Extraire la parole des enregistrements vidéo d'un atelier avec un fort bruit et préparer des pistes propres avec un rapport QC

Situation initiale - il y a 14 vidéos (MP4 H.264, 1080p, 25 fps) d'une durée totale d'environ 3 heures. Filmé dans un atelier de production avec l'équipement en marche - bruit constant à large bande, impulsions et sifflets périodiques et coupures par endroits. Dans le cadre, 1 à 2 personnes donnent des instructions ; la parole doit être aussi intelligible que possible pour le montage ultérieur des vidéos de formation. Le son original est 1 piste stéréo de la caméra, pas de microphones externes. Parfois on dit pas à la caméra, le niveau flotte.

Environnement technique et domaine - post-production d'une vidéo de formation industrielle, la tâche consiste spécifiquement à extraire le son utile (parole) d'une vidéo avec un environnement sonore agressif à l'aide d'outils professionnels (iZotope RX Advanced / analogique, montage spectral, dynamique multibande, dé-réverbération si nécessaire). Le travail doit être réalisé avec une compréhension des artefacts (bruit musical, zézaiement, distorsion de phase, pompage) et avec une maîtrise de l'intelligibilité de la parole.

Le résultat spécifique est de fournir 1 à 2 pistes audio finales et des versions intermédiaires à des fins de comparaison pour chaque vidéo :
1) Clean Dialogue - parole sélectionnée et nivelée, bruit minimal possible, prête à être installée.
2) Natural Dialogue – un traitement plus doux pour les cas où un nettoyage agressif produit des artefacts.
Format de sortie - WAV 48 kHz 24 bits, mono ou stéréo selon logique, synchronisation avec la vidéo source sans dérive. De plus - Feuille EDL/marqueur (TXT/CSV) avec codes temporels des zones problématiques (coupure, parole inintelligible, voix qui se chevauchent, coups nets) et un bref commentaire sur ce qui a été fait.

Restrictions - Vous ne pouvez pas utiliser l'enregistrement vocal génératif, le doublage ou la TTS. Vous ne pouvez pas "couper" des phrases par souci de pureté - le sens de l'instruction doit être préservé, les pauses ne sont autorisées que si cela ne brise pas la perception. Les modifications locales le long de la chronologie sont acceptables, mais sans modifier la synchronisation labiale dans le cadre. Vous ne pouvez pas introduire de distorsions de timbre audibles comme un « effet radio ».

Critères d'acceptation mesurables : dans les zones où la parole est audible dans l'original, après traitement, elle doit être systématiquement intelligible sans artefacts numériques visibles lors de l'écoute avec des écouteurs et des moniteurs. Paramètres cibles pour les finales :
- Volume sonore - intégralement environ -16 LUFS pour Clean Dialogue et environ -18 LUFS pour Natural Dialogue, True Peak n'est pas supérieur à -1,0 dBTP.
- Le niveau de bruit de fond dans les pauses est une réduction d'au moins 8 dB par rapport à la source dans la plupart des scènes, sans bruit musical prononcé.
- Pas de désynchronisation audible par rapport à la vidéo, dérive 0, jusqu'à un maximum de 1 image à la fin de chaque fichier.
- Pour chaque vidéo, joignez des extraits A/B de 30 à 60 secondes (WAV) « avant/après » des scènes les plus difficiles.

Étapes de mise en œuvre - analyse primaire et sélection de la stratégie de traitement par type de bruit, nettoyage grossier d'1 clip de test pendant 3 à 5 minutes pour coordonner l'approche, puis traitement par lots de tous les clips avec édition spectrale manuelle des zones à problèmes, contrôle qualité final avec vérification des niveaux, des pics, synchronisation et préparation d'une feuille de marqueurs.

Je fournirai les sources via le cloud ; si nécessaire, je fournirai 2-3 fragments de support où une lisibilité maximale est importante (termes, chiffres, commandes).