چگونه پلتفرم‌های استریمینگ با استفاده از استاندارد LUFS به «جنگ بلندی صدا» پایان دادند

در مارس ۲۰۲۲ (اسفند ۱۴۰۰)، چشم‌انداز پخش صوتی دیجیتال بی‌سروصدا تغییر کرد؛ زمانی که اپل قابلیت «بررسی صدا» (Sound Check) در سیستم‌عامل‌های iOS و macOS را به‌روزرسانی کرد تا از یک استاندارد اندازه‌گیری جدید استفاده کند و آن را به‌طور پیش‌فرض «روشن» گذاشت. یان شپرد، مهندس مسترینگ، در آن زمان اشاره کرد: «اپل آخرین سرویس استریم بزرگ بود که از نرمال‌سازی پیش‌فرض و استاندارد LUFS استفاده نمی‌کرد.» با پیوستن اپل به اسپاتیفای، یوتیوب و آمازون موزیک در تنظیم خودکار صدای هر ترک به یک سطح پایه ثابت، این آخرین بازمانده عملاً به یک مسابقه تسلیحاتی چند دهه‌ای در صنعت موسیقی پایان داد. به نظر می‌رسد که جنگ بلندی صدا نه با یک پیمان صلح، بلکه با یک الگوریتم به پایان رسید.[2]

برای بخش عمده‌ای از سی سال گذشته – که از دوران سی‌دی شروع شد و در روزهای اولیه آی‌پاد شتاب گرفت – شرکت‌های ضبط موسیقی بر اساس یک فرض روان‌شناختی ساده و کمی غریزی عمل می‌کردند: بلندتر بهتر به نظر می‌رسد. برای اینکه یک آهنگ در یک پخش رادیویی یا یک دستگاه پخش شش دیسکی برجسته شود، مهندسان مسترینگ از فشرده‌سازی و محدودسازی سنگین استفاده می‌کردند تا بلندترین اوج‌های شکل موج را کوتاه کنند. این کار اجازه می‌داد تا میانگین کلی صدا به شدت به سمت بالا هل داده شود. نتیجه، از دست رفتن چشمگیر دامنه دینامیکی بود، جایی که آرام‌ترین قسمت شعر و بلندترین قسمت کُر تقریباً در یک سطح صدا قرار می‌گرفتند، که اغلب منجر به یک تجربه شنیداری خسته‌کننده و اعوجاج‌یافته می‌شد که گوش‌هایتان را زنگ‌زده رها می‌کرد.

سازوکاری که این رویه را برچید، یک استاندارد بین‌المللی پخش به نام ITU-R BS.1770 است که معیاری به نام LUFS (واحد بلندی صدا نسبت به مقیاس کامل) را معرفی کرد. برخلاف سنجشگرهای اوج سنتی که صرفاً حداکثر ولتاژ الکتریکی یا دامنه دیجیتال یک سیگنال صوتی را اندازه‌گیری می‌کنند، LUFS بلندی صدای درک‌شده را در طول زمان می‌سنجد. این استاندارد یک منحنی اکولایزر خاص – معروف به وزن‌دهی K – اعمال می‌کند که فرکانس‌های بم پایین را کاهش داده و محدوده ۲ تا ۴ کیلوهرتز را تقویت می‌کند، و به این ترتیب حساسیت طبیعی گوش انسان را شبیه‌سازی می‌کند. در اصل، این یک مدل ریاضی از شنوایی انسان است.[1][2]

پلتفرم‌های استریمینگ با در دست داشتن این اندازه‌گیری ادراکی، نرمال‌سازی بلندی صدا را برای حل یک مشکل اساسی در تجربه کاربری پیاده‌سازی کردند. شنوندگان از اینکه مجبور بودند وقتی یک تصنیف آکوستیک آرام بلافاصله پس از یک ترک هوی متال فشرده‌شده پخش می‌شد، به سمت دکمه تنظیم صدا خیز بردارند، متنفر بودند. امروزه، اسپاتیفای، یوتیوب موزیک و آمازون موزیک همگی پخش را به یک هدف یکپارچه ۱۴- LUFS نرمال می‌کنند. اپل موزیک، طبق توصیه‌های انجمن مهندسی صدا، هدف کمی آرام‌تر ۱۶- LUFS را دنبال می‌کند.[1][2]

خود فرآیند نرمال‌سازی به طرز شگفت‌آوری ساده است. وقتی هنرمندی یک ترک را بارگذاری می‌کند، الگوریتم پلتفرم صدا را اسکن می‌کند تا مقدار یکپارچه LUFS آن را در کل زمان پخش محاسبه کند. اگر ترک بلندتر از هدف پلتفرم باشد، سرویس به سادگی یک تنظیم بهره منفی (کاهش صدا) را در حین پخش اعمال می‌کند. یک ترک که با بلندی ۸- LUFS مستر شده باشد، در اسپاتیفای ۶ دسی‌بل و در اپل موزیک ۸ دسی‌بل کم می‌شود.[1][4]

این کاهش بهره خودکار چیزی را ایجاد می‌کند که صنعت صدا آن را «جریمه بلندی صدا» می‌نامد. این جریمه کیفیت صدا را کاهش نمی‌دهد یا فشرده‌سازی بیشتری اعمال نمی‌کند؛ بلکه دقیقاً مانند یک دست نامرئی عمل می‌کند که دکمه صدای شنونده را پایین می‌آورد. با این حال، آسیب صوتی وارد شده در طول فرآیند مسترینگ باقی می‌ماند. گذراهای فشرده‌شده – صدای اولیه ضربه به درامز اسنیر یا زخمه زدن به سیم گیتار – قابل بازیابی نیستند. وقتی یک ترک به شدت محدود شده کم می‌شود تا با صدای یک ترک بسیار دینامیک در ۱۴- LUFS مطابقت یابد، ترک فشرده‌شده در مقایسه اغلب کوچک‌تر، تخت‌تر و کم‌انرژی‌تر به نظر می‌رسد.

با وجود این واقعیت ریاضی، ترک عادت مسترینگ بلند دشوار بوده است. تجزیه و تحلیل ۲۵ ترک پرطرفدار در اسپاتیفای در سال ۲۰۲۲ نشان داد که لیبل‌های بزرگ همچنان مرزهای صوتی دیجیتال را جابه‌جا می‌کنند. میانگین بلندی صدای یکپارچه برای آن ترک‌های صدرنشین، ۸.۴- LUFS بود؛ یعنی ۵.۶ دسی‌بل بلندتر از هدف توصیه‌شده اسپاتیفای. در طول بلندترین قسمت‌های کُر، برخی از آن ترک‌ها به اندازه‌گیری کوتاه‌مدت ۴.۰- LUFS می‌رسیدند.[4]

تولیدکنندگان موسیقی پاپ و الکترونیک دنس همچنان این سطوح را ترجیح می‌دهند، نه به خاطر مزیت رقابتی در بلندی صدا، بلکه به خاطر بافت زیبایی‌شناختی که محدودسازی سنگین فراهم می‌کند. هل دادن صدا به داخل یک محدودکننده دیجیتال، یک صدای متراکم و اشباع‌شده ایجاد می‌کند که به یک مشخصه سبکی در موسیقی تجاری مدرن تبدیل شده است. پلتفرم‌ها این انتخاب را می‌پذیرند، اما مرزهای فنی سخت‌گیرانه‌ای را برای جلوگیری از اعوجاج دیجیتال در طول فرآیند کدگذاری اعمال می‌کنند.

اسپاتیفای به صراحت به مهندسان دستور می‌دهد که «سطح بلندی صدای مستر خود را روی ۱۴- دسی‌بل LUFS یکپارچه هدف‌گذاری کنید» و بالاترین اوج مطلق شکل موج را زیر ۱.۰- dBTP (دسی‌بل اوج واقعی) نگه دارند. سنجشگر اوج واقعی، اوج‌های بین نمونه‌ای را تشخیص می‌دهد – لحظاتی که بازسازی آنالوگ سیگنال دیجیتال ممکن است از سقف دیجیتال فراتر رود. اگر یک مستر بلندتر از ۱۴- LUFS فشرده شود، اسپاتیفای توصیه می‌کند حداقل ۲.۰- dBTP فضای خالی (headroom) باقی بماند، زیرا صدای فشرده‌شده سنگین هنگام تبدیل به فرمت‌های استریم با افت کیفیت مانند Ogg Vorbis یا AAC، به شدت مستعد ایجاد کات شدن (clipping) و اعوجاج است.[1][2]

در حالی که پلتفرم‌ها بر سر استاندارد LUFS توافق دارند، پیاده‌سازی‌های دقیق آن‌ها به روش‌هایی متفاوت است که بر پخش نهایی تأثیر می‌گذارد. اسپاتیفای و اپل موزیک به ترک‌های آرام بهره مثبت اعمال می‌کنند و آن‌ها را تا هدف ۱۴- یا ۱۶- LUFS بالا می‌برند، مشروط بر اینکه اوج واقعی ترک از سقف دیجیتال فراتر نرود. با این حال، یوتیوب موزیک و آمازون موزیک رویکرد متفاوتی دارند: آن‌ها فقط صدای ترک‌های بلند را کم می‌کنند. اگر یک آلبوم جاز آرام با ۱۸- LUFS مستر شده باشد، یوتیوب آن را دقیقاً با ۱۸- LUFS پخش می‌کند و آن را به طور محسوسی آرام‌تر از بقیه لیست پخش نگه می‌دارد.[1]

پلتفرم‌ها همچنین بین ترک‌های تکی و آلبوم‌های کامل تمایز قائل می‌شوند. وقتی کاربر یک آلبوم را به ترتیب گوش می‌دهد، اسپاتیفای و اپل موزیک نرمال‌سازی را بر اساس بلندترین ترک محاسبه می‌کنند و دقیقاً همان میزان کاهش صدا را به کل آلبوم اعمال می‌کنند. این کار دینامیک نسبی مورد نظر هنرمند را حفظ می‌کند و تضمین می‌دهد که یک میان‌پرده آکوستیک عمدی، آرام‌تر از تک‌آهنگ انفجاری‌ای که به دنبال آن می‌آید، باقی بماند.[1][3]

برای شنونده عادی، پذیرش گسترده نرمال‌سازی LUFS اساساً مصرف موسیقی ضبط‌شده را بهبود بخشیده است. بیش از ۸۷ درصد از کاربران اسپاتیفای هرگز تنظیمات پیش‌فرض بلندی صدا در برنامه خود را تغییر نمی‌دهند، به این معنی که اکثریت قریب به اتفاق مخاطبان جهانی در حال تجربه یک محیط تنظیم‌شده و هم‌سطح هستند. با حذف انگیزه‌ای که باعث می‌شد فایل‌ها بلندترین فایل روی سرور باشند، سرویس‌های استریمینگ بی‌سروصدا دامنه دینامیکی را به مهندسان و هنرمندانی که مایل به استفاده از آن هستند، بازگردانده‌اند.[2]