【AI前沿】再谈响度战争：为什么你看的视频越来越「吵」了？

再谈响度战争：为什么你看的视频越来越「吵」了？主作者关注Nnnobel少数派作者Enchanted to meet u.Nnnobel关注Nnnobel少数派作者Enchanted to meet u.联合作者关注Nnnobel少数派作者Enchanted to meet u.Nnnobel关注Nnnobel少数派作者Enchanted to meet u.昨天 15:21前言你可能有过这样的经历：打开某款游戏新版本的 PV，画面还没来得及看清，耳机里先是一声巨响扑面而来，鼓点、爆炸、角色台词与背景音乐层层叠加，短短几分钟的视频在前几帧便已将情绪推到最满。这种「响」并不是因为你调高了手机或电脑的音量。即便音量条停留在原来的位置，一段视频依然可以听起来更加「饱满」。从游戏 PV、短视频配乐，到流媒体中的音乐作品，我们似乎正在习惯一种声音被不断塞满的世界。这种现象并非偶然，而在音视频领域它有一个专业的名字——「响度战争」。这篇文章便想从笔者最近观看的几支游戏 PV 出发，聊聊一段视频是如何听起来更响的，以及当「更响」逐渐成为内容创作者与厂商们抓住观众注意力的默认方式时，我们的听觉体验发生了什么变化。你可能需要了解的一些基本概念人耳的频率范围接触过耳机或音响圈的读者们对这个概念应该不陌生。人耳的听觉频带大概在 20Hz-20kHz，此频段的声音也被称为「可闻声」。低于 20Hz 频段的声音也就是我们常说的「次声」，高于 20kHz 则是「超声」。当然，这只是一个大致的理想范围，个体的可闻频域范围因人而异。普遍来说，可闻频域范围会随着年龄的增长而逐渐下降（这或许也是某些特定内容的短视频刻意拉高响度的原因）。声压级 SPL你或许也接触过一个单位——dB，也有人习惯将它表示的声音大小直接称作「声压」。但更严谨地说，描述现实环境中声音强弱的物理量叫作声压级（Sound Pressure Level，简称 SPL），属于物理声学范畴，通常写作 dB SPL。频率决定了声音听起来是低沉还是尖锐，频率越低声音听起来越低沉、频率越高则反之；而声压级描述的，则是声音在现实中究竟有多强。这种「有多强」也并不难理解：电脑风扇的轻微转动声，大约只有二三十分贝；正常谈话声，通常会来到 60 dB SPL 左右；走到车流较大的街道旁，声音可能已经接近 80 dB SPL；而在演唱会或音乐节中，现场声压则可能超过 100 dB SPL。更专业的音频后期制作校准，则主要分布在 79-83 dB SPL。何为「响度」响度（Loudness）其实并不是一个客观的物理量，而是心理声学范畴的一个概念。换句话说，它衡量的并非一段声音在物理上释放了多少能量，而是当声音进入耳朵之后，我们主观上觉得它有多「响」。上文提到了人耳的听阈范围，但在这段范围之内，我们对不同频率的敏感程度并不一致。相比沉闷的低频轰鸣，或极高频的细小尖声，人耳对中高频区域的声音要敏感得多。交谈中的人声、警报声，以及动作电影中用于制造冲击感的金属撞击、刀剑出鞘等音效，恰好都大量集中在容易被我们注意到的频段。下图为等响曲线图，不难看出，人耳在不同频率下对同一声压级的响度感受是不同的。等响曲线图 图源：Lindosland / Wikimedia Commons，Public Domain数字音频信号中的响度对于一支视频来说，仅仅知道现实环境中的声压级还不够。毕竟最终听到多大的声音，还会受到播放设备和音量设置的影响：同一支视频，在手机外放、耳机和客厅音箱中播放，实际产生的声压级并不相同。在数字音频信号领域，我们经常会看到一个叫做 dBFS 的单位，即 dB relative to Full Scale。dBFS 通常从负值逐渐接近 0，声音信号越接近 0，说明它距离数字系统能够容纳的上限越近。而在讨论一段视频整体听起来有多响时，我们更需要关注 LUFS，即 Loudness Units relative to Full Scale，其结合了心理声学的相关理论，即人耳对声音的感受方式，衡量一段时间内的整体响度。在数值上，LUFS 越接近 0，通常意味着这段内容听起来越响。响度可视化讲这么多概念你可能也累了，如果「响度」始终只停留在听感层面，总归有些抽象。我们能够察觉一支视频比另一支更吵、更满、更有压迫感，却很难仅凭耳朵准确回答其响度。因此我们需要借助一些工具将主观感受转化成相对直观的数据。Youlean Loudness Meter 2Youlean Loudness Meter 2 是一款可视化的响度检测工具，支持 macOS 和 Windows，可以读取声音在播放过程中的响度变化，并呈现诸如综合响度（用于描述整段视频整体听起来有多响）、短期响度与真实峰值等信息。YOULEAN LOUDNESS METER 2 官网你可以在官网免费下载 YOULEAN LOUDNESS METER 2自行体验。视频真的在变得越来越响吗？下面笔者选取了一支约十年前发布的游戏宣传 PV 与这个月刚发布的几支 PV 进行了对比。需要提前说明的是，在游戏行业内，-21 LUFS 到 -16 LUFS 可以作为较常见的参考标准。我们主要注意左侧表格中的 INTEGRATED 数值（即综合响度）与 SHORT TERM（即短期响度），结果如下：某十年前动作游戏 PV可以看到，十年前的 PV 还处在较为克制的响度范围内。从右侧的响度曲线来看，整支视频并没有长时间贴近顶部运行，而是保留了相对明显的高低起伏：安静的段落负责铺垫，战斗与转场处的音效再将情绪推高。也正因为前后存在差异，高潮真正出现时，声音才更容易给人留下冲击感。某近年动作游戏 1 PV而近几年的 PV 响度则一家更比一家响。第一支近期动作游戏 PV 的综合响度已经来到 -12.2 LUFS，相较十年前的样本提升了接近 4 LU。这意味着即使观众没有调高播放设备的音量，整段视频在主观听感上也会更加饱满、更靠前，更容易在刚开始播放的几秒内抓住观众的注意力。某近年动作游戏 2 PV在另一支近期 PV 中这种趋势表现得更加明显：它的综合响度进一步达到 -11.2 LUFS，短期响度则来到 -6.7 LUFS；从右侧曲线中也能够看到，红色区域几乎持续贴近上方，留给安静段落和动态变化的空间已经相当有限。换句话说它并不是只在某几个战斗镜头中突然变响，而是在相当长的一段时间内都保持着较高的听觉压迫感。响度战争更响的声音，会让视频在听觉上更「饱满」吗？前面的测试中有一个很有意思的现象：几支 PV 的最高峰值其实都已经相当接近上限，但它们的综合响度却有着明显差异。显然新的 PV 并不是简单地把「最响的那一下」继续变得更响，而是让整段视频中的大部分声音都更响了。原本「较轻」的部分也会被一同推高。在第一支十年前的 PV 中，对白、环境声和铺垫部分可能处在较低的位置，到了角色登场、战斗开始或配乐爆发时，声音才迅速冲上高峰；两支近期的 PV 则把响度最低处抬高，原本相对安静的部分不再那么安静，原本已经很响的高潮则继续贴近上限。这种处理方式并不一定是坏事。对于一支只有一两分钟的游戏宣传片来说，更紧凑、更饱满的声音，确实能够迅速营造情绪，适应当前快节奏的观看环境。但问题是我们正在丢失「动态」，这也是我们还是要反对「响度战争」的原因。在数字音频中，声音并不能无限变响。数字信号存在一个明确的上限，峰值抵达 0 dBFS 后再继续向上推动，便可能产生削波和失真。这里便涉及另一个概念——动态范围。简单来说，动态范围就是一段声音中，最轻与最响部分之间的差距。动态范围越大，安静的地方越安静，爆发的地方也就越容易显得突出；动态范围越小，整段声音则会听起来更加均匀、更加密集。在专业音频制作中，压缩器可以将过高的峰值压低，限制器则可以防止声音突破数字信号的上限。在此基础上再将整段音频的电平提高，原本较轻的对白、配乐和环境声便会一同变响。最终，最高峰值或许没有明显改变，整段视频的综合响度却能够得到提升。也就是说，响度战争用更小的动态范围换取了更高的整体响度，但高潮部分反而会变得不再突出。响度的「守门员」参考标准事实上，平台并非完全没有注意到声音越来越响的问题。对于视频、节目等需要大量连续观看的内容来说，如果上一段对白还需要调大音量，下一段音乐或爆炸声便突然冲到耳边，观看体验显然是一场灾难。有些内容平台制作了相应的响度参考标准（如Netflix），但幽默的是不只是内容创作者们，这些标准制定平台有时候也并未重视自己的标准。Netflix 官网的参考标准可供参考的响度制作标准 图源：SounDoer响度标准化如果说参考标准是在内容上线前提前为创作者提供一个参考，那么播放端的响度标准化，则是在内容真正来到观众耳边之前，平台根据自身标准对音频整体响度进行调控的主要手段。响度标准化的逻辑很简单：当不同内容被连续播放时，平台会尽可能让它们听起来处在相近的音量水平，避免用户刚听完一段较轻的内容，下一段便突然响到需要手动调低音量。Apple Music 中的Sound Check便是一个直观的例子。Apple 在官方说明中将它描述为一项用于平衡不同歌曲响度的功能：系统会先判断歌曲本身听起来有多响，再在播放时适当调高或调低音量，让歌曲之间的切换不会显得忽大忽小。遗憾的是这套机制在用户端的实际表现，依然会因平台和播放环境而有所不同，毕竟平台可以调低一支过响的视频，却无法替它重新找回那些已经在制作阶段被挤掉的动态范围。结语说了这么多，回到开头，是否我们已经为「响度战争」盖棺定论，视频越响就越低质？从客观上看，响度增大所带来的动态范围的损失是无法弥补的，但主观上提高响度又实打实增加了同等音量下视频的表现力。「响度」的调整应该作为某些情况下增加作品表现力的工具，而不是制作者与厂商们试图获取观众注意力的「武器」，使用一切工具的前提应该都是为内容服务。毕竟，「看视频」这件事本不应该是一场「战争」。参考资料：Netflix Partner Help Center. Netflix Sound Mix Specifications & Best Practices v1.6[EB/OL].https://partnerhelp.netflixstudios.com/hc/en-us/articles/360001794307-Netflix-Sound-Mix-Specifications-Best-Practices-v1-6.Apple. Apple Digital Masters[EB/OL].https://www.apple.com/apple-music/apple-digital-masters/docs/apple-digital-masters.pdf.SoundDoer. Game Audio Design[EB/OL].https://gad.soundoer.com/.管善群，陈通。电声技术基础 [M]. 北京：人民邮电出版社，1982.杜功焕，朱哲民，龚秀芬。声学基础 [M]. 3 版。南京：南京大学出版社，2012.Lindosland. Lindos1.svg: Equal-loudness contours created by reference to ISO 226:2003[EB/OL]. Wikimedia Commons, 2005-12-01.https://commons.wikimedia.org/wiki/File:Lindos1.svg.Youlean. Youlean Loudness Meter 2[EB/OL].https://youlean.co/youlean-loudness-meter/.> 关注少数派公众号，解锁全新阅读体验 📰> 实用、好用的正版软件，少数派为你呈现 🚀104扫码分享目录 0讨论我来说一句发布发表评论发布本文责编：@克莱德#视频#科普10等 10 人为本文章充电扫码分享举报本文章NnnobelEnchanted to meet u.关注