Chuẩn hoá độ lớn cho streaming: tài liệu kỹ thuật cho người làm nhạc Việt Nam

Bản master của tôi nên đo bao nhiêu LUFS?

Hãy đặt trần đỉnh thực (true peak) ở −1 dBTP và để độ lớn tích hợp (integrated loudness) rơi vào đúng chỗ mà bản nhạc tự nhiên đưa nó tới, thay vì ép nó về một con số. Nếu bạn cần một con số đã được công bố để nhắm tới, AES TD1008 khuyến nghị −16 LUFS cho nhạc chuẩn hoá theo từng bài; Spotify chuẩn hoá phát lại về −14 LUFS. Spotify yêu cầu true peak dưới −1 dBTP, và dưới −2 dBTP nếu bản master của bạn to hơn −14 LUFS. Mọi dịch vụ streaming lớn đều hạ những bản master to xuống khi phát, nên một bản master ở −6 LUFS không được phát to hơn một bản ở −14 LUFS — nó được phát ở cùng mức âm lượng, chỉ khác là dải động (dynamic range) đã bị đốt hết. Nói cách khác: nén giới hạn quá tay không mua được độ to, nó chỉ mua được sự phẳng. Hãy chọn trần −1 dBTP, đo độ lớn tích hợp trên bản master đã hoàn thiện, và ngừng đẩy khi các transient bắt đầu bẹt đi. Không có một con số đúng duy nhất, nhưng có một phương pháp đúng.

Vì sao chương này quan trọng đặc biệt với nhạc Việt Nam

Trước khi đi vào cơ chế đo, cần nói rõ một điều mà các tài liệu tiếng Anh không nói: kho nhạc Việt Nam chứa những nhạc cụ mà việc nén giới hạn quá tay không chỉ làm "mất hay", mà làm chúng biến mất về mặt vật lý.

Đàn bầu — ví dụ tốt nhất trên thế giới về hệ số đỉnh

Nếu phải chọn một nhạc cụ duy nhất để giải thích cho một kỹ sư âm thanh vì sao hệ số đỉnh (crest factor) — tỉ số giữa đỉnh và giá trị hiệu dụng của tín hiệu — là một đại lượng có ý nghĩa nghệ thuật chứ không chỉ là một con số trên máy đo, thì đó là đàn bầu.

Đàn bầu chỉ có một dây. Toàn bộ vốn từ vựng biểu cảm của nó — luyến, rung, nhấn, vỗ, chuyền hơi — không nằm ở khoảnh khắc gảy, mà nằm ở những gì xảy ra với nốt nhạc sau khi đã gảy. Người chơi gảy một cái, rồi dùng cần đàn uốn cao độ trong lúc nốt đang tắt dần. Cấu trúc tín hiệu của nó vì thế rất đặc thù:

1. Một transient gảy rất ngắn, biên độ cao, đứng vượt hẳn lên trên mọi thứ xung quanh.
2. Một đuôi vang dài, rất nhỏ, kéo dài nhiều giây — và toàn bộ thông tin âm nhạc nằm ở đuôi này, vì đó là nơi cao độ bị uốn.

Hệ số đỉnh của một nốt đàn bầu đơn lẻ có thể vượt xa bất cứ thứ gì trong một bản pop. Điều này dẫn tới một hệ quả tàn nhẫn và rất dễ kiểm chứng trong phòng thu:

• Một bộ giới hạn (limiter) chỉnh theo thói quen làm pop sẽ nhìn thấy cái transient gảy và ép nó xuống. Kết quả: mất tiếng gảy. Nốt nhạc bỗng "mọc ra" thay vì được bật ra.
• Một cổng nhiễu (noise gate) hoặc một tầng nén nặng tay với ngưỡng đặt theo tai nghe nhạc điện tử sẽ nhìn thấy cái đuôi vang rất nhỏ kia và coi nó là nhiễu nền, rồi cắt hoặc kéo nó lên/xuống một cách phi tự nhiên. Kết quả: mất phần luyến.

Bỏ đi transient thì mất tiếng gảy. Bỏ đi đuôi vang thì mất câu nhạc. Bỏ cả hai thì đàn bầu không còn tồn tại nữa — cái còn lại chỉ là một sóng sin bị bóp méo với chút vibrato. Đây không phải một phép ẩn dụ; đây là điều thực sự xảy ra khi một bản thu đàn bầu đi qua một chuỗi master được dựng sẵn cho nhạc thị trường.

Và điểm mấu chốt của toàn bộ tài liệu này là: bạn đánh đổi tất cả những thứ đó để lấy một mức âm lượng mà dịch vụ streaming sẽ lấy lại của bạn ngay khi phát.

Ca trù — bài toán mẫu hoàn hảo cho cổng tương đối −10 LU

Nếu đàn bầu là ví dụ về hệ số đỉnh trong phạm vi một nốt, thì ca trù là ví dụ về dải động trong phạm vi một tác phẩm.

Một canh hát ca trù có ba nguồn âm với ba mức hoàn toàn khác nhau:

• Giọng đào nương, hát gần như thì thầm, nảy hạt, ở một mức rất nhỏ và rất ổn định.
• Đàn đáy, đệm thưa, gảy từng tiếng một, để trống rất nhiều khoảng lặng; cùng với phách do chính đào nương gõ.
• Trống chầu, do quan viên — tức người nghe — cầm roi điểm vào. Đây là chỗ đặc biệt: tiếng trống chầu không phát ra từ sân khấu mà phát ra từ vị trí của người nghe, đột ngột, rất to, và không theo một chu kỳ đều đặn nào mà mixer có thể dự đoán.

Chênh lệch giữa một câu hát nảy hạt và một tiếng trống chầu điểm vào có thể đạt tới khoảng 20 LU trong một bản thu không can thiệp. Đây là một trong những dải động rộng nhất mà bạn gặp trong nhạc thu thanh, và nó là bài toán mẫu hoàn hảo để hiểu cổng tương đối −10 LU của phép đo tích hợp (xem phần cơ chế bên dưới).

Hãy làm thử phép tính. Giả sử phần lớn thời lượng của bản thu là giọng hát và đàn đáy ở mức khối (block) khoảng −33 LUFS, còn các tiếng trống chầu và những đoạn cao trào đẩy các khối lên khoảng −18 LUFS. Sau cổng tuyệt đối −70 LUFS (chỉ loại bỏ được im lặng số và tiếng phòng), trung bình của các khối sống sót sẽ bị kéo lên bởi các khối to. Giả sử trung bình đó là −26 LUFS, thì ngưỡng tương đối là −36 LUFS — và trong trường hợp này gần như mọi khối đều sống sót, kể cả giọng thì thầm. Nhưng nếu bạn nén bản thu đó lại để "cho dễ nghe trên điện thoại", đẩy giọng lên −20 LUFS và ghìm trống chầu xuống −16 LUFS, thì trung bình gated tăng lên, ngưỡng tương đối tăng theo, và con số tích hợp bạn nhận được cao hơn — trong khi thứ bạn đã bán đi chính là toàn bộ lý do người ta nghe ca trù.

Bài học chung: độ lớn tích hợp của một bản nhạc thực chất là độ lớn trung bình của những phần to của nó, không phải của cả bài. Với ca trù, "phần to" là trống chầu và những chỗ cao trào. Thêm hai phút dạo đàn đáy rất khẽ vào đầu bản thu gần như không làm thay đổi con số tích hợp — và rất nhiều kỹ sư ngạc nhiên vì điều này.

Cải lương và câu vọng cổ — cao trào là một sự kiện động

Trong cải lương, chỗ xuống câu vọng cổ là một sự kiện được xây dựng bằng thời gian và bằng sự chờ đợi. Người nghe biết nó sắp đến; nói lối dẫn vào, dàn nhạc thưa dần, rồi giọng ca rơi xuống chữ "hò" và cả không gian mở ra. Đó là một sự kiện động (dynamic event), không phải một sự kiện âm lượng.

Đây chính là chỗ mà độ lớn ngắn hạn (short-term, cửa sổ 3 giây) là công cụ đúng, còn độ lớn tích hợp thì hoàn toàn vô dụng. Nếu bạn master một tuồng cải lương bằng cách nhìn đồng hồ tích hợp, bạn sẽ nén dải cho tới khi chỗ xuống vọng cổ không còn khác gì đoạn nói lối trước nó. Bản thu vẫn "to", vẫn "sạch", và cái khoảnh khắc mà toàn bộ hình thức âm nhạc được xây dựng để hướng tới đã bị san phẳng.

Cách làm đúng: đo bằng short-term, xem đoạn nói lối và đoạn vọng cổ chênh nhau bao nhiêu LU, và quyết định con số đó bằng tai nghệ thuật, rồi mới kiểm tra tích hợp một lần cuối như một bước nghiệm thu.

Trống, sênh, phách — kẻ gây đỉnh liên mẫu

Trống chầu, trống cơm, trống đế, sênh tiền, phách đều là những nguồn transient thuần tuý: năng lượng dồn vào vài mili giây, phổ trải rộng lên tận vùng cao. Với chúng có hai vấn đề riêng biệt, và người ta hay lẫn lộn:

1. Bộ giới hạn làm nhoè cú đánh. Một limiter với thời gian tấn công (attack) vài trăm micro giây sẽ ăn mất mép trước của tiếng phách. Cái còn lại vẫn là "tiếng gõ", nhưng nó không còn ở đúng vị trí thời gian trong đầu người nghe nữa — và với một bộ gõ mà toàn bộ chức năng là đánh dấu nhịp, đó là một tổn thất về cấu trúc chứ không phải về màu sắc.
2. Chúng là thủ phạm gây đỉnh liên mẫu (inter-sample peak). Chính những transient rộng phổ, dốc đứng này tạo ra các đỉnh nằm giữa hai mẫu mà đồng hồ đỉnh mẫu (sample peak) không nhìn thấy được. Một bản thu tiếng sênh tiền có đỉnh mẫu đọc −0,3 dBFS hoàn toàn có thể có true peak trên 0 dBTP, và sẽ bị clip trong bộ giải mã AAC hoặc Ogg của dịch vụ streaming. Xem phần true peak bên dưới.

Thực tế sản xuất ở Việt Nam: master cho loa điện thoại, cho karaoke, cho video ngắn

Đây là phần thực tế nhất của tài liệu này, và nó áp dụng cho một tỉ trọng rất lớn nhạc Việt Nam đang phát hành.

Một lượng rất lớn bản thu Việt Nam được master với ba mục tiêu trong đầu: nghe rõ trên loa điện thoại, dùng được trong hệ thống karaoke, và nổi bật trong feed video ngắn. Cả ba mục tiêu đó đều thưởng cho việc nén mạnh: loa điện thoại không có đáp tuyến trầm nên kỹ sư đẩy trung âm và ghìm dải động; karaoke cần beat "chắc" ở mức cố định; nền tảng video ngắn được nghe trong môi trường ồn, lướt qua trong hai giây. Sau đó chính file đó được nộp thẳng lên các dịch vụ streaming, không sửa gì.

Hãy làm phép tính trên một bản master ở −6 LUFS, một con số hoàn toàn có thật trong các bản phát hành nhạc Việt thương mại.

• Mục tiêu công bố của Spotify là −14 LUFS. Độ lệch là −6 − (−14) = 8 dB. Spotify sẽ áp −8 dB khi phát.
• Trần đỉnh của bạn giả sử là −1 dBTP. Sau khi hạ 8 dB, các đỉnh nằm ở −9 dBTP.
• Tỉ số đỉnh trên độ lớn (PLR) của bản master đó là 5 LU.

Bây giờ so với một bản master khác của đúng bản mix ấy, hoàn thiện ở −14 LUFS với cùng trần −1 dBTP: PLR là 13 LU. Khi phát trên Spotify, độ lệch là 0 dB, đỉnh nằm ở −1 dBTP.

Hai bản phát ra ở cùng một mức âm lượng cảm nhận. Người nghe không nghe thấy bản −6 LUFS to hơn. Cái duy nhất khác nhau là bản −6 LUFS đã vĩnh viễn mất 8 dB hệ số đỉnh, và không có gì trong chuỗi phát lại trả lại được. Cụ thể, thứ đã mất là:

• mép trước của tiếng trống và tiếng phách;
• tiếng gảy của đàn bầu, đàn tranh, đàn nguyệt;
• khoảng cách giữa đoạn nói lối và câu vọng cổ;
• cảm giác giọng hát đứng trước ban nhạc thay vì bị ép vào trong nó.

Chuẩn hoá độ lớn biến cuộc chiến âm lượng thành một cuộc chiến dải động mà bản to nhất tự động thua. Đây là toàn bộ luận điểm, và nó không phụ thuộc vào thẩm mỹ.

Điều này không có nghĩa là bản master karaoke hay bản master cho video ngắn là sai. Nó có nghĩa là chúng là những sản phẩm khác, cho những chuỗi phát lại khác, và việc nộp thẳng chúng lên streaming là một quyết định mà hầu như không ai cân nhắc một cách có ý thức.

Hai lưu ý cần thiết. Thứ nhất, chuẩn hoá có thể bị tắt: người nghe có thể tắt nó trong cài đặt, và một số ngữ cảnh — phần mềm DJ, nhạc đồng bộ cho phim quảng cáo, file tải về phát qua cổng AUX trên ô tô — không bao giờ áp dụng nó. Thứ hai, chuẩn hoá đi lên là có thật nhưng có điều kiện (xem ngay dưới đây).

Chuẩn hoá đi lên: Spotify có kéo bản nhỏ lên không?

Có — nhưng bị giới hạn bởi khoảng dự trữ (headroom), và đây là chỗ hai câu nói phổ biến đều sai.

Spotify công bố rõ: "Positive gain is applied to softer masters so the loudness level is -14 dB LUFS" — nghĩa là hệ số khuếch đại dương được áp cho các bản master nhỏ để đưa độ lớn về −14 dB LUFS. Nhưng cùng trang đó cũng nói: "We consider the headroom of the track, and leave 1 dB headroom for lossy encodings to preserve audio quality." — dịch vụ có xét khoảng dự trữ của bản nhạc, và chừa 1 dB khoảng dự trữ cho mã hoá tổn hao nhằm giữ chất lượng âm thanh.

Hệ quả thực tế:

• Sai: "Bản master nhỏ thì không được kéo lên." — Sai, Spotify nói rõ là có.
• Cũng sai: "Bản master nhỏ thì luôn được kéo lên đúng mức mục tiêu." — Cũng sai, vì nếu kéo lên đủ sẽ làm đỉnh vượt quá khoảng dự trữ 1 dB mà dịch vụ giữ lại, thì nó không được kéo lên hết.

Điều này quan trọng đúng với loại nhạc mà tài liệu này đang nói tới. Một bản thu ca trù hoặc một bản độc tấu đàn bầu, thu mộc, có thể đo rất nhỏ ở mức tích hợp (ví dụ −24 LUFS) nhưng vẫn có đỉnh rất cao vì hệ số đỉnh của nó lớn. Đó chính là trường hợp mà chuẩn hoá đi lên bị chặn. Vì vậy lời khuyên "cứ master thật nhỏ đi, dịch vụ sẽ kéo lên" là một lời khuyên nguy hiểm: có thể nó sẽ không kéo lên.

Spotify cũng nói về chuẩn hoá theo album: album được chuẩn hoá như một khối, để "the softer tracks are as soft as you intend them to be" — các bài nhỏ vẫn nhỏ đúng như ý bạn. Tương quan mức giữa các bài trong một album được giữ nguyên. Với một album cải lương hoặc một album nhạc lễ có bố cục mức âm lượng theo tuồng tích, đây là điều rất đáng biết.

LUFS thực sự đo cái gì

LUFS là viết tắt của Loudness Units relative to Full Scale — đơn vị độ lớn so với toàn thang. LKFS (Loudness, K-weighted, relative to Full Scale) là cùng một đơn vị dưới một cái tên khác; tài liệu ITU dùng LKFS, tài liệu EBU dùng LUFS, và chúng bằng nhau về số.

LU có cùng kích thước với dB — một Loudness Unit bằng một decibel — nhưng LUFS là thang tuyệt đối còn LU là thang tương đối. "+3 LU" và "+3 dB" là cùng một độ lớn thay đổi; "−14 LUFS" và "−14 dB" thì hoàn toàn không phải một thứ.

Phép đo định nghĩa trong ITU-R BS.1770 không phải RMS và không phải peak. Nó là trung bình bình phương của tín hiệu đã lọc, cộng qua các kênh với trọng số riêng cho từng kênh, rồi cổng (gate) theo thời gian. Ba thứ phân biệt nó với một đồng hồ RMS thường: bộ lọc trọng số K, phép cộng kênh, và cơ chế gating. Bộ lọc và gating là nơi tập trung gần như toàn bộ hiểu lầm.

Trọng số K: hai tầng lọc

Trọng số K (K-weighting) là một chuỗi đúng hai khâu bậc hai áp lên từng kênh trước khi lấy trung bình bình phương.

Tầng 1 — bộ lọc "đầu người" (head filter). Một bộ lọc kệ cao (high-shelf) nâng phần trên của phổ. Nó mô hình hoá hiệu ứng âm học của cái đầu người trong trường âm — sự che chắn và nhiễu xạ khiến người nghe nhạy hơn với tần số cao đến từ phía trước so với một chiếc micro trần.

Tầng 2 — bộ lọc thông cao RLB. Revised Low-frequency B-curve: một bộ lọc thông cao cắt bớt phần đáy, phản ánh việc tần số thấp đóng góp vào độ lớn cảm nhận ít hơn so với năng lượng của chúng. Đây là lý do một bản nhạc có lượng siêu trầm khổng lồ không đo to như cảm giác trong club, và đo nhỏ hơn kỳ vọng của kỹ sư.

Hệ số khuếch đại của đường cong trọng số K tại 1 kHz là +0,698 dB, tức hệ số tuyến tính 1,0836. Đây không phải một hằng số tuỳ tiện; nó rơi ra từ đáp tuyến của khâu kệ cao và khâu thông cao tại tần số đó.

Vì sao cần đường cong này

Một đồng hồ RMS không trọng số sẽ nói rằng sóng sin 40 Hz và sóng sin 3 kHz cùng biên độ thì to bằng nhau. Không người nghe nào đồng ý. Trọng số K là một xấp xỉ cố tình thô của hành vi đẳng độ lớn — đơn giản hơn nhiều so với các đường cong Fletcher–Munson, và được chọn cho đơn giản để các bản triển khai độc lập đồng ý với nhau tới từng phần nhỏ của một LU.

**Trọng số K không phải là một nỗ lực mô hình hoá thính giác cho chính xác; nó là một nỗ lực mô hình hoá thính giác cho giống nhau trên mọi đồng hồ đo trên thế giới — và đó chính là lý do nó hiệu quả.** Hai đồng hồ tuân thủ chuẩn đo cùng một file sẽ cho kết quả gần nhau đủ để việc so sánh giữa các dịch vụ trở nên có nghĩa.

Phiên bản nào đang có hiệu lực

BS.1770 có sáu phiên bản: -0 (2006), -1 (2007), -2 (2011), -3 (2012), -4 (2015), -5 (11/2023).

BS.1770-5 (tháng 11 năm 2023) là phiên bản đang có hiệu lực. BS.1770-4 (tháng 10 năm 2015) đã bị thay thế, mặc dù -4 vẫn là phiên bản mà đa số đồng hồ đo đang triển khai ghi trong tài liệu của họ. Khi bạn viết một đặc tả giao nộp, hãy ghi -5. Mọi cơ chế mô tả trong tài liệu này — hai tầng lọc, khối 400 ms, hai cổng, sàn lấy mẫu quá mức 4× — đều đối chiếu theo BS.1770-5 như đã công bố.

Cơ chế gating, đầy đủ

Gating là phần bị mô tả sai nhiều nhất trong toàn bộ đặc tả, kể cả trong những nguồn nghiêm túc. Độ lớn tích hợp là một phép đo hai lần cổng.

Bước 1: chia khối

Tín hiệu được chia thành các khối gating 400 ms, chồng lấn 75%. Chồng lấn 75% trên khối 400 ms nghĩa là cứ 100 ms lại bắt đầu một khối mới. Mỗi khối có giá trị độ lớn trung bình bình phương trọng số K của riêng nó. Phần chồng lấn không phải để trang trí: nó ngăn một sự kiện to nằm vắt qua ranh giới hai khối bị chia đôi và đếm thiếu. Với tiếng trống chầu điểm bất chợt, đây chính xác là tình huống mà chồng lấn được thiết kế để xử lý.

Bước 2: cổng tuyệt đối

Mọi khối đo dưới −70 LKFS bị loại bỏ và không tham gia vào phần còn lại của phép đo. Việc này loại đi im lặng số, đuôi fade, tiếng phòng và các khoảng nghỉ giữa các bài, để một bản nhạc có đoạn kết im lặng dài không đo nhỏ hơn chính nó khi bị cắt gọn.

Lưu ý cho các bản thu dân gian thu hiện trường: nền phòng của một canh hát thu tại đình làng thường cao hơn −70 LUFS, nên nó không bị cổng tuyệt đối loại. Đó là lý do cổng tương đối tồn tại.

Bước 3: cổng tương đối — chỗ hay bị nói sai nhất

Tính độ lớn trung bình của những khối đã sống sót qua cổng tuyệt đối. Trừ đi 10. Kết quả đó là ngưỡng tương đối. Loại bỏ mọi khối nằm dưới ngưỡng ấy. **Độ lớn tích hợp là trung bình của các khối sống sót qua cả hai cổng.**

Sự phân biệt này rất hay bị đánh mất: cổng tương đối đặt thấp hơn 10 LU so với trung bình đã qua cổng tuyệt đối, chứ không phải thấp hơn 10 LU so với trung bình chưa qua cổng của cả file. BS.1770-5 nói rõ ngưỡng tương đối được suy ra bằng cách "subtracting 10 from the result" của phép đo có cổng tuyệt đối.

Nếu bạn tính trung bình trên tất cả các khối, bao gồm cả những khối dưới −70 LKFS, bạn sẽ nhận được một trung bình thấp hơn, một ngưỡng thấp hơn, nhiều khối nhỏ được nhận vào hơn, và một giá trị tích hợp đọc quá thấp — và sai số này lớn dần theo lượng im lặng trong file. Đây là nguyên nhân số một khiến hai đồng hồ đo bất đồng trên cùng một bản nhạc.

Hệ quả nghe được của cổng tương đối −10 LU rất đáng ghi nhớ, và ví dụ ca trù ở đầu tài liệu là minh hoạ hoàn chỉnh của nó: độ lớn tích hợp của bản nhạc thực chất là độ lớn trung bình của những phần to, không phải của cả bản nhạc. Một bài có đoạn mở đầu thì thầm 40 giây và một điệp khúc dày đặc được đo gần như hoàn toàn trên điệp khúc.

Momentary, short-term, integrated: dùng đồng hồ nào, khi nào

Ba cửa sổ thời gian được chuẩn hoá, và chúng trả lời ba câu hỏi khác nhau. EBU Tech 3341 định nghĩa hành vi của các đồng hồ này.

Tức thời (Momentary, M) — 400 ms, không cổng. Cùng cửa sổ với khối gating. Nó bám theo từng sự kiện: một tiếng trống, một phụ âm bật của ca sĩ, một cú phách. Dùng nó để bắt lỗi — một tiếng trống nhô lên 6 LU so với xung quanh, một đoạn tự dưng nhảy ra. Đừng dùng nó để ra quyết định về mức; nó quá nhạy, và việc chạy theo đồng hồ momentary tạo ra đúng cái kết quả nén bẹt mà chuẩn hoá sẽ trừng phạt.

Ngắn hạn (Short-term, S) — 3 giây, không cổng. Ba giây xấp xỉ một câu nhạc. Short-term là đồng hồ đúng cho các quyết định cân bằng bên trong một bản nhạc, vì ba giây là thang thời gian mà người nghe thực sự cảm nhận một đoạn là to hay nhỏ. Đây là đồng hồ để so đoạn nói lối với câu vọng cổ, để kiểm tra một đoạn cầu nối có bị sụp không, và để nhìn thấy hình dáng của bản phối dưới dạng con số.

Tích hợp (Integrated, I) — toàn bộ chương trình, hai lần cổng. Đây là con số mà các dịch vụ dùng để chuẩn hoá, và là con số duy nhất nên xuất hiện trong một đặc tả giao nộp. Đo trên toàn bộ bản nhạc từ mẫu đầu tới mẫu cuối, không phải trên một đoạn được chọn. Độ lớn tích hợp là một đặc tả giao nộp, không phải một công cụ mixing; nếu bạn đang nhìn nó trong lúc làm việc, bạn đang nhìn sai đồng hồ.

Quy tắc thực dụng: mix và master bằng short-term, nghiệm thu bằng integrated, truy vết bất thường bằng momentary.

Loudness Range (LRA) và cổng −20 LU

Dải độ lớn (Loudness Range, LRA), đặc tả trong EBU Tech 3342, là một con số duy nhất mô tả độ lớn của bản nhạc biến thiên bao nhiêu theo thời gian. Nó được tính từ phân bố các giá trị độ lớn ngắn hạn (3 giây): LRA là hiệu giữa phân vị thứ 10 và phân vị thứ 95 của phân bố ấy — chính vì thế mà những cực trị thoáng qua ở hai đầu không chi phối kết quả.

LRA có cơ chế cổng riêng, và nó không giống cổng của phép đo tích hợp. Tech 3342 đặt ngưỡng tương đối của LRA ở −20 LU dưới mức độ lớn đã qua cổng tuyệt đối, không phải −10 LU. Cổng rộng hơn là có chủ ý: LRA đang cố mô tả sự biến thiên, nên nó buộc phải nhận vào những đoạn nhỏ mà phép đo tích hợp được thiết kế để loại ra.

Đây là một lỗi triển khai có thật, không phải một chuyện lý thuyết. Những đồng hồ dùng lại cổng tương đối −10 LU của integrated cho LRA sẽ báo giá trị thấp một cách hệ thống, vì chúng đã vứt đi đúng phần vật liệu nhỏ tạo nên cái dải cần đo. Nếu đồng hồ của bạn báo LRA thấp hơn hẳn một đồng hồ khác trên cùng một file, thứ đầu tiên cần nghi ngờ là một cổng −10 LU đặt nhầm chỗ của −20 LU.

Bạn có thể tự kiểm tra: nối thêm 20 giây vật liệu ở mức thấp hơn thân bài 15 LU. Một bản triển khai đúng sẽ cho LRA tăng đáng kể; một bản hỏng gần như không nhúc nhích. Với kho nhạc Việt Nam, một bản thu ca trù là file kiểm thử tự nhiên tốt nhất cho lỗi này: nếu đồng hồ của bạn báo LRA khoảng 6–8 LU trên một canh hát mà tai bạn nghe rõ là chênh lệch cực lớn, đồng hồ của bạn đang sai.

Để định hướng chứ không phải làm mục tiêu: các bản master pop và điện tử nén mạnh thường rơi vào khoảng 3–5 LU; một bản mix toàn dải được kiểm soát tốt khoảng 6–9 LU; nhạc giao hưởng và thu mộc acoustic thường trên 12 LU. LRA là mô tả, không phải mục tiêu; đuổi theo một con số LRA cũng sai lầm như đuổi theo một con số LUFS.

True peak so với sample peak

Khác nhau ở đâu

Đồng hồ đỉnh mẫu (sample peak) báo giá trị mẫu tuyệt đối lớn nhất trong file. Đó không phải giá trị lớn nhất mà tín hiệu đạt tới: các mẫu chỉ là những điểm trên một dạng sóng liên tục, và dạng sóng giữa hai mẫu có thể vượt cao hơn cả hai. Dạng sóng tương tự được tái tạo có thể vượt quá mẫu cao nhất trong file, và một đồng hồ đỉnh mẫu về mặt cấu trúc là không thể nhìn thấy điều đó. Những phần nhô ra ấy gọi là đỉnh liên mẫu (inter-sample peak); mức của dạng sóng tái tạo gọi là đỉnh thực (true peak), đo bằng dBTP.

Một file "an toàn" về mặt số học, mẫu cao nhất chỉ tới −0,1 dBFS, hoàn toàn có thể có true peak trên 0 dBTP. Trong file không có gì bị clip. Nhưng mọi thứ ở phía sau có nhiệm vụ tái tạo dạng sóng — một DAC, một bộ chuyển đổi tần số lấy mẫu, một bộ giải mã tổn hao — đều có thể clip nó.

Như đã nói ở phần trên, các bộ gõ Việt Nam — sênh tiền, phách, trống đế, trống chầu — là những thủ phạm điển hình, vì transient của chúng dốc và rộng phổ. Tiếng gảy của đàn bầu và đàn tranh cũng vậy.

Vì sao bắt buộc phải lấy mẫu quá mức

Muốn nhìn thấy đỉnh thực, bạn phải tái tạo dạng sóng giữa các mẫu. BS.1770 quy định làm việc đó bằng lấy mẫu quá mức (oversampling): tối thiểu 4× ở 48 kHz, và khuyến nghị ghi rõ rằng "Higher sampling rates and over-sampling ratios are preferred." — tần số lấy mẫu và tỉ số lấy mẫu quá mức cao hơn thì tốt hơn.

4× là sàn tuân thủ, không phải câu trả lời chính xác; ở 4×, phép đo vẫn có thể đọc thiếu vài phần mười dB so với đỉnh thật. Hãy dùng 8× hoặc 16× nếu đồng hồ của bạn có; chi phí CPU thêm vào là không đáng kể còn độ chính xác thêm vào thì có. Một đồng hồ không có chế độ true peak / dBTP tường minh là một đồng hồ đỉnh mẫu, bất kể tài liệu của nó ngụ ý gì.

Vì sao mã hoá tổn hao làm đỉnh cao lên

Một codec tổn hao — AAC, Ogg Vorbis, MP3 — không tái tạo dạng sóng theo từng mẫu. Nó tái tạo một dạng sóng tương tự về mặt cảm nhận, và đầu ra của bộ giải mã thường xuyên vượt quá đầu vào của bộ mã hoá. Phần vượt này không phải lỗi mà là hệ quả không tránh khỏi của việc lượng tử hoá và vứt bỏ chi tiết phổ, và nó tỉ lệ với mức độ nguồn đã bị nén giới hạn. Một bản master ở đúng 0,0 dBTP khi giải mã sẽ có đỉnh trên 0 dBFS, và bộ giải mã sẽ clip chúng.

Mọi đặc tả đã công bố đề cập đến chuyện này đều nói cùng một điều. 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: giữ true peak "below −1dB TP (True Peak) max", và với những bản master to hơn −14 LUFS, "keep True Peak below −2dB to avoid extra distortion."

Vậy đặt trần bao nhiêu

Đặt trần đỉnh thực của bộ giới hạn ở −1,0 dBTP cho các bản master thông thường, và −2,0 dBTP nếu bản master của bạn to hơn −14 LUFS tích hợp. Đây không phải một biên độ mê tín; cả hai con số đều là yêu cầu đã công bố từ các nguồn trên, và con số thứ hai tồn tại chính vì vật liệu bị nén giới hạn mạnh hơn thì vọt lố nhiều hơn trong codec.

Hai ghi chú. Trần −0,1 dBTP là một lỗi giao nộp cho streaming, không phải một lựa chọn phong cách. Và một bộ giới hạn đặt ở −1,0 dBTP vẫn phải là một bộ giới hạn đỉnh thực: rất nhiều limiter có núm trần hoạt động theo đỉnh mẫu, và đặt nó ở −1,0 sẽ cho bạn đỉnh liên mẫu ở đâu đó trên −0,5 dBTP.

Nếu bạn muốn kiểm tra một file đã hoàn thiện, mazufa.com có một công cụ đo độ lớn và đỉnh thực miễn phí chạy trên trình duyệt, chạy hoàn toàn trên máy của bạn và không tải file lên bất cứ đâu.

Mỗi dịch vụ thực sự công bố cái gì

Phân biệt giữa đã công bố và được lan truyền rộng rãi là điều quan trọng nhất trong phần này, và gần như không bài viết tiếng Việt nào về chủ đề này giữ được sự phân biệt ấy.

Đặc tả đã công bố

Spotify. Mục tiêu: −14 LUFS tích hợp. Spotify nói rõ họ điều chỉnh các bản nhạc "to −14 dB LUFS" và đo "according to the ITU 1770 standard." Trần đỉnh thực: dưới −1 dBTP; dưới −2 dBTP cho các bản master to hơn −14 LUFS. Spotify cũng nói "positive gain is applied to softer masters so the loudness level is −14 dB LUFS," kèm điều kiện về khoảng dự trữ: "We consider the headroom of the track, and leave 1 dB headroom for lossy encodings to preserve audio quality." Về chuẩn hoá album, Spotify ghi rằng album được chuẩn hoá như một khối để "the softer tracks are as soft as you intend them to be."

EBU R 128. Mục tiêu: −23 LUFS. Đây là khuyến nghị cho phát thanh truyền hình, không phải mục tiêu cho nhạc streaming, và được nhắc ở đây vì nó thường xuyên bị áp dụng nhầm. Một bản master nhạc ở −23 LUFS không "tuân thủ" gì hơn cả — và vì chuẩn hoá đi lên bị giới hạn bởi khoảng dự trữ, nó có thể phát ra nhỏ hơn bạn muốn. Nếu bạn giao nhạc cho VTV, cho đài phát thanh, hoặc cho một nhà sản xuất phim, thì R 128 mới là đặc tả của bạn — và bạn cần hai bản master khác nhau, không phải một.

AES TD1008 (Recommendations for Loudness of Internet Audio Streaming and On-Demand Distribution). Đây là tài liệu công khai hữu ích nhất cho người làm nhạc, và cũng là tài liệu bị trích sai nhiều nhất.

• Nhạc chuẩn hoá theo bài: −16 LUFS, dung sai +0,2 LU.
• Chuẩn hoá theo album, bài to nhất: −14 LUFS, dung sai +0,2 LU.
• Nội dung dẫn dắt bằng lời nói: −18 LUFS, dung sai +1 LU, đo theo độ lớn tích hợp của thoại.
• Đỉnh thực tối đa: −1 dBTP tại đầu vào codec cho các luồng mã hoá tổn hao.

Con số −18 LUFS trong TD1008 là mục tiêu cho nội dung dẫn dắt bằng lời nói — tin tức, toạ đàm, kịch nói — và trích nó như mục tiêu cho nhạc là một sai lầm phổ biến và nghiêm trọng. Con số cho nhạc là −16 LUFS. Nếu bạn thấy ai đó trình bày −18 LUFS như khuyến nghị của AES cho nhạc, người đó đã đọc sai tài liệu.

TD1008 cũng đưa ra một luận điểm về dải động đáng trích nguyên văn: "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." — một bản thu có tỉ số đỉnh trên độ lớn cao thường được cảm nhận là trong hơn và ít gây mệt tai hơn so với bản bị nén giới hạn quá mức. Với một bản thu đàn bầu hay một canh ca trù, câu này không phải một ý kiến thẩm mỹ mà là một mô tả cơ học.

Các dịch vụ không công bố mục tiêu chuẩn hoá

Apple Music, YouTube Music, Amazon Music, TIDAL và Deezer không công bố mục tiêu chuẩn hoá. Họ có chuẩn hoá — điều đó quan sát được — nhưng con số cụ thể không phải là một đặc tả đã công bố, và bất kỳ bài viết nào trình bày nó như một đặc tả là đang trình bày một phép đo hoặc một suy luận dưới dạng một văn bản chính thức.

Được lan truyền rộng rãi, không được dịch vụ công bố. Các con số thường được nhắc: Apple Music ≈ −16 LUFS, YouTube Music ≈ −14 LUFS, Amazon Music ≈ −14 LUFS, TIDAL ≈ −14 LUFS, Deezer ≈ −15 LUFS. Hãy coi chúng là quan sát của bên thứ ba về một mục tiêu di động, không phải đặc tả. Chúng đến từ đo đạc độc lập, chúng đã thay đổi theo thời gian, và không dịch vụ nào cam kết với chúng. Đừng tính ra một mức hạ gain kỳ vọng từ chúng, và đừng master theo một trong số chúng.

Hệ quả thực tế nhỏ hơn vẻ ngoài của nó. Mọi con số được lan truyền đều nằm giữa −16 và −14 LUFS, tức một khoảng rộng 2 LU. Không bản master nào đáng phải làm lại vì 2 LU.

Hướng dẫn thực hành

Cách quyết định mục tiêu

Làm ngược từ âm nhạc ra, không làm xuôi từ con số vào.

1. Chốt trần trước. −1 dBTP, đo theo đỉnh thực, có lấy mẫu quá mức. Đây là ràng buộc cứng duy nhất thực sự trong danh sách này.
2. Master theo âm nhạc. Làm cho cân bằng, màu âm và dải động đúng với bộ giới hạn làm càng ít việc càng tốt. Đừng nhìn đồng hồ tích hợp ở giai đoạn này.
3. Đo kết quả. Con số tích hợp bạn đến được, dù là bao nhiêu, chính là ứng viên của bạn.
4. Kiểm tra tỉnh táo về khoảng. Nếu giá trị tích hợp của bạn nằm giữa khoảng −14 và −9 LUFS, bạn đang ở trong vùng mà mọi mục tiêu đã công bố và mọi con số được lan truyền đều nằm cách nhau vài LU, và không dịch vụ nào làm gì kịch tính với bản nhạc của bạn. Nếu bạn to hơn −9 LUFS, hãy tự hỏi việc nén giới hạn đã mua được gì, vì chuẩn hoá phát lại sẽ lấy lại mức âm lượng đó.
5. Chỉ khi đó mới cân nhắc điều chỉnh, và điều chỉnh bằng cách thay đổi cách master, không phải bằng cách thêm limiter.

Nhắm một con số LUFS bằng cách thêm nén giới hạn cho tới khi đồng hồ đọc đúng chính là hành vi mà chuẩn hoá được thiết kế để làm cho vô nghĩa. Nếu bạn cần con số nhúc nhích, hãy làm nó nhúc nhích bằng gain staging, bằng quyết định trong bản mix, hoặc bằng cách nén ít đi — không phải bằng cách nén nhiều hơn.

Thể loại quan trọng theo cách mà một con số duy nhất không diễn tả được. Nhạc điện tử dày, metal và pop hiện đại thường rơi vào khoảng −10 đến −8 LUFS vì bản thân vật liệu đã liên tục; jazz, dân ca, nhạc thính phòng và toàn bộ khối nhạc cổ truyền Việt Nam rơi vào khoảng −18 đến −13 LUFS vì vật liệu không liên tục. Cả hai đều đúng. Sai lầm là một bản thu ca trù bị nén tới −8 LUFS, không phải một bản thu ca trù đo −16 LUFS.

Nếu bản nhạc của bạn đã bị nén giới hạn rồi

Bạn có một bản master đã hoàn thiện, nén rất mạnh, và bạn vừa đọc những điều trên. Ba lựa chọn trung thực, theo thứ tự ưu tiên:

Master lại từ bản mix. Đây là cách sửa duy nhất thật sự. Nén giới hạn đỉnh không đảo ngược được; những transient đã bị lấy đi không còn nằm trong file. Nếu bạn còn bản mix, hãy kéo limiter lùi lại và render lại.

Hạ trần và để nguyên phần còn lại. Nếu bạn chỉ có bản master và true peak của nó trên −1 dBTP, hãy áp một tầng giới hạn đỉnh thực hoặc giảm gain an toàn để đưa nó về −1 dBTP, rồi dừng lại ở đó. Cách này sửa lỗi giao nộp mà không giả vờ là đang sửa dải động.

Không làm gì cả. Một bản master ở −8 LUFS với trần −1 dBTP không hỏng. Nó phát ra ở cùng mức với mọi thứ khác, chỉ phẳng hơn một chút so với mức đáng lẽ có — một cái giá có thật, nhưng nhỏ hơn cái giá của một lần master lại vội vàng. Nén giới hạn quá tay là một cơ hội bị bỏ lỡ, không phải một khuyết tật — file vẫn phát được, nó chỉ không phát hay được như nó đã có thể.

Dải động và mức âm lượng là hai chuyện khác nhau

Hãy giữ hai khái niệm này tách bạch trong đầu, vì việc nhập nhằng chúng là nguồn gốc của hầu hết các quyết định tồi.

Mức (level) là chỗ toàn bộ bản nhạc đứng. Nó là một con số duy nhất, được đặt bằng một cái fader, nó miễn phí, và dưới chế độ chuẩn hoá nó do dịch vụ chọn chứ không phải bạn.

Dải động (dynamics) là quan hệ giữa phần to và phần nhỏ — vừa theo từng khoảnh khắc (hệ số đỉnh, PLR) vừa theo từng đoạn (LRA). Nó tốn công để tạo ra, nó bị nén giới hạn phá huỷ, và nó không thể phục hồi ở phía sau chuỗi.

Bạn không còn cạnh tranh bằng mức âm lượng nữa — dịch vụ đặt mức đó — nên mỗi decibel bạn tiêu vào mức âm lượng là tiêu từ một ngân sách mà người nghe không bao giờ nhìn thấy. Chuẩn hoá độ lớn không tước đi khả năng làm một bản thu nghe dữ dội. Nó chỉ tước đi khả năng làm điều đó bằng cách to. Cường độ cảm nhận giờ đến từ mật độ phối khí, độ tương phản transient, sức nặng ở dải trung trầm, và độ lớn của cú nhảy giữa các đoạn — những thứ sống sót nguyên vẹn qua một lần hạ 6 dB khi phát lại.

Những thứ thực sự không quan trọng

• Trúng con số LUFS chính xác. Không có gì được làm tròn, không có gì bị đánh trượt, và chênh lệch giữa −14,0 và −13,4 LUFS là không nghe thấy được. Dung sai ±1 LU là rộng rãi và không ai để ý.
• Master riêng cho từng dịch vụ. Các mục tiêu đã công bố và được lan truyền trải trên khoảng 2 LU. Một bản master duy nhất ở −1 dBTP với dải động hợp lý là đúng ở mọi nơi. Master riêng theo dịch vụ là lời giải cho một bài toán mà chuẩn hoá đã giải xong.
• Tần số lấy mẫu và dither trên bản master 24-bit. Giao ở tần số gốc của bản mix; nâng tần số lấy mẫu không thêm gì, và dither 24-bit nằm thấp hơn nhiều so với bất cứ thứ gì sống sót qua khâu phân phối.
• Con số −23 LUFS của phát thanh truyền hình. Trừ khi bạn giao cho đài, R 128 không phải đặc tả của bạn.
• Thương hiệu plugin đo. Bất kỳ đồng hồ nào tuân thủ BS.1770, có chế độ true peak và lấy mẫu quá mức đủ, đều đồng ý với một đồng hồ khác trong phạm vi một phần nhỏ của LU. Bất đồng bắt nguồn từ cách triển khai gating hoặc oversampling, không phải từ chất lượng.

Tóm tắt

Đo độ lớn tích hợp trên bản master hoàn thiện bằng một đồng hồ tuân thủ BS.1770 — và nhớ rằng phiên bản đang có hiệu lực là BS.1770-5 (11/2023), còn BS.1770-4 đã bị thay thế. Đặt trần đỉnh thực ở −1 dBTP, hoặc −2 dBTP nếu bạn to hơn −14 LUFS. Dùng short-term cho quyết định cân bằng, dùng integrated chỉ để nghiệm thu. Nhớ rằng cổng tương đối của integrated là −10 LU dưới trung bình đã qua cổng tuyệt đối, còn của LRA là −20 LU. Nhớ rằng chuẩn hoá đi lên là có thật nhưng bị giới hạn bởi khoảng dự trữ, nên "master thật nhỏ rồi dịch vụ sẽ kéo lên" là một chiến lược không đáng tin.

Và nhớ điều đầu tiên: dịch vụ, chứ không phải bạn, đặt mức phát lại. Hãy tiêu công sức mà bạn định tiêu vào mức âm lượng vào những thứ người nghe còn nghe được — tiếng gảy của đàn bầu, cú roi chầu, và khoảng cách giữa câu nói lối và câu vọng cổ.

Mazufa phân phối nhạc miễn phí: không phí tải lên, không thuê bao, không tính phí theo bản phát hành; khoản khấu trừ duy nhất là 5% trên tiền bản quyền nhận được, và mọi hồ sơ hoàn chỉnh đều được một người thật xem xét.

Nguồn

ITU-R BS.1770 — thuật toán đo, trọng số K, gating, đỉnh thực

• Recommendation ITU-R BS.1770-5 (11/2023), Algorithms to measure audio programme loudness and true-peak audio level (toàn văn PDF): https://www.itu.int/dms_pubrec/itu-r/rec/bs/R-REC-BS.1770-5-202311-I!!PDF-E.pdf
• Trang khuyến nghị BS.1770 và lịch sử phiên bản (BS.1770-0 đến BS.1770-5): https://www.itu.int/rec/R-REC-BS.1770/en

EBU — mục tiêu phát thanh truyền hình, cửa sổ đồng hồ đo, Loudness Range

• 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 (cổng −20 LU; phân vị 10/95), PDF: https://tech.ebu.ch/docs/tech/tech3342.pdf

AES — khuyến nghị cho streaming

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

Spotify — đặc tả chuẩn hoá đã công bố

• Spotify for Artists, Loudness normalization (−14 LUFS; −1 dBTP / −2 dBTP; positive gain và headroom; chuẩn hoá album): https://support.spotify.com/us/artists/article/loudness-normalization/

Không được dịch vụ nào công bố. Các con số nêu cho Apple Music, YouTube Music, Amazon Music, TIDAL và Deezer là kết quả đo của bên thứ ba được lan truyền rộng rãi. Không nguồn sơ cấp nào được dẫn cho chúng vì không tồn tại nguồn như vậy; các dịch vụ này không công bố đặc tả chuẩn hoá.