Apa itu Pengurangan Kebisingan Audio? Penjelasan yang Jelas
Pengurangan kebisingan audio adalah proses mengidentifikasi dan mengurangi suara yang tidak diinginkan dalam rekaman sambil mempertahankan suara yang ingin Anda simpan, biasanya ucapan, musik, atau audio yang dimaksudkan lainnya. Ini adalah salah satu alat yang paling banyak digunakan dalam pasca produksi audio, dan pendekatan berbasis AI telah membuatnya jauh lebih mudah diakses dalam beberapa tahun terakhir.
Apa yang dihitung sebagai “kebisingan”?
Dalam rekayasa audio, kebisingan mengacu pada suara apa pun yang tidak direkam dengan sengaja:
- Kebisingan pita lebar: desis, statis, dan desis pita yang tersebar di semua frekuensi
- Kebisingan nada: dengungan dari interferensi listrik, biasanya pada 50 Hz atau 60 Hz dan harmonik
- Kebisingan impulsif: klik, pop, dan derak dari vinyl, rekaman rusak, atau gangguan listrik
- Kebisingan lingkungan: AC, lalu lintas, angin, hujan, kerumunan
- Kebisingan mandiri: noise floor inheren dari mikrofon dan peralatan perekaman
Jenis kebisingan yang berbeda memerlukan teknik pengurangan yang berbeda.
Metode pengurangan kebisingan tradisional
Sebelum AI menjadi dominan, pengurangan kebisingan mengandalkan algoritma pemrosesan sinyal:
Pengurangan spektral
Metode ini memperkirakan spektrum kebisingan selama bagian “diam” dari rekaman dan mengurangi estimasi kebisingan itu dari seluruh sinyal. Ini bekerja cukup baik pada kebisingan stasioner tetapi sering memperkenalkan artefak “musik kebisingan” yang khas, kualitas bergetar, bergoyang yang banyak pendengar temukan tidak menyenangkan.
Noise gate
Sebuah noise gate membisukan sinyal sepenuhnya ketika jatuh di bawah ambang batas yang ditetapkan. Ini berfungsi untuk kebisingan intermiten antar take tetapi membiarkan kebisingan apa pun yang terjadi bersamaan dengan sinyal yang diinginkan tidak tersentuh.
Filtering adaptif
Filter adaptif memperkirakan dan menghilangkan kebisingan secara terus-menerus, menyesuaikan secara real-time. Mereka memerlukan sinyal referensi (mikrofon terpisah yang hanya menangkap kebisingan) dan lebih umum digunakan dalam aplikasi suara langsung.
Cara kerja pengurangan kebisingan berbasis AI
Pengurangan kebisingan AI modern, seperti yang digunakan dalam alat seperti Noise Remover, mengambil pendekatan yang secara fundamental berbeda. Daripada memperkirakan dan mengurangi kebisingan, ia belajar mengenali ucapan secara langsung.
Sebuah jaringan neural deep dilatih pada ribuan jam audio, baik ucapan bersih maupun ucapan yang dicampur dengan berbagai jenis kebisingan. Seiring waktu, model belajar memprediksi bagaimana ucapan bersih terdengar, bahkan ketika terkubur di bawah kebisingan. Pada waktu inferensi, ia menjalankan audio Anda melalui model yang telah dipelajari ini dan mengeluarkan versi yang dibersihkan.
Pendekatan ini memiliki beberapa keuntungan:
- Ini menangani kebisingan non-stasioner: kebisingan yang berubah dari waktu ke waktu, seperti lalu lintas intermiten, tidak lagi menjadi masalah.
- Ini mempertahankan naturalitas: daripada mengurangi kebisingan yang diperkirakan (yang dapat memperkenalkan artefak), model merekonstruksi ucapan.
- Ini bekerja pada berbagai jenis kebisingan secara bersamaan tanpa konfigurasi pengguna.
Keterbatasan utamanya adalah biaya komputasi. Menjalankan jaringan neural besar memerlukan daya pemrosesan yang signifikan, yang merupakan alasan mengapa denoising AI real-time awalnya hanya tersedia di server yang kuat. Desain model yang dioptimalkan dan teknologi browser modern sekarang memungkinkan untuk berjalan langsung di browser web Anda.
Pengurangan kebisingan vs pembatalan kebisingan
Istilah-istilah ini sering membingungkan:
| Istilah | Apa artinya |
|---|---|
| Pengurangan kebisingan | Memproses audio yang direkam di pasca produksi untuk mengurangi kebisingan |
| Pembatalan kebisingan | Sistem perangkat keras (seperti headphone ANC) yang menghasilkan gelombang suara anti-fase untuk membatalkan kebisingan secara real-time |
Pembatalan kebisingan adalah teknik perangkat keras yang digunakan di headphone dan beberapa mikrofon. Pengurangan kebisingan adalah proses perangkat lunak yang diterapkan pada rekaman. Mereka mengatasi masalah yang berbeda.
Kapan Anda harus menggunakan pengurangan kebisingan?
Pengurangan kebisingan paling efektif ketika:
- Ucapan atau musik jelas lebih keras daripada noise floor
- Kebisingan cukup konsisten untuk dikarakterisasi (desis, dengungan, suara kipas)
- Anda ingin membersihkan rekaman yang tidak dapat direkam ulang
Ini kurang efektif ketika:
- Kebisingan lebih keras dari sinyal yang diinginkan
- Kebisingan berbagi frekuensi dengan sinyal (misalnya, kerumunan selama ucapan)
- Rekaman asli dibuat pada gain yang sangat rendah
Tingkat pemrosesan yang tepat
Pengurangan kebisingan lebih banyak tidak selalu lebih baik. Pemrosesan agresif dapat:
- Menghilangkan “udara” frekuensi tinggi yang membuat suara terdengar natural
- Menciptakan artefak metalik atau robot pada konsonan
- Mengurangi inteligibilitas dengan meratakan transien secara berlebihan
Tujuannya adalah rekaman yang bersih yang masih terdengar seperti manusia, bukan rekaman yang sempurna steril tetapi tidak bernyawa. Mulailah dengan pengaturan moderat dan tingkatkan hanya sebanyak yang diperlukan.
Siap untuk mendengarkan perbedaannya? Coba Noise Remover pada rekaman Anda sendiri.