Выделение речи из видеозаписей цеха с сильным шумом и подготовка чистых дорожек с QC-отчётом

Исходная ситуация - есть 14 видеороликов (MP4 H.264, 1080p, 25 fps) общей длительностью около 3 часов. Снято в производственном цехе при работающем оборудовании - постоянный широкополосный шум, периодические импульсные удары и свист, местами клиппинг. В кадре 1-2 человека дают инструкции, речь нужна максимально разборчивая для последующего монтажа обучающих роликов. Исходный звук - 1 стереодорожка с камеры, внешних микрофонов нет. Иногда говорят не в камеру, уровень плавает.

Техническая среда и предметная область - постпродакшн для обучающего промышленного видео, задача именно про выделение полезного звука (речь) из видео с агрессивной шумовой обстановкой с использованием профессиональных инструментов (iZotope RX Advanced/аналог, spectral editing, multiband dynamics, de-reverb при необходимости). Работу нужно вести с пониманием артефактов (musical noise, шепелявость, фазовые искажения, pumping), и с контролем разборчивости речи.

Конкретный результат - для каждого ролика предоставить 1-2 финальные аудиодорожки и промежуточные версии для сравнения:
1) Clean Dialogue - выделенная и выровненная по уровню речь, минимально возможные шумы, готово к монтажу.
2) Natural Dialogue - более щадящая обработка для случаев, когда агрессивная очистка даёт артефакты.
Формат отдачи - WAV 48 kHz 24-bit, моно или стерео по обоснованию, синхронизация с исходным видео без дрейфа. Дополнительно - EDL/маркер-лист (TXT/CSV) с таймкодами проблемных мест (клиппинг, неразборчивая речь, наложения голосов, резкие удары) и кратким комментарием что сделано.

Ограничения - нельзя использовать генеративную перезапись голоса, дубляж или TTS. Нельзя «резать» фразы ради чистоты - смысл инструктажа должен сохраняться, паузы допускаются только если это не ломает восприятие. Допустимы локальные правки по таймлайну, но без изменения синхронизации губ в кадре. Нельзя вводить слышимые искажения тембра как «радиоэффект».

Измеримые критерии приёмки - на участках, где в оригинале речь слышна, после обработки она должна быть устойчиво разборчивой без заметных цифровых артефактов при прослушивании в наушниках и на мониторах. Целевые параметры для финалов:
- Loudness - интегрально около -16 LUFS для Clean Dialogue и около -18 LUFS для Natural Dialogue, True Peak не выше -1.0 dBTP.
- Уровень фонового шума в паузах - снижение не менее чем на 8 dB относительно исходника на большинстве сцен, при этом без выраженного musical noise.
- Отсутствие слышимого рассинхрона относительно видео, drift 0, максимум до 1 кадра на конце каждого файла.
- Для каждого ролика приложить A/B отрывки 30-60 секунд (WAV) «до/после» из самых сложных сцен.

Этапы выполнения - первичный анализ и выбор стратегии обработки по типам шумов, черновая очистка 1 тестового ролика на 3-5 минут для согласования подхода, затем пакетная обработка всех роликов с ручной спектральной правкой проблемных мест, финальный QC с проверкой уровней, пиков, синхронизации и подготовка маркер-листа.

Исходники предоставлю через облако, при необходимости дам 2-3 опорных фрагмента где важна максимальная разборчивость (термины, цифры, команды).