Виділення мови з відеозаписів цеху з сильним шумом та підготовка чистих доріжок з QC-звітом

Вихідна ситуація – є 14 відеороликів (MP4 H.264, 1080p, 25 fps) загальною тривалістю близько 3 годин. Знято у виробничому цеху при обладнанні, що працює, - постійний широкосмуговий шум, періодичні імпульсні удари і свист, місцями кліпінг. У кадрі 1-2 особи дають інструкції, мова потрібна максимально розбірлива для подальшого монтажу навчальних роликів. Вихідний звук – 1 стереодорожка з камери, зовнішніх мікрофонів немає. Іноді кажуть не до камери, рівень плаває.

Технічне середовище та предметна область - постпродакшн для навчального промислового відео, завдання саме про виділення корисного звуку (мова) з відео з агресивною шумовою обстановкою з використанням професійних інструментів (iZotope RX Advanced/аналог, spectral editing, multiband dynamics, de-reverb). Роботу потрібно вести з розумінням артефактів (musical noise, шепелявість, фазові спотворення, pumping), та з контролем розбірливості мови.

Конкретний результат - для кожного ролика надати 1-2 фінальні аудіодоріжки та проміжні версії для порівняння:
1) Clean Dialogue – виділена та вирівняна за рівнем мова, мінімально можливі шуми, готове до монтажу.
2) Natural Dialogue – більш щадна обробка для випадків, коли агресивне очищення дає артефакти.
Формат віддачі - WAV 48 kHz 24-bit, моно або стерео з обґрунтування, синхронізація з вихідним відео без дрейфу. Додатково - EDL/маркер-лист (TXT/CSV) з таймкодами проблемних місць (кліпінг, нерозбірлива мова, накладання голосів, різкі удари) та коротким коментарем, що зроблено.

Обмеження - не можна використовувати генеративний перезапис голосу, дубляж або TTS. Не можна «різати» фрази заради чистоти - сенс інструктажу повинен зберігатися, паузи допускаються лише якщо це ламає сприйняття. Допустимі локальні редагування по таймлайну, але без зміни синхронізації губ у кадрі. Не можна запроваджувати чутні спотворення тембру як «радіоефект».

Вимірювані критерії приймання - на ділянках, де в оригіналі мова чутна, після обробки вона повинна бути стійко розбірливою без помітних цифрових артефактів під час прослуховування навушників та моніторів. Цільові параметри для фіналів:
- Loudness - інтегрально близько -16 LUFS для Clean Dialogue та близько -18 LUFS для Natural Dialogue, True Peak не вище -1.0 dBTP.
- Рівень фонового шуму в паузах – зниження не менше ніж на 8 dB щодо вихідника на більшості сцен, причому без вираженого musical noise.
- Відсутність чутного розсинхрону щодо відео, drift 0 максимум до 1 кадру на кінці кожного файлу.
- Для кожного ролика додати A/B уривки 30-60 секунд (WAV) «до/після» із найскладніших сцен.

Етапи виконання - первинний аналіз та вибір стратегії обробки за типами шумів, чорнове очищення 1 тестового ролика на 3-5 хвилин для узгодження підходу, потім пакетна обробка всіх роликів з ручною спектральною правкою проблемних місць, фінальний QC з перевіркою рівнів, піків, синхронізації та підготовка маркер-листа.

Вихідники надам через хмару, при необхідності дам 2-3 опорні фрагменти де важлива максимальна розбірливість (терміни, цифри, команди).