最多 1 帧。
- 对于每个视频，请附上最困难场景“之前/之后”30-60 秒 (WAV) 的 A/B 摘录。

实施阶段 - 按噪声类型进行初步分析和选择处理策略，粗略清洁 1 个测试剪辑 3-5 分钟以协调方法，然后对所有剪辑进行批量处理，并对问题区域进行手动光谱编辑，最后进行质量控制，检查电平、峰值、同步和标记表的准备。

我将通过云端提供资源；如果有必要，我将提供 2-3 个支持片段，其中最大的易读性很重要（术语、数字、命令）。