Melyik a legjobban ajánlott programok, amelyek erre jók?

A probléma kicsit összetett, mert a fájltípusok között vannak konténer formátumok. Az AVI például csak azt tudja, hogy milyen sávok vannak, hol kezdődik a videó és milyen kódolással van kódolva, hol kezdődik a hangsáv és az milyen kódolással van kódolva. Az MKV, más néven Matroska tovább megy, ott tényleg úgy lehet az egyes tartalmakat egymásba fűzni, mint a matrjoska-babákat. Pl. van egy videó mondjuk H264 kódolással kódolva, és egy angol 5.1-es hangsáv AC3-ban. Utána valaki hozzácsap egy angol és egy magyar feliratot, majd valaki később hozzácsap egy magyar, MP3-ban kódolt sztereo hangsávot, meg egy olyan feliratfájlt, ami csak a képként megjelenő információt feliratozza. De lehet az is, hogy egy MKV fájlban több videósáv van, akár különböző felbontásban, sőt különböző kódolással.

Mindenesetre az ffmpeg nevű parancssoros program elég nagytudású versenyző ebben, sok program ennek a library-jét használja. Információk így nyerhetőek ki:

ffmpeg -i video.avi

Ugyanez a program alkalmas a videók, hangok átalakítására is, így hangerő normalizálásra is. De ez egy komplexebb témakör, ha az ember beleássa magát, többféle hangerő normalizálási módszer van, attól függően, hogy a videó milyen jellegű hangsávot tartalmaz. Egészen más, ha egy filmről van szó, bár ott eleve normalizált szokott lenni a hangerő. Meg egészen más, ha mondjuk egy kamerás felvétel van, ott már nem elég a maximális hangerő alapján normalizálni, mert egy 10 perces videóban lehet, hogy van egyetlen zörrenés, ami hangosabb, mint mondjuk egy felvett előadás, így ott más hangerő normalizálási módszer lesz célravezető.

Itt megint csak jó lenne tudni, hogy milyen jellegű az a videó, amit normalizálni akarsz. Ugye ez már nem videó kérdése, itt már pusztán az audió sávot, mint hanganyagot normalizáljuk, kvázi sok szerkesztő tulajdonképpen azt csinálja, hogy kiveszi az audio sávot, azt mint hangot normalizálja, majd visszateszi a videóba.

A legegyszerűbb módszer, hogy végigmegyünk a hanganyagon, és megkeressük a maximális hangerőt. Ha ez csak 50%, akkor 200%-ra kell minden egyes hangminta értékét növelni. Ez nagyon jó egy profi felvételnél, aminél nincsenek környezeti hangok, alacsony a zaj. De tegyük fel, rögzítesz egy előadást a nézőtérről. Alapból nagyon halk minden, de valaki mondjuk köhög a mikrofontól 20 cm-re. Az lesz a maximális hangerő, és ha ahhoz képest normalizálod a hangerőt, akkor könnyen lehet, hogy a hangsáv többi része továbbra is halk marad. De alapból ezt érdemes elvégezni az elején. (Itt lehet csalni kicsit, hogy mondjuk a példánknál nem 200%-ra, hanem 205%-ra vagy 210%-ra erősítünk, így bár néhány hangminta torzul, de még nem annyira zavaró, cserébe viszont egy kicsivel hangosabb lesz a hang.

A másik lehetőség, hogy nem a legnagyobb hangerőt vesszük alapul a normalizálásnál, hanem egy átlagos hangerőt számolunk, és azt igazítjuk egy elvárt szinthez. Ezzel az a probléma, hogy mondjuk egy rockkoncerten az átlagos hangerő egészen más, mint mondjuk egy művészfilm esetén, ahol esetleg hosszú percekig kvázi csend van. Ha túllősz a célon, a magas hangok ugye 100% feletti értékre korrigálódnának, csakhogy olyan nincs, így egy szinusz hullám „beveri a fejét”, ami az emberi fül számára úgy hangzik, mintha valami hangos zörej lenne, kvázi, mintha valaki bekapcsolt volna egy torzítót. Ha ugyanazt a beállítás alkalmazod, akkor egy nyugodt beszélgetésnél a hangok túl torzak lesznek, viszont ugyanez a beállítással egy popzenei klip meg túl halk lesz.

Megint egy másik lehetőség, ha nem az egész hangsávra normalizálunk, hanem minden egyedi hangmintát a környezete maximális hangereje alapján, mondjuk az elmúlt 5-10-20 másodperc maximális hangerejéhez képest, és szükség esetén szépen lassan emeljük az erősítés mértékét (esetleg egy maximális erősítést is beállítva). Ezzel két gond van. Az egyik, hogy a zajt is erősíteni fogja, pont amikor csend van és a legfeltűnőbb. Talán hallottál olyan felvételt, mikor valaki beszél, addig rendben is van, de ahogy csend lesz, elkezd nőni a háttérzaj, majd mikor újra megszólal, akkor újra eltűnik a zaj. Eléggé zavaró tud lenni. A másik probléma mondjuk egy komolyzenénél, hogy ott is erősít, ahol nem kellene, mikor pont az a lényeg, hogy abban az 5-10-20 másodpercben valami nagyon halkan szóljon.

Szintén egy lehetőség a compression. Ez kicsit olyan, mint a képeknél a gamma korrekció. Tulajdonképpen azt csináljuk, hogy a lineáris hangerő skálát egy görbére illesztjük. Mondjuk vesszük a hangerő gyökét, vagy valamilyen tört hatványát. Egy 0,7 hatványra emelés esetén ez így néz ki:

eredeti hang → normalizált hang (erősítés mértéke)

100% → 100% (0%)

80% → 86% (7%)

60% → 70% (17%)

40% → 52% (32%)

20% → 32% (62%)

10% → 20% (100%)

5% → 12% (146%)

0% → 0% (0%)

Ennek az előnye, hogy nem torzulnak az hangos hangok. Ha egy olyan hanganyagot kell erősíteni, amiben valaki mikrofonba beszél, és hol közelebb, hol távolabb kerül a mikrofontól, akkor az ebből adódó hangerő különbségeket remekül kiegyenlíti. Vag pl. a reklámoknál előszeretettel használják ezt, mert így bár a maximális hangerő nem lesz hangosabb, mint mondjuk előtte a filmben, híradóban, de az ember érzetre mégis hangosabbnak érzi. A hátránya megint a zenében van, mert ott ez viszont erősen meg tudja változtatni a hangszínt, minden hangszer hangja módosul egy kicsit, amit jó hallású ember furának fog érezni.

~ ~ ~

Mindenesetre a hangerő normalizálás módja erősen függ attól, hogy pontosan milyen jellegű hanganyaggal van dolgunk. Normál esetben ezt egy hangmérnök végzi. Persze pár alapbeállítással – zajszűrő + alap normalizálás + egy enyhe compression – el lehet érni bizonyos eredményeket általánosságban, a hangfelvétel pontos ismerete nélkül is. Az emberi fül számára bár jobban egy szintre kerülnek a hangerők, de az eredmény messze nem lesz tökéletes. Sokkal jobb, ha tudjuk, hogy milyen jellegű felvételeket kell tömegesen azonos hangerőre hozni, és az alapján választjuk meg a normalizálás lépéseit.