Extragerea discursului din înregistrările video ale unui atelier cu zgomot puternic și pregătirea pieselor curate cu un raport QC

Situația inițială - sunt 14 videoclipuri (MP4 H.264, 1080p, 25 fps) cu o durată totală de aproximativ 3 ore. Filmat într-un atelier de producție cu echipamentul în funcțiune - zgomot constant în bandă largă, pulsuri și fluiere periodice și clipping pe alocuri. În cadru, 1-2 persoane dau instrucțiuni; este necesar ca vorbirea să fie cât mai inteligibilă pentru editarea ulterioară a videoclipurilor de antrenament. Sunetul original este 1 pistă stereo de la cameră, fără microfoane externe. Uneori se spune că nu camerei, nivelul plutește.

Mediu tehnic și domeniu - post-producție pentru un videoclip de formare industrială, sarcina este în special despre extragerea sunetului util (vorbirii) dintr-un videoclip cu un mediu de zgomot agresiv folosind instrumente profesionale (iZotope RX Advanced/analogic, editare spectrală, dinamică multibandă, de-reverb dacă este necesar). Lucrarea trebuie efectuată cu o înțelegere a artefactelor (zgomot muzical, cioc, distorsiune de fază, pompare) și cu controlul inteligibilității vorbirii.

Rezultatul specific este de a oferi 1-2 piese audio finale și versiuni intermediare pentru comparație pentru fiecare videoclip:
1) Dialog curat - vorbire selectată și nivelată, zgomot minim posibil, gata de instalare.
2) Dialog natural - un tratament mai blând pentru cazurile în care curățarea agresivă produce artefacte.
Format de ieșire - WAV 48 kHz 24 de biți, mono sau stereo în funcție de rațiune, sincronizare cu sursa video fără deriva. În plus - EDL/foaie de marcare (TXT/CSV) cu coduri temporale ale zonelor cu probleme (decupare, vorbire neinteligibilă, voci suprapuse, lovituri ascuțite) și un scurt comentariu despre ceea ce sa făcut.

Restricții - Nu puteți utiliza înregistrarea vocală generativă, dublarea sau TTS. Nu puteți „tăia” fraze de dragul purității - sensul instrucțiunii trebuie păstrat, pauzele sunt permise numai dacă acest lucru nu încalcă percepția. Editările locale de-a lungul cronologiei sunt acceptabile, dar fără a modifica sincronizarea buzelor în cadru. Nu puteți introduce distorsiuni de timbru audibile ca „efect radio”.

Criterii de acceptare măsurabile - în zonele în care vorbirea este audibilă în original, după procesare ar trebui să fie în mod constant inteligibilă, fără artefacte digitale vizibile atunci când ascultați căști și monitoare. Parametri țintă pentru finală:
- Loudness - în totalitate aproximativ -16 LUFS pentru Clean Dialogue și aproximativ -18 LUFS pentru Natural Dialogue, True Peak nu este mai mare de -1,0 dBTP.
- Nivelul zgomotului de fond în pauze este o reducere de cel puțin 8 dB față de sursă în majoritatea scenelor, fără zgomot muzical pronunțat.
- Fără desincronizare audibilă în raport cu videoclipul, deriva 0, până la maximum 1 cadru la sfârșitul fiecărui fișier.
- Pentru fiecare videoclip, atașați fragmente A/B de 30-60 de secunde (WAV) „înainte/după” din cele mai dificile scene.

Etape de implementare - analiza primara si selectia strategiei de procesare in functie de tipul de zgomot, curatarea bruta a 1 clip de testare timp de 3-5 minute pentru coordonarea abordarii, apoi procesarea in lot a tuturor clipurilor cu editare spectrala manuala a zonelor cu probleme, QC final cu verificarea nivelurilor, varfurilor, sincronizarea si pregatirea unei foi de marker.

Voi furniza sursele prin cloud; dacă este necesar, voi furniza 2-3 fragmente suport unde lizibilitatea maximă este importantă (termeni, numere, comenzi).