Normalizacja głośności dla streamingu: LUFS, ważenie K, obie bramki, LRA i true peak — referencja techniczna

Krótka odpowiedź

Ustaw sufit true peak (szczytu rzeczywistego) na −1 dBTP i pozwól, żeby głośność zintegrowana wypadła tam, gdzie stawia ją muzyka, zamiast dociskać ją do liczby. Jeśli potrzebujesz opublikowanej wartości odniesienia: AES TD1008 zaleca −16 LUFS dla muzyki normalizowanej per utwór, a Spotify normalizuje odtwarzanie do −14 LUFS i wymaga true peak poniżej −1 dBTP, a poniżej −2 dBTP, jeżeli master jest głośniejszy niż −14 LUFS. Każdy duży serwis ścisza głośne mastery przy odtwarzaniu, więc master na −6 LUFS nie zabrzmi głośniej niż master na −14 LUFS — zabrzmi tak samo głośno, tylko z mniejszym zakresem dynamiki, który przetrwał. Jedyne, co zmienia nadmierne limitowanie, to to, co tracisz. Nie ma jednej poprawnej liczby, ale jest poprawna metoda: ustal sufit, zmierz gotowy master, przestań dociskać w momencie, w którym transjenty zaczynają się spłaszczać.

1. Arytmetyka, przez którą przedawiony master przegrywa automatycznie

Argument jest arytmetyczny, nie estetyczny.

Serwis, który normalizuje odtwarzanie, mierzy głośność zintegrowaną Twojego nagrania, porównuje ją z celem i przy odtwarzaniu stosuje stałe wzmocnienie do całego pliku. Jeśli celem Spotify jest −14 LUFS, a Twój master mierzy −14 LUFS, wzmocnienie wynosi 0 dB. Jeśli master mierzy −8 LUFS, wzmocnienie wynosi −6 dB. Jeśli mierzy −11 LUFS — −3 dB.

Porównajmy dwa mastery tego samego miksu. Master A jest zamknięty na −14 LUFS ze szczytami na −1 dBTP, co daje współczynnik szczytu do głośności (PLR, peak-to-loudness ratio) równy 13 LU. Master B jest dociśnięty do −8 LUFS przy tym samym sufcie −1 dBTP, czyli PLR 7 LU. Przy odtwarzaniu z celem −14 LUFS master B zostaje stłumiony o 6 dB. Jego szczyty siedzą teraz na −7 dBTP. Jego głośność jest identyczna z głośnością mastera A. Sześć decybeli współczynnika szczytu (crest factor), które zabrał limiter, po prostu zniknęło, i nic w torze odtwarzania tego nie zwróci.

Normalizacja głośności zamienia wojnę o głośność w wojnę o zakres dynamiki, którą najgłośniejszy master automatycznie przegrywa. To jest cały argument i nie zależy od gustu.

Wniosek jest ciekawszy niż ostrzeżenie. Skoro poziom odtwarzania ustala serwis, poziom Twojego mastera przestał być zmienną konkurencyjną. Konkurencyjne pozostaje wszystko, na co poziom był dotąd wydawany: definicja transjentu, uderzenie werbla na tle podkładu, różnica między zwrotką a refrenem, wrażenie, że wokal jest przed zespołem, a nie wciśnięty w niego. W świecie normalizacji PLR Twojego mastera jest jedyną częścią decyzji o głośności, którą słuchacz jest w stanie usłyszeć.

Dwa zastrzeżenia, do których wrócimy: normalizację można wyłączyć, a normalizacja w górę nie jest bezwarunkowa.

2. Disco polo: policzmy master na −6 LUFS

Disco polo to najbardziej uczciwy polski przypadek testowy dla tej arytmetyki, bo tam presja na głośność jest realna, a nie wyobrażona. Producent chce, żeby kawałek „wchodził" po utworze poprzednika na playliście, na weselu, w radiu, w samochodzie. Odruch jest jednoznaczny: docisnąć limiter, aż wskaźnik nie schodzi.

Weźmy master zamknięty na −6 LUFS ze szczytami na −1 dBTP. Jego PLR wynosi 5 LU. Odtwarzanie na Spotify z celem −14 LUFS:

• wzmocnienie = −14 − (−6) = −8 dB;
• szczyty po normalizacji siedzą na −1 − 8 = −9 dBTP;
• głośność zintegrowana po normalizacji: −14 LUFS.

A teraz ten sam miks zamknięty spokojniej, na −11 LUFS, przy tym samym sufcie −1 dBTP, czyli PLR 10 LU:

• wzmocnienie = −14 − (−11) = −3 dB;
• szczyty po normalizacji: −4 dBTP;
• głośność zintegrowana po normalizacji: −14 LUFS.

Oba pliki grają dokładnie tak samo głośno. Różnica polega na tym, że wersja spokojniejsza zachowała 5 LU zapasu szczytowego ponad swoją głośnością — czyli stopę i werbel, które wychodzą przed ścianę syntezatora, zamiast zostać w niej zatopione. Sufit −1 dBTP jest w obu przypadkach ten sam; różni je tylko to, ile muzyki zostało pod nim.

Warto to od razu przeliczyć na sufit: master na −6 LUFS jest głośniejszy niż −14 LUFS, więc według opublikowanej specyfikacji Spotify obowiązuje go niższy limit szczytu — −2 dBTP, nie −1 dBTP. Docisnąwszy master do −6 LUFS, tracisz nie tylko dynamikę po normalizacji, ale i decybel zapasu szczytowego przed nią.

2.1 Uczciwa uwaga: konteksty, w których głośno nadal wygrywa

Byłoby nieuczciwe zatrzymać się w tym miejscu. Normalizacja nie działa wszędzie:

• słuchacz może ją wyłączyć w ustawieniach aplikacji;
• oprogramowanie DJ-skie zwykle odtwarza plik takim, jaki jest, i wyrównuje go ręcznie albo własnym auto-gainem;
• plik pobrany i odtwarzany z pendrive'a w samochodzie, z karty w odtwarzaczu weselnym albo z dysku na nagłośnieniu w remizie nie przechodzi przez żaden normalizator;
• emisja radiowa ma własny procesor nadawczy, który i tak przerobi Twój master po swojemu — i to jest osobny argument za tym, żeby nie oddawać mu materiału już spłaszczonego, bo procesor nadawczy nie ma z czego odtworzyć transjentów, których w pliku nie ma.

Więc tak: w tych kontekstach głośniejszy plik nadal brzmi głośniej. Ale to są konteksty, w których i tak ktoś kręci gałką głośności. Natomiast na wszystkich powierzchniach streamingowych, gdzie normalizacja jest domyślnie włączona, dodatkowe decybele limitowania kupują wyłącznie płaskość. Jeżeli produkujesz jednocześnie na streaming i na wesela, właściwą odpowiedzią jest jeden master z sensowną dynamiką, ewentualnie osobna, głośniejsza wersja robocza na nagłośnienie — nie jeden przedawiony master do wszystkiego.

3. Co naprawdę mierzy LUFS

LUFS to Loudness Units relative to Full Scale — jednostki głośności odniesione do pełnej skali. LKFS (Loudness, K-weighted, relative to Full Scale) to ta sama jednostka pod inną nazwą; dokumenty ITU używają LKFS, dokumenty EBU — LUFS, a liczby są identyczne. LU ma ten sam rozmiar co dB — jedna jednostka głośności to jeden decybel — ale LUFS jest skalą bezwzględną, a LU względną. „+3 LU" i „+3 dB" znaczą to samo co do wielkości; „−14 LUFS" i „−14 dB" nie znaczą tego samego w ogóle.

Pomiar zdefiniowany w ITU-R BS.1770 nie jest ani RMS-em, ani pomiarem szczytu. To średnia kwadratowa sygnału przefiltrowanego, zsumowana po kanałach z wagami kanałowymi, a następnie bramkowana w czasie. Od zwykłego miernika RMS odróżniają go trzy rzeczy: filtr ważący K, sumowanie kanałów i bramkowanie. Filtr i bramkowanie są miejscem, w którym mieszka niemal całe nieporozumienie.

3.1 Ważenie K: dokładnie dwa stopnie filtru

Ważenie K (K-weighting) to kaskada dokładnie dwóch sekcji drugiego rzędu, nakładana na każdy kanał przed policzeniem średniej kwadratowej.

Stopień pierwszy — filtr „głowy" (head filter). Półka górnoprzepustowa (high-shelf), która podnosi górę pasma. Opublikowane współczynniki dla 48 kHz: b0 = 1,53512485958697; b1 = −2,69169618940638; b2 = 1,19839281085285; a1 = −1,69065929318241; a2 = 0,73248077421585. Modeluje akustyczny efekt obecności głowy w polu dźwiękowym — ekranowanie i dyfrakcję, przez które człowiek jest bardziej czuły na wysokie częstotliwości docierające z przodu niż goły mikrofon pomiarowy.

Stopień drugi — górnoprzepustowy RLB. Revised Low-frequency B-curve: filtr górnoprzepustowy ścinający dół, odzwierciedlający fakt, że niskie częstotliwości wnoszą do wrażenia głośności mniej, niż wynikałoby z ich energii. Dlatego kawałek z ogromnym subbasem nie mierzy się tak głośno, jak brzmi w klubie, i mierzy się ciszej, niż spodziewa się realizator.

Wzmocnienie krzywej ważenia K przy 1 kHz wynosi +0,698 dB, czyli liniowo 1,0836. To nie jest arbitralna stała — wynika z odpowiedzi półki i filtru górnoprzepustowego przy tej częstotliwości. Praktyczna konsekwencja całego łańcucha: sinus 1 kHz o pełnej skali podany na jeden kanał pary stereo czyta się jako −3,01 LKFS, dokładnie tak, jak podaje BS.1770-5 — przy czym te −3,01 biorą się z sumowania jednego z dwóch kanałów, a nie z filtru.

3.2 Muzyka góralska pod krzywą K

Najciekawszy polski przypadek graniczny dla ważenia K to muzyka Podhala, bo jej cechy definicyjne leżą dokładnie w tym pasmie, które krzywa K podbija.

Śpiew góralski jest z założenia głośny, wysoki, otwartogardłowy i lekko napięty. Nuty wierchowe prowadzone są w górnej części skali, atak jest krzykliwy — to nie jest efekt uboczny, tylko cecha stylu; nabrzmiały, „ostry" ton jest tym, po czym rozpoznaje się śpiewaczkę z Podhala. Skrzypce w kapeli grają w ciasnym zespole, prym prowadzi wysoko, sekundy chodzą blisko niego, a pod tym wszystkim idą basy — trzystrunowy instrument basowy, który utrzymuje fundament rytmiczno-harmoniczny.

Teraz zobaczmy, co robi z tym miernik:

• Energia śpiewu i prymu koncentruje się w rejonie mniej więcej 1–4 kHz, z mocnymi składowymi wyżej. To jest dokładnie obszar, który podnosi półka „głowy". Ostry, napięty atak góralskiego śpiewu jest energią harmoniczną wysoko w widmie — czyli energią, którą krzywa K liczy z premią.
• Energia basów siedzi nisko, a właśnie ten obszar ścina filtr RLB. Fundament, który w sali daje ciężar i wypełnienie, na mierniku niemal nie istnieje.

Skutek jest konkretny i praktyczny: kapela góralska mierzy się głośniej, niż wynikałoby z jej surowej energii — miernik pokazuje więcej LUFS przy tej samej „mocy" niż pokazałby przy materiale skoncentrowanym w niskim rejestrze. A ponieważ serwis ścisza o różnicę między pomiarem a celem, ten sam materiał dostaje większe tłumienie przy odtwarzaniu. Dociskanie kapeli limiterem jest więc podwójnie bezcelowe: podnosisz odczyt akurat w tym miejscu widma, w którym miernik jest najczulszy, i inkasujesz za to większe ścisznięcie.

Jest też druga, poważniejsza strata. Sprężanie góralskiego śpiewu jak wokalu popowego usuwa dokładnie tę cechę, która ten śpiew identyfikuje. Napięcie w głosie słychać jako zmienność — mikroskoki poziomu na atakach sylab, w nagłosach, w miejscach, gdzie głos „idzie w górę". Kompresor o krótkim czasie ataku i głębokiej redukcji wyrównuje właśnie te mikroskoki i zostawia śpiew równy, gładki, dobrze wpasowany w podkład — czyli brzmiący jak wszystko inne. Materiał traci to, co czyni go rozpoznawalnym, a nie zyskuje na głośności, bo tę i tak ustala serwis.

Praktyczna zasada dla tego repertuaru: pilnuj sufitu true peak, kontroluj balans skrzypiec względem basów korekcją i ustawieniem mikrofonów, a nie kompresją sumy, i przyjmij, że gotowy master kapeli wypadnie znacznie ciszej niż popowy — bo powinien.

3.3 Po co ta krzywa w ogóle istnieje

Nieważony miernik RMS twierdzi, że sinus 40 Hz i sinus 3 kHz o tej samej amplitudzie są równie głośne. Żaden słuchacz się z tym nie zgadza. Ważenie K jest celowo zgrubnym przybliżeniem zachowań równej głośności — o wiele prostszym niż krzywe Fletchera-Munsona — i zostało wybrane jako proste po to, żeby niezależne implementacje zgadzały się ze sobą co do ułamka LU. Ważenie K nie jest próbą dokładnego modelowania słuchu; jest próbą modelowania go identycznie na każdym mierniku na świecie, i właśnie dlatego działa. Dwa zgodne ze specyfikacją mierniki mierzące ten sam plik zgadzają się na tyle dobrze, że porównywanie serwisów ma sens.

3.4 Która edycja obowiązuje

BS.1770 ma sześć edycji: 2006, 2007, 2011, 2012, 2015 i 2023. BS.1770-4 (październik 2015) to edycja, którą cytuje większość wdrożonych mierników; obowiązująca jest jednak BS.1770-5 (listopad 2023), a −4 została przez nią zastąpiona. Każdy mechanizm opisany w tym dokumencie — dwa stopnie filtru, bloki 400 ms, obie bramki, minimum czterokrotne nadpróbkowanie — jest zweryfikowany względem BS.1770-5 w brzmieniu opublikowanym. Jeżeli Twój plugin w oknie „o programie" pisze BS.1770-4, nie jest to samo w sobie błąd pomiarowy, ale warto wiedzieć, że cytuje edycję wycofaną.

4. Bramkowanie w całości

Bramkowanie (gating) to część specyfikacji najczęściej opisywana błędnie, również w skądinąd starannych źródłach. Głośność zintegrowana jest pomiarem podwójnie bramkowanym.

4.1 Krok pierwszy: podział na bloki

Sygnał dzielony jest na bloki bramkujące po 400 ms z 75-procentowym zakładem. Zakład 75% przy bloku 400 ms oznacza, że nowy blok zaczyna się co 100 ms. Każdy blok dostaje własną wartość głośności liczoną jako średnia kwadratowa sygnału po ważeniu K. Zakład nie jest ozdobnikiem: chroni głośne zdarzenie leżące na granicy bloków przed rozdzieleniem i niedoliczeniem.

4.2 Krok drugi: bramka bezwzględna

Każdy blok mierzący poniżej −70 LKFS jest odrzucany i nie bierze dalszego udziału w pomiarze. To usuwa ciszę cyfrową, ogony wybrzmień, tło sali i przerwy między utworami, dzięki czemu nagranie z długim cichym zakończeniem nie mierzy się ciszej niż to samo nagranie przycięte.

4.3 Krok trzeci: bramka względna — tu popełnia się błąd

Policz średnią głośność bloków, które przeżyły bramkę bezwzględną. Odejmij 10. To jest próg względny. Odrzuć każdy blok poniżej niego. Głośność zintegrowana to średnia bloków, które przeżyły obie bramki.

Rozróżnienie jest istotne i notorycznie gubione: bramka względna leży 10 LU poniżej średniej po bramce bezwzględnej, a nie 10 LU poniżej średniej niebramkowanej z całego pliku. BS.1770-5 mówi wprost, że próg względny powstaje przez „odjęcie 10 od wyniku" pomiaru z bramkowaniem bezwzględnym. Jeżeli policzysz średnią po wszystkich blokach, włącznie z tymi poniżej −70 LKFS, dostaniesz niższą średnią, niższy próg, więcej dopuszczonych cichych bloków i odczyt zintegrowany zaniżony — a błąd rośnie wraz z ilością ciszy w pliku. To najczęstsza pojedyncza przyczyna rozjeżdżania się dwóch mierników na tym samym utworze.

Słyszalną konsekwencję bramki −10 LU warto sobie przyswoić raz na zawsze: głośność zintegrowana Twojego utworu to w praktyce średnia głośność jego głośnych fragmentów, a nie całego utworu.

4.4 Poezja śpiewana: biegun wokalny i to, co bramka z nim robi

Poezja śpiewana jest w polskim repertuarze naturalnym biegunem przeciwnym do disco polo: głos z przodu, gitara albo fortepian z tyłu, fragmenty niemal mówione, długie pauzy, cała dramaturgia w tym, jak blisko mikrofonu ktoś jest w danym wersie.

To materiał, na którym bramka względna zachowuje się szczególnie wyraźnie. Przypuśćmy — i jest to przykład skonstruowany, obliczenie, a nie statystyka z nagrania — że średnia po bramce bezwzględnej wypada na −22 LUFS. Próg względny to wtedy −32 LUFS. Cała pierwsza zwrotka prowadzona półszeptem, mierząca krótkoterminowo w okolicach −34 LUFS, nie bierze udziału w wyniku zintegrowanym. Utwór zostanie zmierzony praktycznie na swoich najgłośniejszych frazach.

Z tego wynikają dwie rzeczy, obie kontrintuicyjne:

1. Dodanie cichego wstępu do gotowego mastera prawie nie zmienia odczytu zintegrowanego. Realizatorzy, którzy oczekują, że zmieni, bywają zaskoczeni.
2. Podbicie cichych fragmentów kompresorem, żeby „poprawić LUFS-y", nie poprawia LUFS-ów w oczekiwanym stopniu — bramka i tak liczyła głównie głośne fragmenty — za to niszczy różnicę między szeptem a pełnym głosem, czyli w tym gatunku niszczy utwór.

Dla poezji śpiewanej właściwa decyzja jest zwykle nudna: sensowny sufit, minimalne limitowanie, głośność zintegrowana lądująca gdzieś w okolicach −18 do −14 LUFS i pogodzenie się z tym, że tak ma być.

5. Momentary, short-term, integrated: który miernik i kiedy

Trzy okna czasowe są znormalizowane i odpowiadają na trzy różne pytania. Zachowania mierników definiuje EBU Tech 3341.

Momentary (M) — 400 ms, bez bramkowania. To samo okno co blok bramkujący. Głośność chwilowa śledzi pojedyncze zdarzenia: werbel, spółgłoskę w wokalu, uderzenie na „raz". Używaj jej do wyłapywania rzeczy — stopy, która wyskakuje 6 LU ponad otoczenie, fragmentu, który się wybija. Nie używaj jej do decyzji o poziomie; jest o wiele za nerwowa, a gonienie za miernikiem chwilowym daje dokładnie ten przekompresowany rezultat, który normalizacja karze.

Short-term (S) — 3 s, bez bramkowania. Trzy sekundy to mniej więcej fraza muzyczna. Głośność krótkoterminowa jest właściwym miernikiem do decyzji o balansie wewnątrz utworu, bo trzy sekundy to skala czasu, w której słuchacz faktycznie odbiera fragment jako głośny albo cichy. Porównuj nią zwrotkę z refrenem, sprawdzaj, czy przejście się nie zapada, i patrz na kształt aranżacji wyrażony liczbą.

Integrated (I) — cały program, podwójnie bramkowany. To jest liczba, względem której normalizują serwisy, i jedyna, która ma prawo pojawić się w specyfikacji dostawy. Mierz ją na całym utworze, od pierwszej do ostatniej próbki, a nie na zaznaczonym fragmencie. Głośność zintegrowana jest specyfikacją dostawy, a nie narzędziem miksu; jeśli patrzysz na nią w trakcie pracy, patrzysz na zły miernik.

Reguła praktyczna: miksuj i masteruj według short-term, weryfikuj przez integrated, a anomalie diagnozuj momentary.

6. Zakres głośności (LRA) i bramka −20 LU — policzone na organach i chórze

Loudness Range, określone w EBU Tech 3342, to jedna liczba opisująca, jak bardzo głośność utworu zmienia się w czasie. Liczy się ją z rozkładu wartości krótkoterminowych (3 s): LRA to różnica między estymatami 10. i 95. percentyla tego rozkładu — dlatego krótkie skrajności z obu stron nie dominują wyniku.

LRA ma własne bramkowanie i nie jest ono takie samo jak przy pomiarze zintegrowanym. Tech 3342 ustawia próg względny LRA na −20 LU poniżej poziomu po bramkowaniu bezwzględnym, a nie na −10 LU. Szersza bramka jest celowa: LRA ma opisywać zmienność, więc musi wpuścić te cichsze fragmenty, które pomiar zintegrowany jest zaprojektowany, by wykluczać.

6.1 Dlaczego akurat organy i chór

Polska tradycja organowa i chóralna daje przypadek skrajny, na którym błąd implementacyjny widać jak na dłoni. Nagranie w kościele — duże organy piszczałkowe z pełnym pryncypałem i językowymi, chór a cappella schodzący do pianissimo, pogłos liczony w sekundach — ma zakres dynamiki, jakiego nie zna żadna produkcja popowa. Do tego dochodzi cecha organów, której nie ma w orkiestrze: rejestracja zmienia poziom skokowo. Przejście z jednego głosu ośmiostopowego na pełne organo to nie crescendo, tylko uskok, i to uskok o kilkanaście LU między dwiema sąsiednimi frazami.

6.2 Rachunek

Poniższe liczby są skonstruowane — to obliczenie ilustracyjne, a nie statystyka z konkretnego nagrania.

Załóżmy, że głośność nagrania po bramce bezwzględnej wynosi −26 LUFS, a wartości krótkoterminowe rozkładają się od około −45 LUFS (chór pianissimo, jeden cichy głos organowy, długi pogłos) do około −13 LUFS (pełne organo z chórem w tutti).

• Implementacja poprawna, bramka −20 LU. Próg = −26 − 20 = −46 LUFS. Praktycznie wszystkie muzyczne wartości krótkoterminowe leżą powyżej i wchodzą do rozkładu. 10. percentyl ≈ −41 LUFS, 95. percentyl ≈ −14,5 LUFS. LRA ≈ 26,5 LU.
• Implementacja błędna, bramka −10 LU. Próg = −26 − 10 = −36 LUFS. Wszystko poniżej −36 LUFS wylatuje — czyli cały cichy chór i cicha rejestracja organowa. 10. percentyl podskakuje do ≈ −31 LUFS, 95. zostaje na ≈ −14,5 LUFS. LRA ≈ 16,5 LU.

Ten sam plik, ta sama muzyka, 10 LU różnicy na wyświetlaczu — wyłącznie dlatego, że bramka jest ustawiona źle. I różnica ta ma konsekwencje decyzyjne: realizator patrzy na 16,5 LU, uznaje, że materiał jest już przyzwoicie zebrany, i nie chroni tego, co należałoby chronić.

Możliwy jest też błąd odwrotny. Jeżeli ogon pogłosu nie schodzi do ciszy cyfrowej, tylko opiera się o szum tła kościoła na, powiedzmy, −60 LKFS, bloki te nie zostają odrzucone przez bramkę bezwzględną (−70 LKFS) i wchodzą do rozkładu krótkoterminowego LRA, bo leżą powyżej progu −46 LUFS. 10. percentyl ucieka w stronę szumu i miernik raportuje LRA rzędu 30 LU. Materiał nie ma z tym nic wspólnego — zmierzyłeś długość swojego wyciszenia i poziom wentylacji w nawie.

Jeżeli Twój miernik pokazuje LRA wyraźnie niższe niż inny na tym samym pliku, pierwszym podejrzanym jest bramka −10 LU tam, gdzie powinna być −20 LU. Jeżeli wyraźnie wyższe — obejrzyj poziom szumu w ogonie.

6.3 Test, który robi się raz w życiu

Weź gotowy master. Doklej na końcu 20 sekund materiału 15 LU cichszego niż korpus utworu (wystarczy ten sam utwór ściszony suwakiem). Zmierz LRA przed i po. Poprawna implementacja pokaże wyraźny wzrost; zepsuta ledwie drgnie. To test na pięć minut, który raz na zawsze zamyka sprawę zaufania do pluginu.

Dla orientacji, nie jako cel: mocno limitowane mastery elektroniczne i popowe zwykle dają 3–5 LU, dobrze zapanowany miks zespołowy 6–9 LU, a nagrania orkiestrowe i akustyczne regularnie powyżej 12 LU. LRA jest wielkością opisową; gonienie za konkretną jej wartością jest równie bezsensowne jak gonienie za konkretnym LUFS.

7. True peak kontra sample peak

7.1 Na czym polega różnica

Miernik szczytu próbkowego (sample peak) pokazuje największą wartość bezwzględną próbki w pliku. To nie jest największa wartość, jaką osiąga sygnał: próbki są punktami na ciągłym przebiegu, a przebieg między dwiema próbkami może wznieść się ponad obie. Zrekonstruowany przebieg analogowy może przekroczyć najwyższą próbkę w pliku, a miernik szczytu próbkowego jest strukturalnie niezdolny tego zobaczyć. Te wychylenia to szczyty międzypróbkowe (inter-sample peaks); poziom zrekonstruowanego przebiegu to szczyt rzeczywisty, true peak, wyrażany w dBTP.

Cyfrowo „bezpieczny" plik, którego próbki kończą się na −0,1 dBFS, może mieć szczyty rzeczywiste znacznie powyżej 0 dBTP. W pliku nic nie jest obcięte. Wszystko dalej w torze, co rekonstruuje przebieg — przetwornik C/A, konwerter częstotliwości próbkowania, dekoder stratny — może to obciąć.

7.2 Dlaczego konieczne jest nadpróbkowanie

Żeby zobaczyć szczyt rzeczywisty, trzeba zrekonstruować przebieg między próbkami. BS.1770 przewiduje robienie tego przez nadpróbkowanie (oversampling): minimum czterokrotne przy 48 kHz, przy czym rekomendacja zaznacza, że „wyższe częstotliwości próbkowania i wyższe krotności nadpróbkowania są preferowane". Czterokrotne to próg zgodności, a nie odpowiedź dokładna; przy 4× pomiar potrafi zaniżyć realne szczyty o kilka dziesiątych decybela. Używaj 8× albo 16×, jeżeli Twój miernik to oferuje — koszt obliczeniowy jest trywialny, przyrost dokładności nie. Miernik bez wyraźnego trybu true peak / dBTP jest miernikiem szczytu próbkowego, cokolwiek sugeruje jego instrukcja.

7.3 Cymbały: transjent, którego limiter nie przepuszcza w całości

Cymbały to najostrzejsze źródło transjentowe w polskim instrumentarium ludowym. Struny uderzane pałeczkami dają narastanie liczone w pojedynczych milisekundach, po którym następuje długie, gęste wybrzmiewanie wielu strun naraz — bo instrument nie ma tłumików, a chóry strun rezonują ze sobą. Z punktu widzenia miernika to materiał o bardzo wysokim współczynniku szczytu: krótkie, bardzo wysokie wierzchołki nad stosunkowo niskim poziomem średnim.

Dwie rzeczy idą tu źle naraz.

Po pierwsze, to właśnie te wierzchołki wpadają między próbki. Uderzenie pałeczki ma energię wysoko w widmie, a im wyższa częstotliwość składowej, tym mniej próbek przypada na okres i tym większa szansa, że maksimum przebiegu leży pomiędzy nimi. Nagranie cymbałów zmierzone miernikiem szczytu próbkowego potrafi pokazać komfortowe −0,8 dBFS, a zmierzone poprawnie, z ośmiokrotnym nadpróbkowaniem, przekroczyć 0 dBTP.

Po drugie, limiter reagujący na te wierzchołki zabiera dokładnie tę część dźwięku, która identyfikuje instrument. Cymbały bez ataku to nie cymbały, tylko dziwnie brzmiąca cytra. A ponieważ poziom odtwarzania ustala serwis, redukcja tych wierzchołków nie kupuje żadnej głośności — kupuje wyłącznie zmianę barwy.

Praktycznie: mierz cymbały true peakiem z nadpróbkowaniem co najmniej 8×, zostaw sufit na −1 dBTP i rozwiązuj problem zapasu dynamicznego (headroom) poziomem w miksie, a nie limiterem na sumie.

7.4 Dudy i koza: burdon, czyli problem odwrotny

Dudy żywieckie i koza to przypadek dokładnie przeciwny. Burdon jest ciągły: gra przez cały utwór, praktycznie bez przerw na oddech, bo powietrze idzie z miecha. Piszczałka melodyczna prowadzi linię nad nim, ale poziom pod spodem nie schodzi nigdy.

Konsekwencje dla pomiaru i dla limitera:

• Burdon podnosi średnią po bramce bezwzględnej, bo praktycznie każdy blok 400 ms jest „głośny". Materiał z ciągłym burdonem mierzy się jako gęsty, a próg bramki względnej wypada wysoko — więc jeszcze mniej cichego materiału wchodzi do wyniku.
• Limiter na sumie zaczyna modulować burdon melodią. Każde wejście głośniejszej frazy piszczałki wywołuje redukcję wzmocnienia, która obejmuje także burdon; burdon przygasa i wraca w rytmie melodii. Słychać to jako „falowanie" albo pompowanie na dźwięku, który z definicji ma być nieruchomy. To jeden z niewielu przypadków, gdzie efekt uboczny kompresji jest natychmiast rozpoznawalny nawet dla słuchacza nietechnicznego, bo burdon jest odniesieniem, względem którego ucho mierzy wszystko inne.

Jeżeli musisz kontrolować dynamikę takiego nagrania, rób to na ścieżce melodycznej osobno, a nie na sumie z burdonem. Suma z burdonem to sygnał, na którym kompresor szerokopasmowy nie ma jak zachować się dobrze.

7.5 Dlaczego kodowanie stratne podnosi szczyty

Kodek stratny — AAC, Ogg Vorbis, MP3 — nie odtwarza przebiegu próbka po próbce. Odtwarza przebieg percepcyjnie podobny, a wyjście dekodera rutynowo przestrzeliwuje ponad wejście kodera. Przestrzelenie nie jest defektem, tylko nieuniknioną konsekwencją kwantyzacji i odrzucania szczegółu widmowego, i skaluje się z tym, jak mocno źródło było limitowane. Master dokładnie na 0,0 dBTP dekoduje się ze szczytami powyżej 0 dBFS, a dekoder je obcina.

Każda opublikowana specyfikacja, która się tym zajmuje, mówi to samo. AES TD1008: „For all content, it is recommended that the Maximum True Peak level not exceed −1 dBTP at the codec input of lossy-encoded streams". Spotify: trzymaj true peak „below −1dB TP (True Peak) max", a dla masterów głośniejszych niż −14 LUFS „keep True Peak below −2dB to avoid extra distortion".

7.6 Jaki sufit ustawić naprawdę

Ustaw sufit true peak limitera na −1,0 dBTP dla normalnych masterów i na −2,0 dBTP, jeżeli master jest głośniejszy niż −14 LUFS zintegrowanych. To nie jest margines z przesądu — obie liczby są opublikowanymi wymaganiami ze źródeł powyżej, a druga istnieje właśnie dlatego, że materiał mocniej limitowany przestrzeliwuje w kodeku bardziej.

Dwa przypisy. Sufit −0,1 dBTP jest błędem dostawy dla streamingu, a nie decyzją stylistyczną. I limiter ustawiony na −1,0 dBTP musi być limiterem true peak: w wielu wtyczkach regulacja sufitu działa na szczycie próbkowym, i ustawienie jej na −1,0 daje szczyty międzypróbkowe gdzieś powyżej −0,5 dBTP.

Jeżeli chcesz sprawdzić gotowy plik, mazufa.com udostępnia darmowy przeglądarkowy miernik głośności i szczytu rzeczywistego, który działa w całości na Twoim urządzeniu i niczego nie wysyła.

8. Oberek i mazurek: rubato kontra stały czas powrotu kompresora

Jest jeden problem, którego nie widać na żadnym mierniku, a który dotyczy polskiej muzyki tanecznej wprost.

Oberek i mazurek nie są metronomiczne. Trójmiarowa fraza w tych tańcach nie dzieli się na trzy równe części: akcent bywa na drugiej albo trzeciej mierze, przesuwa się w obrębie frazy, a długość poszczególnych miar zmienia się w zależności od tego, gdzie tancerz potrzebuje oparcia. To nie jest niedokładność wykonania — to jest sposób, w jaki ta muzyka funkcjonuje. Kapela gra dla par na parkiecie i wyprzedza albo opóźnia miarę tam, gdzie potrzebny jest impuls do obrotu. W mazurku sprężystość bierze się z przytrzymania i puszczenia; w oberku przy tempie sięgającym kilkuset uderzeń na minutę mikroprzesunięcia decydują o tym, czy kawałek „idzie", czy się potyka.

Teraz włóż w to kompresor ze stałym czasem powrotu (release). Kompresor uczy się jednego okresu — tego, który wynika z jego nastawy — i nakłada go na muzykę, która żadnego stałego okresu nie ma. Wynik:

• gdy fraza się skraca, kompresor jeszcze nie wrócił i tłumi kolejny akcent, więc miara, która miała nieść obrót, wychodzi słabsza od sąsiednich;
• gdy fraza się wydłuża, kompresor zdążył wrócić z nadmiarem i wypycha do góry to, co leży pomiędzy akcentami — szum smyczka, wybrzmienie basów, oddech kapeli;
• efekt netto to pulsowanie o okresie niezależnym od muzyki, dudniące z rytmem tanecznym. Ucho odczytuje to jako materiał, który „nie trzyma", choć wykonanie jest bez zarzutu.

Kompresor ze stałym czasem powrotu walczy tu nie z poziomem, tylko z samym rytmem — i to jest jedyny przypadek w tym dokumencie, w którym kompresja psuje coś, czego żadna liczba na mierniku nie pokaże.

Co robić zamiast tego. Po pierwsze, dynamikę takiego materiału porządkuj automatyką poziomu na frazach, ustawianą ręcznie i na słuch, a nie detektorem. Po drugie, jeśli już używasz kompresora, ustaw czas powrotu wyraźnie dłuższy niż długość frazy, żeby działał jak wolna korekta poziomu odcinków, a nie jak rytmiczny procesor. Po trzecie, sprawdź materiał miernikiem short-term: jeśli krzywa 3-sekundowa faluje w tempie, którego nie ma w muzyce, to nie jest wykonanie, tylko Twój tor przetwarzania.

9. Co faktycznie publikuje każdy serwis

Rozróżnienie między tym, co opublikowane, a tym, co szeroko powtarzane, jest najważniejszą rzeczą w tej sekcji, i prawie żaden artykuł na ten temat go nie utrzymuje.

9.1 Specyfikacje opublikowane

Spotify. Cel: −14 LUFS zintegrowanych. Spotify podaje, że dostosowuje utwory „to −14 dB LUFS" i mierzy „according to the ITU 1770 standard". Sufit true peak: poniżej −1 dBTP; poniżej −2 dBTP dla masterów głośniejszych niż −14 LUFS.

Bardzo ważne i często przekręcane: Spotify stosuje również normalizację w górę, ale jest ona ograniczona zapasem dynamicznym. Serwis stwierdza wprost: „Positive gain is applied to softer masters so the loudness level is −14 dB LUFS", i natychmiast to kwalifikuje: „We consider the headroom of the track, and leave 1 dB headroom for lossy encodings to preserve audio quality".

Obie skrajne wersje tego zdania, które krążą po polskich forach, są nieprawdziwe. Nieprawdą jest, że „cichych masterów się nie podgłaśnia" — podgłaśnia się. Nieprawdą jest również, że „cichy master i tak zostanie podniesiony do celu" — nie zawsze. Master zamknięty bardzo cicho, ale z wysokimi szczytami, po prostu nie ma dokąd pójść w górę: podniesienie go o pełną różnicę wypchnęłoby szczyty ponad dopuszczalny zapas, więc wzmocnienie zostaje ograniczone. To jest prawdziwy powód, żeby nie masterować na −24 LUFS „bo i tak podgłośnią": może nie podgłośnić do końca.

Spotify podaje też, że album normalizowany jest jako całość, tak żeby „the softer tracks are as soft as you intend them to be" — czyli względne poziomy utworów w obrębie albumu są zachowane. Dla wydawnictwa organowego, chóralnego albo folkowego, gdzie różnica poziomów między utworami jest częścią zamysłu, to jest istotna informacja: nie wyrównuj utworów na albumie ręcznie do jednej wartości LUFS.

EBU R 128. Cel: −23 LUFS. To rekomendacja nadawcza, nie streamingowa, i wymieniam ją tu, bo bywa rutynowo stosowana nie tam, gdzie trzeba — również w Polsce, gdzie realizatorzy pracujący jednocześnie dla telewizji i dla muzyki mają R 128 pod ręką. Master muzyczny na −23 LUFS nie jest z niczym „bardziej zgodny", a ponieważ normalizacja w górę jest ograniczona zapasem dynamicznym, może odtwarzać się ciszej, niż zakładano.

AES TD1008 (Recommendations for Loudness of Internet Audio Streaming and On-Demand Distribution). Najbardziej użyteczny publiczny dokument dla muzyków i najczęściej przekręcany.

• Muzyka normalizowana per utwór: −16 LUFS, tolerancja +0,2 LU.
• Normalizacja albumowa, najgłośniejszy utwór: −14 LUFS, tolerancja +0,2 LU.
• Treści z dominacją mowy: −18 LUFS, tolerancja +1 LU, mierzone jako głośność zintegrowana dialogu.
• Maksymalny szczyt rzeczywisty: −1 dBTP na wejściu kodeka dla strumieni kodowanych stratnie.

Wartość −18 LUFS w TD1008 jest celem dla treści z dominacją mowy — informacja, talk, słuchowisko — a cytowanie jej jako celu dla muzyki to częsty i poważny błąd. Dla muzyki jest −16 LUFS. Jeżeli widzisz −18 LUFS podane jako zalecenie AES dla muzyki, źródło źle przeczytało dokument.

TD1008 formułuje też wprost argument dynamiczny, który warto zacytować: „A recording with high peak to loudness ratio (PLR) is often perceived as clearer and less fatiguing than one that has been excessively peak-limited".

9.2 Serwisy, które nie publikują celu normalizacji

Apple Music, YouTube Music, Amazon Music, TIDAL i Deezer nie publikują celu normalizacji. Normalizują — to jest obserwowalne — ale konkretna liczba nie jest opublikowaną specyfikacją, a każdy tekst, który przedstawia ją jako specyfikację, przedstawia pomiar albo domysł jako dokument.

Wartości szeroko powtarzane to: Apple ≈ −16 LUFS, YouTube Music ≈ −14 LUFS, Amazon Music ≈ −14 LUFS, TIDAL ≈ −14 LUFS, Deezer ≈ −15 LUFS. Są to dane szeroko powtarzane, ale nieopublikowane przez serwisy; traktuj je jako obserwacje osób trzecich dotyczące ruchomego celu, a nie jako specyfikacje. Pochodzą z niezależnych pomiarów, zmieniały się w czasie i żaden serwis się do nich nie zobowiązał. Nie licz z nich spodziewanego wzmocnienia przy odtwarzaniu i nie masteruj pod żadną z nich.

Praktyczna konsekwencja jest mniejsza, niż się wydaje. Wszystkie powtarzane wartości mieszczą się między −16 a −14 LUFS, czyli w rozpiętości 2 LU. Żadnego mastera nie robi się od nowa z powodu 2 LU.

10. Praktyka

10.1 Jak wybrać cel

Pracuj od muzyki w stronę liczby, a nie odwrotnie.

1. Najpierw ustal sufit. −1 dBTP, true peak, z nadpróbkowaniem. To jedyne twarde ograniczenie na tej liście.
2. Masteruj pod muzykę. Ustaw balans, barwę i dynamikę tak, żeby limiter robił jak najmniej. Na tym etapie nie patrz na miernik zintegrowany.
3. Zmierz wynik. Jakakolwiek głośność zintegrowana wyszła, to jest Twój kandydat.
4. Sprawdź, czy mieści się w rozsądku. Jeśli wartość leży mniej więcej między −14 a −9 LUFS, jesteś w zakresie, w którym wszystkie opublikowane cele i wszystkie powtarzane liczby leżą w promieniu kilku LU, i żaden serwis nie zrobi z Twoim nagraniem nic dramatycznego. Jeśli jesteś głośniejszy niż −9 LUFS, zadaj sobie pytanie, co kupiło Ci limitowanie — bo poziom i tak zostanie odebrany przy odtwarzaniu.
5. Dopiero potem rozważ korektę — i koryguj zmieniając mastering, a nie dokładając limitowania.

Trafianie w wartość LUFS przez dokładanie limitowania, aż miernik pokaże właściwą liczbę, jest dokładnie tym zachowaniem, które normalizacja miała uczynić bezcelowym.

Gatunek ma tu znaczenie, którego jedna liczba nie odda. Gęste produkcje elektroniczne, metal i współczesny pop lądują zwykle między −10 a −8 LUFS, bo materiał jest z natury ciągły; jazz, folk, muzyka dawna i nagrania organowe lądują między −18 a −13 LUFS, bo nie jest. Jedno i drugie jest poprawne. Błędem jest płyta kapeli góralskiej dociśnięta do −8 LUFS, a nie płyta kapeli góralskiej mierząca −16 LUFS.

10.2 Jeżeli master jest już przedawiony

Masz gotowy, mocno zlimitowany master i właśnie przeczytałeś powyższe. Trzy uczciwe opcje, w kolejności preferencji:

Zmasteruj od nowa z miksu. Jedyna realna naprawa. Limitowanie szczytowe jest nieodwracalne; transjentów, które zostały usunięte, nie ma w pliku. Jeśli masz miks, cofnij limiter i wyrenderuj ponownie.

Obniż sufit i nie ruszaj reszty. Jeżeli masz tylko master, a jego true peak leży powyżej −1 dBTP, zastosuj limitowanie true peak albo bezpieczne obniżenie wzmocnienia, żeby doprowadzić plik do −1 dBTP, i na tym poprzestań. To naprawia błąd dostawy, nie udając naprawy dynamiki.

Nie rób nic. Master na −8 LUFS z sufitem −1 dBTP nie jest zepsuty. Odtworzy się na tym samym poziomie co wszystko inne, tylko trochę bardziej płasko, niż mógłby. Nadmierne limitowanie jest straconą szansą, a nie usterką — plik zagra, po prostu nie zagra tak dobrze, jak mógł.

10.3 Poziom to nie dynamika

Trzymaj te dwie rzeczy osobno w głowie, bo ich mylenie jest źródłem większości złych decyzji.

Poziom to miejsce, w którym siedzi cały utwór. Jest jedną liczbą, ustawia go suwak, nic nie kosztuje, a w warunkach normalizacji wybiera go serwis, nie Ty.

Zakres dynamiki to relacja między częściami głośnymi i cichymi — zarówno z chwili na chwilę (współczynnik szczytu, PLR), jak i z części na część (LRA). Jego wytworzenie coś kosztuje, limitowanie go niszczy, i nie da się go odzyskać dalej w torze.

Nie konkurujesz już poziomem — ustala go serwis — więc każdy decybel wydany na poziom jest wydany z budżetu, którego słuchacz nigdy nie zobaczy. Normalizacja nie odebrała możliwości zrobienia głośno brzmiącej płyty. Odebrała możliwość zrobienia jej przez bycie głośnym. Wrażenie intensywności bierze się teraz z gęstości aranżacji, kontrastu transjentów, ciężaru w niskim środku i wielkości skoku między częściami — czyli z rzeczy, które przechodzą przez tłumienie −6 dB bez zmiany.

10.4 Co naprawdę nie ma znaczenia

• Trafienie w wartość LUFS co do dziesiątej. Nic się nie zaokrągla, nic nie zostanie odrzucone, a różnica między −14,0 a −13,4 LUFS jest niesłyszalna. Tolerancja ±1 LU jest hojna i nikt jej nie zauważy.
• Osobne mastery dla różnych serwisów. Opublikowane i powtarzane cele rozciągają się na jakieś 2 LU. Jeden master na −1 dBTP z sensowną dynamiką jest poprawny wszędzie.
• Częstotliwość próbkowania i dithering na masterze 24-bitowym. Oddawaj w natywnej częstotliwości miksu; podbijanie niczego nie wnosi, a dither 24-bitowy leży daleko poniżej wszystkiego, co przetrwa dystrybucję.
• Nadawcze −23 LUFS. Jeżeli nie oddajesz materiału do emisji, R 128 nie jest Twoją specyfikacją.
• Marka wtyczki mierzącej. Dowolny miernik zgodny z BS.1770, z trybem true peak i odpowiednim nadpróbkowaniem, zgadza się z każdym innym co do ułamka LU. Rozbieżności biorą się z implementacji bramkowania albo nadpróbkowania, nie z jakości.

10.5 Lista kontrolna przed oddaniem

1. Miernik zgodny z BS.1770 (najlepiej cytujący −5), tryb true peak włączony, nadpróbkowanie 8× lub wyżej.
2. Głośność zintegrowana zmierzona na całym utworze, od pierwszej do ostatniej próbki.
3. True peak ≤ −1 dBTP; jeżeli master jest głośniejszy niż −14 LUFS — ≤ −2 dBTP.
4. LRA zmierzone miernikiem, który przeszedł test z sekcji 6.3.
5. Utwory na albumie niewyrównane ręcznie do jednej wartości — względne poziomy zostawione tak, jak zostały zamierzone.
6. Odsłuch kontrolny po normalizacji: ścisz plik o różnicę względem −14 LUFS i posłuchaj. To jest to, co usłyszy słuchacz.

11. Podsumowanie

Zmierz głośność zintegrowaną gotowego mastera miernikiem zgodnym z BS.1770 — obowiązuje edycja −5 z listopada 2023, nie −4. Ustaw sufit szczytu rzeczywistego na −1 dBTP, a na −2 dBTP, jeżeli jesteś głośniejszy niż −14 LUFS. Do decyzji o balansie używaj głośności krótkoterminowej, a zintegrowanej wyłącznie do weryfikacji. Pamiętaj, że bramka względna pomiaru zintegrowanego leży 10 LU poniżej średniej po bramce bezwzględnej, a bramka LRA — 20 LU. Pamiętaj też, że normalizacja w górę istnieje, ale jest ograniczona zapasem dynamicznym, więc bardzo cichy master nie zawsze zostanie podniesiony do celu. Poziom odtwarzania ustala serwis, nie Ty — wysiłek, który poszedłby na poziom, wydaj na to, co słuchacz nadal może usłyszeć.

Mazufa dystrybuuje muzykę bez opłaty za wysyłkę plików, bez abonamentu i bez opłaty za wydawnictwo; jedynym potrąceniem jest 5% otrzymanych tantiem, a każde kompletne zgłoszenie przechodzi weryfikację przez człowieka.

Źródła

ITU-R BS.1770 — algorytm pomiaru, ważenie K, bramkowanie, szczyt rzeczywisty

• Recommendation ITU-R BS.1770-5 (11/2023), Algorithms to measure audio programme loudness and true-peak audio level (pełny tekst PDF): https://www.itu.int/dms_pubrec/itu-r/rec/bs/R-REC-BS.1770-5-202311-I!!PDF-E.pdf
• Strona rekomendacji BS.1770 i historia edycji (BS.1770-0 do BS.1770-5): https://www.itu.int/rec/R-REC-BS.1770/en

EBU — cel nadawczy, okna pomiarowe, zakres głośności

• EBU R 128, Loudness normalisation and permitted maximum level of audio signals (−23 LUFS): https://tech.ebu.ch/publications/r128
• EBU Tech 3341, Loudness Metering: EBU Mode metering to supplement EBU R 128 (momentary 400 ms, short-term 3 s): https://tech.ebu.ch/publications/tech3341
• EBU Tech 3342, Loudness Range: A measure to supplement EBU R 128 loudness normalisation (bramka −20 LU; 10. i 95. percentyl), PDF: https://tech.ebu.ch/docs/tech/tech3342.pdf

AES — zalecenia dla streamingu

• AES TD1008.1.21-9, Recommendations for Loudness of Internet Audio Streaming and On-Demand Distribution (−16 LUFS muzyka, −14 LUFS album, −18 LUFS mowa, −1 dBTP), PDF: https://aes2.org/wp-content/uploads/2024/01/20210924_TD1008_v3.13.pdf
• Strona dokumentu AES TD1008: https://aes.org/technical-council/technical-document-aestd1008/

Spotify — opublikowana specyfikacja normalizacji

• Spotify for Artists, Loudness normalization (−14 LUFS; −1 dBTP / −2 dBTP; normalizacja w górę i zapas dynamiczny; normalizacja albumowa): https://support.spotify.com/us/artists/article/loudness-normalization/

Nieopublikowane przez żaden serwis. Wartości podane dla Apple Music, YouTube Music, Amazon Music, TIDAL i Deezer są szeroko powtarzanymi pomiarami osób trzecich. Nie przytaczamy dla nich źródła pierwotnego, ponieważ takie nie istnieje — serwisy te nie publikują specyfikacji normalizacji.