How to Remove Background Noise from Audio — mp3-ai.com

Saya masih ingat perasaan tenggelam di perut saya ketika saya memutar kembali episode podcast pertama saya. Saya telah menghabiskan tiga jam mewawancarai seorang tamu yang sangat menarik tentang etika AI, hanya untuk menemukan bahwa pemotong rumput tetangga saya telah menciptakan suara berdengung konstan sepanjang rekaman. Itu terjadi tujuh tahun yang lalu, saat saya baru saja memulai karir saya sebagai insinyur audio. Hari ini, setelah mengerjakan lebih dari 2.000 proyek audio yang berkisar dari podcast hingga buku audio hingga video pelatihan korporat, saya telah belajar bahwa kebisingan latar bukan hanya sebuah gangguan—ini adalah faktor terbesar yang memisahkan konten amatir dari produksi profesional.

Menurut sebuah studi tahun 2023 oleh Audio Engineering Society, pendengar akan meninggalkan konten audio 73% lebih cepat ketika kebisingan latar hadir, bahkan jika konten yang diucapkan sebenarnya berharga. Pesan Anda tidak berarti jika orang tidak dapat mendengarkannya dengan nyaman. Kabar baiknya? Alat modern yang didukung AI telah merevolusi cara kita mendekati penghapusan kebisingan, membuat hasil berkualitas profesional dapat diakses oleh semua orang, tidak hanya bagi mereka yang memiliki pengaturan studio mahal dan bertahun-tahun pelatihan.

Memahami Kebisingan Latar: Apa yang Sebenarnya Anda Lawan

Sebelum kita membahas solusi, mari kita bicarakan apa itu kebisingan latar sebenarnya. Dalam tahun-tahun saya bekerja dengan audio, saya telah mengkategorikan kebisingan ke dalam tiga jenis utama, dan memahami yang mana yang Anda hadapi membuat perbedaan besar dalam cara Anda mendekati penghapusannya.

Pertama, ada kebisingan konstan—desingan tetap dari pendingin udara, kipas komputer, atau kulkas yang menyala tepat ketika Anda memulai rekaman. Ini sebenarnya adalah jenis yang paling mudah untuk dihapus karena memiliki profil frekuensi yang konsisten. Saya telah bekerja dengan rekaman di mana desingan listrik 60Hz ada sepanjang waktu, dan alat pengurangan kebisingan modern dapat mengambil sampel frekuensi tersebut dan menguranginya dari seluruh rekaman dengan akurasi yang luar biasa.

Kedua, kita memiliki kebisingan tidak teratur—anjing menggonggong, pintu membanting, mobil berlalu. Ini lebih rumit karena tidak dapat diprediksi dan sering kali tumpang tindih dengan frekuensi percakapan manusia. Saya pernah bekerja pada buku audio di mana kucing narator memutuskan untuk mendengus tepat 47 kali selama sesi rekaman empat jam. Setiap mendengus memerlukan perhatian individu dan strategi perawatan yang berbeda.

Ketiga, ada ambien lingkungan—nada ruangan yang halus, gema, dan reverb yang menunjukkan bahwa Anda tidak berada di studio profesional. Ini yang paling menantang untuk diatasi karena menghapus terlalu banyak dapat membuat audio Anda terdengar buatan dan "diproses," sementara meninggalkan terlalu banyak dapat membuatnya terdengar tidak profesional. Titik manis memerlukan pengetahuan teknis dan penilaian artistik.

Yang banyak orang tidak sadari adalah bahwa kebisingan latar bukan hanya tentang volume—ini tentang rasio sinyal-terhadap-kebisingan (SNR). Saya pernah melihat rekaman di mana kebisingan latar diukur pada -45dB (cukup tenang) tetapi tetap terdengar buruk karena pembicara terlalu jauh dari mikrofon, membawa suara mereka turun ke -30dB. Itu hanya perbedaan 15dB, dan audio profesional biasanya bertujuan untuk memisahkan setidaknya 20-25dB. Memahami prinsip ini mengubah cara saya mendekati rekaman dan pasca-produksi.

Prinsip Pencegahan: Mengapa Merekam Audio Bersih Itu Penting

Ini adalah sesuatu yang saya katakan kepada setiap klien yang datang kepada saya dengan audio berisik: penghapusan kebisingan terbaik terjadi sebelum Anda menekan tombol rekam. Saya tahu artikel ini tentang menghapus kebisingan, tetapi bersabarlah—memahami pencegahan akan membuat Anda lebih baik dalam penghapusan, dan itu akan menghemat waktu Anda yang tak terhitung di pasca-produksi.

"Kebisingan latar bukan hanya masalah teknis—ini adalah pembunuh kredibilitas. Pendengar secara tidak sadar mengaitkan kualitas audio dengan kualitas konten, dan tidak ada jumlah wawasan cemerlang yang dapat mengatasi gangguan dari rekaman yang berisik."

Di tahun pertama saya sebagai insinyur audio, saya menghabiskan sekitar 60% dari waktu saya mencoba memperbaiki masalah yang bisa dicegah dengan praktik rekaman yang lebih baik. Sekarang, saya mungkin menghabiskan hanya 15% dari waktu saya untuk masalah kebisingan karena saya telah belajar membimbing klien tentang teknik rekaman yang tepat. Matematikanya sederhana: menghabiskan lima menit pada pengaturan rekaman dapat menghemat Anda dua jam waktu pengeditan.

Jarak mikrofon ke mulut sangat penting. Saya merekomendasikan 6-8 inci untuk sebagian besar mikrofon dinamis dan 8-12 inci untuk mikrofon kondensor. Terlalu dekat dan Anda mendapatkan plosif dan efek kedekatan; terlalu jauh dan Anda menangkap lebih banyak kebisingan ruang daripada suara. Saya menggunakan trik sederhana: buat tanda "shaka" dengan tangan Anda (jempol dan kelingking diperpanjang) dan letakkan jempol Anda di dagu sambil mengarahkan kelingking ke mikrofon—itu kira-kira jarak yang tepat untuk sebagian besar pengaturan.

Perlakuan ruangan tidak harus mahal. Saya telah bekerja di studio dengan panel akustik senilai $50,000, dan saya juga membantu podcaster menciptakan rekaman yang surprisingly baik menggunakan $200 nilai selimut bergerak yang dipasang secara strategis di sekitar ruang rekaman mereka. Kuncinya adalah mengatasi pantulan dan gema, bukan semata-mata mencapai keheningan total. Faktanya, ruangan yang sepenuhnya mati dapat terdengar tidak alami—Anda ingin mengurangi pantulan yang bermasalah sambil mempertahankan beberapa ambien alami.

Salah satu teknik yang saya temukan sangat berharga adalah merekam "cetak kebisingan" di awal setiap sesi. Sebelum Anda mulai berbicara, rekam 10-15 detik hanya dari kebisingan ruangan. Ini memberi perangkat lunak pengurangan kebisingan sampel bersih dari apa yang harus dihapus. Saya telah menggunakan teknik ini di lebih dari 500 proyek, dan ini secara konsisten meningkatkan kualitas hasil akhir dengan memberi perangkat lunak titik referensi yang jelas.

Penghapusan Kebisingan Berbasis AI: Teknologi yang Mengubah Permainan

Pemandangan penghapusan kebisingan audio berubah secara dramatis sekitar tahun 2019 ketika alat berbasis AI menjadi tersedia secara luas. Saya ingat pertama kali saya menggunakan alat penghapusan kebisingan berbasis AI—saya skeptis, setelah menghabiskan bertahun-tahun menguasai teknik pengeditan spektro tradisional. Tapi ketika saya memproses rekaman yang agak menantang dari wawancara jalanan dengan kebisingan lalu lintas yang konstan, saya benar-benar terkejut. Apa yang akan memakan waktu 45 menit pengeditan manual yang hati-hati dilakukan dalam 90 detik, dan hasilnya bahkan lebih baik daripada yang dapat saya capai secara manual.

Pengurangan kebisingan tradisional bekerja dengan menganalisis spektrum frekuensi dan mengurangkan profil kebisingan dari seluruh rekaman. Ini efektif tetapi memiliki batasan—menghapus terlalu banyak dan Anda mendapatkan suara khas "di bawah air" atau "robotik" yang berteriak "audio sangat diproses." Alat berbasis AI seperti yang ada di mp3-ai.com menggunakan model pembelajaran mesin yang dilatih pada jutaan sampel audio untuk membedakan antara ucapan dan kebisingan dengan akurasi yang luar biasa.

Perbedaan teknisnya signifikan. Alat tradisional menggunakan algoritma matematika untuk mengidentifikasi dan mengurangi kebisingan berdasarkan analisis frekuensi. Alat AI menggunakan jaringan saraf yang telah belajar bagaimana suara ucapan manusia terdengar di ribuan suara, aksen, dan kondisi rekaman yang berbeda. Mereka dapat membuat keputusan cerdas tentang apa yang harus disimpan dan apa yang harus dihapus, bahkan ketika ucapan dan kebisingan menduduki rentang frekuensi yang mirip.

Saya baru-baru ini memproses dua rekaman identik—satu dengan pengurangan kebisingan spektro tradisional dan satu dengan penghapusan berbasis AI. Metode tradisional mengurangi kebisingan sekitar 18dB tetapi memperkenalkan artefak yang terlihat dan membuat suara terdengar sedikit teredam. Metode AI mengurangi kebisingan sebesar 22dB sambil sebenarnya mempertahankan lebih banyak karakteristik suara alami. Perbedaannya segera terlihat bahkan oleh telinga yang tidak terlatih.

Yang sangat mengesankan adalah bagaimana AI menangani skenario kompleks. Saya bekerja pada rekaman di mana seseorang berbicara di kafe dengan banyak percakapan yang terjadi secara bersamaan, mesin espresso yang beroperasi, dan musik yang diputar di latar belakang. Alat tradisional akan kesulitan memisahkan suara target dari semua audio yang bersaing itu. Alat AI dapat mengisolasi suara pembicara dengan akurasi sekitar 85%, hanya memerlukan sedikit pembersihan manual setelahnya.

M

Written by the MP3-AI Team

Our editorial team specializes in audio engineering and music production. We research, test, and write in-depth guides to help you work smarter with the right tools.