استاندارد ۲۴- LKFS و دامنه بلندی صدا: مهندسی صدا چگونه ولوم تلویزیون و استریم را کنترل می‌کند؟

مهندس صدا در یک استودیوی کالیبره‌شده نشسته است؛ موسیقی متن فیلمی را با سطح مرجع ۷۹ دسی‌بل مانیتور می‌کند و قوس پویایی می‌سازد که از یک زمزمه‌ی به‌سختی قابل‌شنیدن تا یک انفجار مهیب را در بر می‌گیرد. در سوی دیگر، تماشاگر در یک اتاق نشیمن شلوغ نشسته و همان فیلم را روی تبلت تماشا می‌کند، اما کلافه است؛ چون صدای دیالوگ‌ها محو شده و سکانس‌های اکشن گوش‌خراش‌اند. این تنش — بین نیت سینمایی و واقعیت مصرف‌کننده — کشمکش اصلی مهندسی صدای مدرن است. کشمکشی که تماماً توسط مجموعه‌ای از الگوریتم‌های نامرئی و اهداف عددی سخت‌گیرانه میانجی‌گری می‌شود؛ الگوریتم‌هایی که دقیقاً دیکته می‌کنند یک محتوای رسانه‌ای تا چه حد اجازه دارد بلند باشد.[7]

عصر مدرنِ قانون‌گذاری برای بلندی صدا، به‌عنوان یک واکنش قانونی به یک روی اعصاب‌رویِ جهانی آغاز شد: پیام‌های بازرگانی گوش‌خراش. پیش از سال ۲۰۱۰، شبکه‌های تلویزیونی صدا را با استفاده از پیک‌مترها اندازه می‌گرفتند که ولتاژ الکتریکی مطلق یک سیگنال را ردیابی می‌کرد. تبلیغات‌چی‌ها خیلی زود فهمیدند که با فشرده‌سازی شدید صدایشان (کمپرس کردن)، می‌توانند سیگنال را دائماً درست زیر حداکثر پیک قانونی نگه دارند. نتیجه؟ پیام بازرگانی‌ای که روی پیک‌متر از نظر فنی مجاز ثبت می‌شد، اما برای گوش انسان به‌طور تهاجمی‌ای بلندتر از برنامه تلویزیونی‌ای بود که وسط آن پخش می‌شد.[3]

برای حل این معضل، صنعت باید اندازه‌گیری پیک را کنار می‌گذاشت و راهی برای سنجش ادراک انسان پیدا می‌کرد. این پیشرفت بزرگ با انتشار سند ITU-R BS.1770 توسط اتحادیه بین‌المللی مخابرات رقم خورد. این سند که اکنون در پنجمین ویرایش خود (منتشر شده در نوامبر ۲۰۲۳) به سر می‌برد، الگوریتم جهانی برای اندازه‌گیری بلندی صدای درک‌شده را تعریف می‌کند. این سند مفهومی به نام «وزن‌دهی کِی» (K-weighting) را معرفی می‌کند؛ یک فیلتر ریاضی که با تأکید بر فرکانس‌های میانیِ رو به بالا (جایی که شنوایی ما حساس‌ترین حالت را دارد) و نادیده گرفتن بیس‌های عمیقی که بیشتر احساسشان می‌کنیم تا اینکه بشنویم، گوش انسان را شبیه‌سازی می‌کند.[6]

الگوریتم ITU-R BS.1770 یک موسیقی متن را می‌گیرد، آن را از فیلتر وزن‌دهی کِی عبور می‌دهد و یک عدد واحد بیرون می‌دهد که نشان‌دهنده میانگین ولوم درک‌شده در کل مدت زمان برنامه است. این اندازه‌گیری در قالب «واحدهای بلندی صدا نسبت به مقیاس کامل» بیان می‌شود که به اختصار LUFS یا LKFS نامیده می‌شود. تغییر یک LUFS دقیقاً برابر با تغییر یک دسی‌بل است که این مقیاس را برای مهندسان صدا کاملاً ملموس می‌کند. اما در حالی که اتحادیه مخابرات خط‌کش را فراهم کرد، محدودیت سرعت را تعیین نکرد. این وظیفه بر دوش مقامات پخش منطقه‌ای افتاد.[6]

در ایالات متحده، کمیته سیستم‌های تلویزیونی پیشرفته (ATSC) رویه پیشنهادی A/85 را منتشر کرد که یک هدف سخت‌گیرانه را تعیین می‌کرد: میانگین تمام برنامه‌های تلویزیونی باید ۲۴- LKFS باشد. زمانی که کمیسیون ارتباطات فدرال (FCC) قانون CALM را اجرا کرد، این استاندارد قدرت قانونی پیدا کرد. همان‌طور که FCC به صراحت بیان می‌کند: «قانون CALM ایجاب می‌کند که پیام‌های بازرگانی باید همان میانگین ولومی را داشته باشند که برنامه‌های همراهشان دارند.» در آن سوی اقیانوس اطلس، اتحادیه پخش اروپا (EBU) استاندارد اختصاصی خود، یعنی R128 را منتشر کرد که هدف تقریباً مشابهی معادل ۲۳- LUFS را تعیین کرد.[1][2][3]

با این حال، یک عدد میانگینِ واحد، مشکل جدیدی ایجاد می‌کند. فیلمی که از ۵۰ دقیقه سکوت مطلق و ۱۰ دقیقه انفجارهای کرکننده تشکیل شده، ممکن است از نظر ریاضی به میانگین مجاز ۲۴- LKFS برسد، اما تماشای آن غیرممکن خواهد بود. برای جلوگیری از این اتفاق، EBU یک معیار تکمیلی در سند Tech 3342 به نام دامنه بلندی صدا (LRA) معرفی کرد. LRA توزیع آماری بلندی صدا را در سراسر یک برنامه اندازه می‌گیرد و فاصله بین ساکت‌ترین لحظات روایی و بلندترین اوج‌ها را کمّی می‌کند. یک پخش زنده خبری ممکن است LRA باریکی در حد ۳ LU داشته باشد، در حالی که یک فیلم سینمایی ممکن است به LRA معادل ۱۵ LU یا بیشتر نیاز داشته باشد.[4]

با مهاجرت مخاطبان از تلویزیون‌های سنتی به استریم‌های درخواستی، کتابچه قوانین هم چندپاره شد. پلتفرم‌های استریم به قانون CALM یا مقررات پخش اروپا پایبند نیستند و این به آن‌ها اجازه می‌دهد اهداف اختصاصی خود را تعیین کنند. برای مثال، نتفلیکس از مهندسان صدا می‌خواهد که هدف بسیار آرام‌ترِ ۲۷- LKFS را با تلورانس سخت‌گیرانه مثبت یا منفی ۲ LU تحویل دهند. نتفلیکس با تعیین یک هدف میانگین پایین‌تر، «هدروم» (فضای خالی بین میانگین ولوم و حداکثر سقف دیجیتال) بیشتری به مهندسان می‌دهد که امکان داشتن یک دامنه دینامیک گسترده‌تر و سینمایی‌تر را فراهم می‌کند.[7]

نکته حیاتی اینجاست که نتفلیکس و سایر استریمرهای بزرگ، این هدف را متفاوت از شبکه‌های تلویزیونی اندازه می‌گیرند. در حالی که استاندارد ATSC A/85 بلندی صدای یکپارچه کل برنامه را می‌سنجد، نتفلیکس به یک اندازه‌گیری «مبتنی بر دیالوگ» (dialog-gated) نیاز دارد. همان‌طور که در مشخصات میکس صدای این شرکت آمده است، هدف ۲۷- LKFS باید تنها با اندازه‌گیری بخش‌هایی از ترک صوتی که در آن گفتار انسانی وجود دارد، برآورده شود. در این مشخصات آمده است: «میانگین بلندی صدا باید ۲۷- LKFS با تلورانس ۲ LU مبتنی بر دیالوگ باشد. اوج‌ها نباید از ۲- دسی‌بل True Peak تجاوز کنند.»[7]

این رویکرد مبتنی بر دیالوگ تضمین می‌کند که حیاتی‌ترین عنصر یک میکس روایی — یعنی کلام ملفوظ — از برنامه‌ای به برنامه دیگر ثابت بماند؛ فارغ از اینکه چقدر انفجار یا مکث‌های بی‌صدا در اطراف آن وجود دارد. اگر یک مهندس، یک درام مستقلِ ساکت و یک بلاک‌باستر اکشنِ پر سر و صدا را میکس کند، دیالوگ‌های هر دو فیلم دقیقاً با یک ولوم در اتاق نشیمن بیننده پخش خواهند شد. فیلم اکشن به سادگی از هدروم موجود استفاده می‌کند تا افکت‌های صوتی خود را نسبت به آن دیالوگِ لنگرانداخته، بلندتر کند.[7]

این شکاف بین اهداف پخش تلویزیونی و استریم، استودیوهای مدرن پس‌تولید صدا را مجبور می‌کند تا چندین مستر متمایز برای یک محتوای واحد تولید کنند. یک فیلم ممکن است برای پخش اولیه در استریم به یک میکس پویای ۲۷- LKFS مبتنی بر دیالوگ، برای پخش در شبکه‌های کابلی آمریکا به یک میکس فشرده‌ترِ ۲۴- LKFS یکپارچه با برنامه، و برای توزیع در اروپا به یک میکس ۲۳- LUFS نیاز داشته باشد. مهندسان باید با دقت کمپرسورها و لیمیترهای خود را مدیریت کنند — و اغلب زمان اتک (attack times) را بین ۲ تا ۱۵ میلی‌ثانیه نگه دارند — تا بدون ایجاد اعوجاج‌های شنیداری (pumping artifacts)، به این اهداف دقیق ریاضی دست یابند.[1][2][7]

خود استانداردها نیز برای همگام شدن با عادات جدید مصرف‌کنندگان دائماً در حال تکامل‌اند. در ۱۵ ژوئیه ۲۰۲۶، ATSC یک بازنگری عمده در رویه پیشنهادی A/85 را اعلام کرد. این به‌روزرسانی، دستورالعمل‌های بلندی صدای صنعت را مدرن می‌کند تا ظهور فرمت‌های صوتی فراگیر و شیءمحور مانند دالبی اتموس را در نظر بگیرد و به پیچیدگی‌های ارائه صدای یکنواخت به دستگاه‌های موبایل و اسپیکرهای هوشمند بپردازد. همان‌طور که ATSC اشاره کرد، این بازنگری تضمین می‌کند که اصول بنیادین مدیریت بلندی صدا در یک چشم‌انداز سخت‌افزاریِ پراکنده، همچنان مرتبط و کارآمد باقی بمانند.[5]

ریاضیات LKFS و LRA کاملاً در پشت صحنه و دور از چشم مخاطب عمل می‌کنند. با این حال، آن‌ها یکی از موفق‌ترین تلاش‌های اجماع فنی در تاریخ رسانه‌های مدرن را نمایندگی می‌کنند. این استانداردها با تغییر تمرکز صنعت از محدودیت‌های الکتریکی یک سیم به محدودیت‌های ادراکی گوش انسان، به عصر پیام‌های بازرگانی گوش‌خراش پایان دادند و یک خط پایه از یکنواختی آکوستیک را بنا نهادند. چالش دهه آینده، حفظ این یکنواختی در شرایطی است که فاصله بین استیج کالیبره‌شده میکس و ایربادز مصرف‌کننده همچنان در حال افزایش است.[2][6]