Extrahieren Sie Sprache aus Videoaufzeichnungen eines Workshops mit starkem Lärm und erstellen Sie saubere Tracks mit einem QC-Bericht

Ausgangslage – es sind 14 Videos (MP4 H.264, 1080p, 25 fps) mit einer Gesamtdauer von ca. 3 Stunden. Gefilmt in einer Produktionswerkstatt bei laufender Ausrüstung – ständiges Breitbandrauschen, periodische Impulse und Pfiffe sowie stellenweise Übersteuerungen. Im Rahmen geben 1-2 Personen Anweisungen; Für die spätere Bearbeitung von Schulungsvideos muss die Sprache möglichst verständlich sein. Der Originalton ist 1 Stereospur von der Kamera, keine externen Mikrofone. Manchmal sagen sie nicht zur Kamera, der Pegel schwebt.

Technisches Umfeld und Themengebiet – Postproduktion für ein industrielles Schulungsvideo, bei der Aufgabe geht es konkret darum, mit professionellen Tools (iZotope RX Advanced / analog, Spektralbearbeitung, Multiband-Dynamik, ggf. De-Reverb) nützlichen Ton (Sprache) aus einem Video mit aggressiver Geräuschumgebung zu extrahieren. Die Arbeit muss mit einem Verständnis für Artefakte (Musikgeräusche, Lispeln, Phasenverzerrung, Pumpen) und unter Kontrolle der Sprachverständlichkeit durchgeführt werden.

Das konkrete Ergebnis besteht darin, für jedes Video ein bis zwei endgültige Audiospuren und Zwischenversionen zum Vergleich bereitzustellen:
1) Clean Dialogue – ausgewählte und eingepegelte Sprache, möglichst geringes Rauschen, bereit zur Installation.
2) Natürlicher Dialog – eine schonendere Behandlung für Fälle, in denen aggressive Reinigung Artefakte erzeugt.
Ausgabeformat - WAV 48 kHz 24-Bit, Mono oder Stereo je nach Begründung, Synchronisierung mit dem Quellvideo ohne Drift. Zusätzlich - EDL/Markierungsblatt (TXT/CSV) mit Zeitcodes der Problembereiche (Clipping, unverständliche Sprache, überlappende Stimmen, scharfe Treffer) und ein kurzer Kommentar zu dem, was getan wurde.

Einschränkungen – Sie können keine generative Sprachaufzeichnung, Synchronisation oder TTS verwenden. Aus Gründen der Reinheit können Sie Phrasen nicht „abschneiden“ – die Bedeutung der Anweisung muss erhalten bleiben, Pausen sind nur erlaubt, wenn die Wahrnehmung dadurch nicht beeinträchtigt wird. Lokale Bearbeitungen entlang der Timeline sind akzeptabel, ohne jedoch die Lippensynchronisation im Frame zu verändern. Sie können keine hörbaren Klangverzerrungen als „Radioeffekt“ einführen.

Messbare Akzeptanzkriterien – in Bereichen, in denen Sprache im Original hörbar ist, sollte sie nach der Verarbeitung beim Hören über Kopfhörer und Monitore ohne wahrnehmbare digitale Artefakte durchgehend verständlich sein. Zielparameter für das Finale:
- Lautstärke – integral etwa -16 LUFS für Clean Dialogue und etwa -18 LUFS für Natural Dialogue, True Peak ist nicht höher als -1,0 dBTP.
- Der Pegel der Hintergrundgeräusche in Pausen beträgt in den meisten Szenen eine Reduzierung um mindestens 8 dB gegenüber der Quelle, ohne ausgeprägte Musikgeräusche.
- Keine hörbare Desynchronisation im Verhältnis zum Video, Drift 0, bis maximal 1 Frame am Ende jeder Datei.
- Hängen Sie für jedes Video A/B-Ausschnitte von 30–60 Sekunden (WAV) „vorher/nachher“ aus den schwierigsten Szenen an.

Phasen der Umsetzung – primäre Analyse und Auswahl der Verarbeitungsstrategie nach Art des Rauschens, grobe Reinigung eines Testclips für 3–5 Minuten zur Koordinierung des Ansatzes, dann Stapelverarbeitung aller Clips mit manueller spektraler Bearbeitung von Problembereichen, abschließende Qualitätskontrolle mit Überprüfung von Pegeln, Peaks, Synchronisierung und Erstellung eines Markierungsblatts.

Ich werde die Quellen über die Cloud bereitstellen; Bei Bedarf stelle ich 2-3 unterstützende Fragmente zur Verfügung, bei denen es auf maximale Lesbarkeit ankommt (Begriffe, Zahlen, Befehle).