Usuwanie szumów z nagrania wideo: 4 sposoby
Usuwanie szumów z nagrania wideo w FFmpeg, Audacity, edytorze wideo albo w Sablate, bez psucia głosu: co każda metoda usuwa i ile słów Whispera kosztuje.
Żeby usunąć szum tła z nagrania wideo, przepuść jego ścieżkę dźwiękową przez redukcję szumu i połóż oczyszczony dźwięk obok nietkniętego obrazu. FFmpeg i Audacity robią to za darmo, edytory wideo mają narzędzie na jedno kliknięcie, a Sablate robi to przy eksporcie. Haczyk tkwi w głosie: przesadź z którąkolwiek z tych metod, a ciche słowa znikną razem z szumem.
Szum tła oznacza tu dźwięk pod mową: wentylator, klimatyzację, kawiarnię, ruch uliczny, szum pomieszczenia. Ten poradnik opisuje cztery sposoby jego usunięcia, mocne strony każdego z nich i liczby z naszego własnego testu: ile szumu usuwa każda metoda i ile mowy zabiera przy okazji.
Dlaczego usuwanie szumu czasem psuje głos?
Każda redukcja szumu podejmuje tę samą decyzję tysiące razy na sekundę: czy w tym wycinku czasu, w tym paśmie częstotliwości, jest głos, czy szum? Wszystko, co uzna za szum, zostaje przyciszone. Metody różnią się tym, jak to rozstrzygają.
Klasyczne uczą się, jak brzmi szum, i go odejmują. Audacity prosi o profil szumu, czyli kilka sekund, w których nikt nie mówi, a afftdn z FFmpeg szacuje go na bieżąco. Sprawdza się to dobrze przy szumie stałym, jak wentylator czy syczenie taśmy, bo profil pasuje jeszcze minutę później. Przy szumie zmiennym, takim jak gwar w kawiarni czy przejeżdżający samochód, działa słabo, bo profil przestaje pasować. Jeśli zwiększysz siłę, żeby to nadrobić, głos zaczyna brzmieć jak spod wody, z lekkimi, chwiejnymi tonami tam, gdzie wcześniej był szum.
Nowsze to sieci neuronowe wytrenowane na wielu godzinach mowy i szumu. Zamiast odejmować profil, przewidują klatka po klatce, jaka część każdego pasma to głos. Dużo lepiej radzą sobie z szumem, który się zmienia. Zawodzą jednak inaczej: słowo ciche, tchnące albo dalekie od mikrofonu bardzo przypomina szum, a model pracujący z pełną siłą je usuwa. Słuchacze opisują to jako ucięte sylaby, zdanie bez ostatniego słowa albo śmiech, który zamienia się w ciszę.
Lekarstwo w obu przypadkach jest to samo. Ogranicz, jak bardzo można przyciszyć dowolne pasmo, żeby najcichsza mowa przetrwała, i przed eksportem zawsze posłuchaj fragmentu, w którym mówca jest cichy.
Cztery sposoby na usunięcie szumu tła z nagrania wideo
- Filtr afftdn w FFmpeg: za darmo, jedno polecenie, obraz kopiowany bez zmian. Najlepszy przy szumie stałym.
- Noise Reduction w Audacity: za darmo, z profilem szumu, który wybierasz sam. Dźwięk trzeba wyciągnąć z filmu i włożyć z powrotem.
- Narzędzie do szumu w Twoim edytorze wideo: jedno kliknięcie, jeśli i tak montujesz w nim film, ale wyniki bardzo różnią się między edytorami.
- Clean up voice w Sablate: neuronowa redukcja szumu działająca na Twoim komputerze, z podglądem przed i po, stosowana do wideo albo pliku audio, który eksportujesz.
Sposób 1: filtr afftdn w FFmpeg
FFmpeg to darmowe narzędzie wiersza poleceń, z którego pod maską korzysta wiele aplikacji wideo. Jego filtr afftdn to klasyczna redukcja szumu oparta na FFT, a jedno polecenie czyści ścieżkę dźwiękową i kopiuje obraz bez zmian:
ffmpeg -i input.mp4 -af "highpass=f=80,afftdn=nr=12:nf=-50:tn=1" -c:v copy -c:a aac -b:a 192k output.mp4
Co robią poszczególne części:
highpass=f=80usuwa wszystko poniżej 80 Hz: dudnienie, stuki w biurko, szum ulicy. Głos prawie nic tak nisko nie ma.afftdn=nr=12przycisza szum o 12 dB,nf=-50to początkowe oszacowanie poziomu szumu tła w dB (oba to wartości domyślne, zgodnie z dokumentacją filtrów FFmpeg), atn=1pozwala filtrowi podążać za zmianami szumu.-c:v copyzachowuje obraz bit w bit; kodowany od nowa jest tylko dźwięk.
Zwiększ nr, żeby usunąć więcej szumu, i nasłuchuj tego „wodnistego” brzmienia, które znaczy, że poszło za daleko. Przy stałym wentylatorze czy syczeniu często to wszystko, czego potrzebujesz.
Przy szumie zmiennym niewiele daje. W naszym teście na szumie z kawiarni, biura i ulicy afftdn podniósł trochę ocenę jakości mowy, a ogólną jakość zostawił w miejscu: różnicę trudno usłyszeć. FFmpeg ma też filtr RNNoise, arnndn, który wymaga osobnego pliku modelu. W tym samym teście usunął dużo więcej szumu, ale zniekształcił głos i podniósł odsetek błędnych słów w Whisperze najbardziej ze wszystkiego, co sprawdziliśmy. Liczby są w tabeli niżej.
Sposób 2: Noise Reduction w Audacity
Audacity to darmowy edytor audio o otwartym kodzie dla Windows, macOS i Linuxa. Jego efekt Noise Reduction to klasyczna metoda z profilem, w której kontrolujesz każde ustawienie. Audacity edytuje audio, nie wideo, więc praca ma trzy kroki.
Wyciągnij dźwięk z filmu przez FFmpeg:
ffmpeg -i input.mp4 -vn -c:a pcm_s16le audio.wav
Oczyść go w Audacity:
- Otwórz
audio.wavi zaznacz dwie lub trzy sekundy, w których nikt nie mówi i słychać tylko szum. - Otwórz efekt Noise Reduction i kliknij Get Noise Profile.
- Zaznacz całą ścieżkę i otwórz Noise Reduction jeszcze raz. Ustawienia domyślne to 6 dB redukcji, czułość 6 i wygładzanie częstotliwości na 6 pasmach; zacznij od nich i kliknij Preview.
- Gdy szum jest cichy, a głos nadal brzmi naturalnie, kliknij OK i wyeksportuj wynik jako
cleaned.wav.
Włóż oczyszczony dźwięk z powrotem obok oryginalnego obrazu:
ffmpeg -i input.mp4 -i cleaned.wav -map 0:v -map 1:a -c:v copy -c:a aac -b:a 192k -shortest output.mp4
Profil to siła i słabość tej metody. Przy wentylatorze albo klimatyzacji usuwa szum czysto. Sam podręcznik Audacity mówi, że efekt nie nadaje się do nieregularnego szumu tła, takiego jak ruch uliczny czy publiczność, a jeśli szum zmienia się w trakcie nagrania, jeden profil nie pasuje do obu połówek: oczyść te części osobno.
Sposób 3: narzędzie do szumu w Twoim edytorze wideo
Jeśli film jest już otwarty w edytorze, jego własne narzędzie do szumu to najkrótsza droga. Wszystkie główne edytory mają takie narzędzie i różnią się bardziej, niż sugerują ich nazwy:
- iMovie (Mac, za darmo) ma pole wyboru Reduce background noise z wartością procentową: 0% zostawia dźwięk w spokoju, a 100% to maksimum (przewodnik Apple po iMovie).
- Final Cut Pro (Mac) ma Voice Isolation, które „nadaje ludzkim głosom pierwszeństwo przed pozostałymi elementami sygnału audio”, oraz Background Noise Removal, każde z suwakiem Amount (przewodnik Apple po Final Cut Pro).
- Premiere ma Enhance Speech, teraz w ramach Enhance Audio, z suwakiem Enhancement. Wersja 1 działa na Twoim komputerze, wersja 2 działa w chmurze Adobe i zużywa dwa kredyty generatywne na minutę. Klip stereo wychodzi jako zmiksowane do mono nagranie (pomoc Adobe do Enhance Speech).
- DaVinci Resolve ma AI Voice Isolation w płatnej wersji Studio oraz wtyczkę redukcji szumu w Fairlight, która uczy się szumu z zaznaczonego fragmentu (strona DaVinci Resolve Studio od Blackmagic).
- CapCut ma przełącznik Reduce noise. Jego własne strony nie zgadzają się co do ceny: strona narzędzia online nazywa je darmowym, a strona CapCut Pro na Windows i Mac wymienia Reduce noise wśród funkcji Pro.
Żadne z nich nie mówi Ci w liczbach, jak mocno pracuje, więc suwak traktuj wszędzie tak samo: zacznij nisko, odtwórz fragment, w którym mówca jest cichy, zwiększaj, aż szum przestanie przeszkadzać, i na tym poprzestań. Narzędzia neuronowe (Voice Isolation, Enhance Speech) zachowują się jak modele neuronowe z tabeli niżej: dużo lepiej radzą sobie z głosami i ruchem ulicznym i jako pierwsze połykają cichy wyraz przy pełnej sile.
Sposób 4: Clean up voice w Sablate
Sablate to aplikacja desktopowa na Windows i macOS, która robi napisy do wideo, które już masz, a od wersji 1.3 potrafi też oczyścić głos w tym, co eksportuje. Używa DPDFNet, neuronowej redukcji szumu wbudowanej w aplikację i działającej na Twoim komputerze: dźwięk nie jest nigdzie wysyłany, a model szumu nie wymaga dodatkowego pobierania.
Kroki:
- Otwórz wideo w Sablate. Aplikacja transkrybuje mowę na potrzeby napisów z oryginalnego dźwięku.
- W edytorze otwórz tryb Voice i wybierz siłę. Light ogranicza redukcję do 18 dB i zachowuje cichą mowę; od niego warto zacząć. Strong usuwa wszystko, co nie jest mową, także muzykę.
- Przesuń kursor odtwarzania na ciche miejsce w mowie i posłuchaj: Sablate odtwarza dziesięć sekund w wersji nagranej i oczyszczonej, a Ty możesz przełączać się między nimi.
- Wyeksportuj z menu Export. Oczyszczony dźwięk trafia do wideo z wypalonymi napisami, do wideo pociętego w trybie Cuts, do pliku
.mkvz przełączanymi napisami albo do pliku Audio file (.m4a) z samym dźwiękiem.
Oczyszczona ścieżka powstaje raz na plik i jest używana ponownie, więc eksport w trzech językach nie czyści dźwięku trzy razy. Na naszych maszynach testowych zajęło to około 10 minut na godzinę audio na Ryzenie 5 5600X i około 5 minut na Apple M4, zmierzone na 60-sekundowym klipie.
Ograniczenia, bez ogródek: Sablate to aplikacja do napisów, więc jeśli napisy nie są Ci potrzebne, bliżej będzie Ci do Audacity albo edytora. Redukuje szum; nie usuwa pogłosu pomieszczenia i nie odbuduje źle nagranego głosu. Ścieżka stereo wychodzi z tym samym oczyszczonym głosem na obu kanałach. Plan darmowy zawiera Clean up voice; nie wymaga konta i obejmuje wideo do dziesięciu minut, trzy zadania miesięcznie, modele Fast i Balanced oraz jedną warstwę tłumaczenia offline, a jego wypalone napisy mają mały znak w rogu.
Ile szumu usuwa każda metoda i ile to kosztuje?
Zmierzyliśmy to przy wyborze modelu do Sablate. Dwa czyste, 30-sekundowe nagrania tureckiej mowy zmieszaliśmy z trzema szumami z publicznego korpusu DEMAND (stołówka, biuro, ruch uliczny) przy stosunku sygnału do szumu 5 dB, czyli głośnym, ale realistycznym tle. Daje to sześć klipów na metodę; wartości są średnimi.
| Metoda | Jakość mowy (PESQ) | Sygnał bez zniekształceń (SI-SDR, dB) | Jakość ogólna (DNSMOS, 1-5) | Błędne słowa w Whisperze |
|---|---|---|---|---|
| Bez przetwarzania | 1,55 | 5,1 | 1,89 | 26% |
| FFmpeg afftdn | 1,78 | 3,5 | 1,91 | 29% |
| FFmpeg arnndn (RNNoise) | 1,86 | -1,2 | 2,36 | 45% |
| DeepFilterNet 3 | 2,05 | 14,9 | 3,10 | 42% |
| DPDFNet, pełna siła (Sablate Strong) | 2,23 | 17,3 | 3,19 | 37% |
| DPDFNet, limit 18 dB (Sablate Light) | 2,17 | 16,2 | 2,74 | 23% |
PESQ i SI-SDR porównują oczyszczony klip z czystym nagraniem; wyższa wartość jest lepsza. DNSMOS to model Microsoftu, który przewiduje, jak słuchacz oceniłby klip, bez słuchania oryginału. Odsetek błędnych słów porównuje transkrypcję Whispera każdego klipu, wykonaną modelem large-v3-turbo, z jego transkrypcją czystego nagrania. Powtórzyliśmy test przy 0 i 10 dB i kolejność się utrzymała.
Wyróżniają się dwie rzeczy. Modele neuronowe wygrywają we wszystkich miarach odsłuchowych z dużą przewagą: DeepFilterNet i DPDFNet podnoszą sygnał bez zniekształceń o 10 do 12 dB, a oba filtry FFmpeg ledwo go ruszają albo go pogarszają. Poza tym więcej czyszczenia nie oznacza wyraźniejszych słów. Czyszczenie z pełną siłą podniosło odsetek błędnych słów w Whisperze z 26% do 37%, bo usunięte słowa były słowami, które Whisper by usłyszał. Wersja z limitem obniżyła go do 23%. Na czystym nagraniu prawdziwej mowy pełna siła zmieniła jedną trzecią słów w transkrypcji, gubiąc całe frazy; wersja z limitem nie zmieniła żadnego.
Dwa nagrania w jednym języku to nie jest benchmark, więc dokładne liczby traktuj jako wskazówkę. Użyteczny jest kierunek i dlatego Sablate robi napisy z oryginalnego dźwięku i używa Light, chyba że wybierzesz inaczej.
Której metody użyć?
„To jeden klip ze stałym wentylatorem albo syczeniem i terminal mi nie przeszkadza.” Użyj afftdn z FFmpeg. Jedno polecenie, obraz nietknięty.
„Szum jest taki sam przez cały czas i chcę kontrolować każde ustawienie.” Użyj Audacity z profilem szumu z cichego fragmentu.
„I tak montuję film w edytorze.” Użyj jego własnego narzędzia: Reduce background noise w iMovie, Voice Isolation w Final Cut Pro albo DaVinci Resolve Studio, Enhance Speech w Premiere. Jeśli liczy się obraz stereo, pamiętaj, że Enhance Speech w Premiere zwraca mono.
„W tle są głosy, ruch uliczny albo muzyka, albo robię napisy do tego filmu.” Użyj Clean up voice w Sablate na ustawieniu Light, posłuchaj cichego fragmentu i przełącz na Strong tylko wtedy, gdy szum nadal przeszkadza.
„Mówca jest cichy albo daleko od mikrofonu.” Użyj lekkiego ustawienia w każdym wybranym narzędziu i sprawdź końcówki zdań przed eksportem: to pierwsze, co usuwa mocna redukcja szumu.
Jak uniknąć szumu w następnym nagraniu
Usuwanie szumu działa najlepiej na nagraniu, które prawie go nie wymagało. Przysuń mikrofon bliżej mówcy: zmniejszenie odległości o połowę sprawia, że głos jest o około 6 dB głośniejszy na tle pomieszczenia, więcej, niż wiele filtrów szumu potrafi usunąć bez skutków ubocznych. Jeśli możesz, wyłącz wentylatory i klimatyzację na czas nagrywania. Na początku nagraj pięć sekund pomieszczenia, gdy nikt nie mówi; da to Audacity czysty profil szumu, a Tobie punkt odniesienia do porównań.
Potem trzymaj się dwóch nawyków. Transkrybuj i rób napisy z oryginalnego dźwięku, jak wyjaśnia poradnik o transkrypcji, a czyść tylko dźwięk, który dostarczasz. I zawsze posłuchaj w słuchawkach cichego fragmentu oczyszczonego wyniku, zanim gdziekolwiek go wyślesz: głośniki laptopa ukrywają dokładnie te artefakty, które usłyszą widzowie.
Jeśli wideo potrzebuje napisów i czystszej ścieżki dźwiękowej, pobierz Sablate i zrób jedno i drugie w jednym eksporcie; plan darmowy wystarczy, żeby wypróbować to na dziesięciominutowym klipie.
Najczęściej zadawane pytania
Jak za darmo usunąć szum tła z filmu?
Użyj FFmpeg albo Audacity. Filtr afftdn w FFmpeg czyści ścieżkę dźwiękową jednym poleceniem i nie rusza obrazu. Funkcja Noise Reduction w Audacity uczy się szumu z kilku sekund, w których nikt nie mówi, i go usuwa, ale dźwięk trzeba wyciągnąć z filmu i włożyć z powrotem przez FFmpeg. Obie metody najlepiej działają na szum stały, taki jak wentylator czy syczenie.
Czy redukcja szumu pogarsza brzmienie głosu?
Może, jeśli ustawisz ją zbyt mocno. Redukcja szumu musi zdecydować, co jest głosem, a co szumem, a ciche albo odległe słowa są pierwsze do pomyłki. W naszym teście pełna siła sieci neuronowej podniosła odsetek błędnych słów w Whisperze z 26% do 37%, a ten sam model z limitem 18 dB obniżył go do 23%.
Czy mogę usunąć szum tła bez ponownego kodowania wideo?
Tak. Zmienić trzeba tylko ścieżkę dźwiękową, więc obraz można skopiować bit w bit. W FFmpeg służy do tego opcja -c:v copy, a Sablate też kopiuje obraz, gdy zapisuje plik .mkv z przełączanymi napisami. Eksporty z wypalonymi napisami albo z cięciami i tak kodują obraz od nowa, więc czyszczenie dźwięku nic tam nie dokłada.
Czy usuwać szum przed transkrypcją filmu?
Zwykle nie. Whisper radzi sobie z umiarkowanym szumem tła, a agresywne czyszczenie usuwa ciche sylaby, które inaczej by usłyszał. W naszym teście oryginalny, zaszumiony dźwięk dał lepszą transkrypcję niż wersja w pełni oczyszczona. Transkrybuj oryginał, a czyść dopiero dźwięk, który eksportujesz. Tak robi Sablate.
Jak usunąć z filmu szum wentylatora albo klimatyzacji?
Szum wentylatora i klimatyzacji jest stały, więc to najłatwiejszy rodzaj do usunięcia. Nagraj kilka sekund pomieszczenia, gdy nikt nie mówi, i użyj ich jako profilu szumu w Audacity albo uruchom oczyszczanie neuronowe, na przykład Clean up voice w Sablate na ustawieniu Light. Filtr górnoprzepustowy na około 80 Hz usuwa też niski dudniący pomruk pod głosem.