I Tested 6 Noise Reduction Tools on the Same Terrible Audio

# 同じひどい音声で6つのノイズリダクションツールを試してみました

同じ60秒のクリップにACハム、キーボードのクリック音、部屋のエコーがあります。6つのツール。SNRの改善、アーティファクトの導入、処理時間を測定しました。

過去10年間、ほとんどの人が即座に削除する音声のクリーンアップに取り組んできました。証言者が倉庫の向こう側から話している裁判録音。ラッシュアワーのカフェで録音されたポッドキャストインタビュー。風嵐の中でジャケットポケットに入れたスマートフォンで録音されたボイスメモ。この仕事は、ほとんどの音響エンジニアが認めないことを私に教えてくれました：高価なものが効果的であるとは限らず、「クリーン」はしばしば「ノイズと共にすべてのキャラクターを壊した」という暗号です。

先月、あるポッドキャスターから私を悩ませるファイルが送られてきました。彼女はACが動いているアパートでインタビューを録音していて、機械式のキーボードが手の届く範囲にあり、運搬コンテナの中から放送しているように聞こえるほどの部屋のリバーブがありました。「これを救えますか？」と彼女は尋ねました。「インタビューは素晴らしかったのですが、これでは公開できません。」

私はいつも通りのワークフローで処理を済ませて返すこともできました。しかし、今回は異なることをしました。その60秒の部分を6回複製し、それぞれを異なるノイズリダクションツールで処理しました—数年間使用してきた無料プラグインから「法医学的修復」を約束する$400のソフトウェアスイートまで。そして、すべてを測定しました。

方法論：実際にこれらのツールをテストした方法

ほとんどの音響ツールのレビューは無駄です。誰かがソフトウェアを開き、ファイルをドラッグし、いくつかのスライダーを動かして「より良く聞こえる」まで調整し、勝者を宣言する。それはテストではありません。それは高価な機器での推測です。

私は客観的な測定が必要だったので、ソースファイルの特性から始めました。スペクトラムアナライザーを使用して、60HzのACハム（120Hzおよび180Hzにハーモニクス）、2kHzから8kHzのトランジェントキーボードクリック音、約0.8秒の減衰時間を持つ部屋のリバーブという3つの異なるノイズタイプを特定しました。元の信号対ノイズ比は8.2 dBで、技術的には可聴な音声ですが、30秒以上聞くのは疲れます。

各ツールについて、私は4つのメトリクスを測定しました。信号対ノイズ比の改善は、音声がどれだけ数字的にクリーンになったかを教えてくれました。アーティファクトの導入は、処理が新たに生み出した問題の数を数えました—金属的な鳴り、海中効果、あるいは「これをポストで修正しようとした」という悲鳴を上げる特徴的な「加工された」音。それに、処理時間も重要でした。なぜなら、工具が60秒の音声を処理するのに20分かかるのなら、締切に追われている人には実用的ではないからです。そして主観的な品質も、数字ではすべてを伝えられないため—正規の聴力を持つ5人とプロの音響トレーニングを受けた2人に、どのバージョンがどのツールで処理されたか知らずに聞いてもらいました。

テストファイルは説明が必要です。これは、クリーンな音声に合成音が加えられたものではありませんでした。これは、現実の災害音声です：普通の会話のボリュームで話す女性が、良いUSBマイク（Audio-Technica AT2020）で録音されていますが、最悪の環境で。ACユニットは、サッシに取り付けられたモデルで、オンとオフを繰り返していました。キーボードは、一般的に使用される中で最も大きなスイッチタイプであるCherry MX Blueメカニカルキーボードです。部屋は12x14フィートで、硬材の床があり、音響処理はなく、平行な壁が40Hzおよび80Hzで定在波を作り出していました。

私は最初にツールのデフォルトの「ボイス」または「ダイアログ」プリセットを使用して各ファイルを処理し、その後、可能な限り最良の結果を得るために手動調整をしました。この二回処理のアプローチは、実際に人々がこれらのツールを使用する方法を反映しています—最初に素早くプリセットを選び、必要に応じて微調整する。

何を聞いているのかわからなかった頃

15年前、私はクリーンな音声が無音の音声であると思っていました。声以外のすべてを削除する。たとえ駐車場で録音されていても、隔離ブースで録音されたように聞こえるようにする。私は初期のノイズリダクションプラグインで何時間も過ごし、すべてのパラメータを最大にまで上げて、どれだけ削除できたかに誇りを持っていました。

その後、94歳のホロコースト生存者に関するドキュメンタリーの音声をクリーンアップするために雇われました。インタビューは、彼女のアパートで録音されており、古い建物で薄い壁、街の騒音が常に漏れ入っていました。私はいつもの攻撃的なアプローチで処理し、ディレクターに送信しました。

彼女は翌日私に電話をかけてきました。「彼女の声に何が起こったの？」と彼女は尋ねました。「彼女が水の下から電話を通して話しているように聞こえる。特定の単語でどれだけ揺れているか聞こえる？」

私は再度聞きました。彼女は正しかった。バックグラウンドノイズを排除しようとするあまり、私はその女性を人工的に感じさせるアーティファクトを導入してしまった。さらに悪いことに、彼女がどこで話しているのかの文脈を提供する部屋のトーンを一部削除してしまった—彼女の家、キャンプから生き延びた四十年間住んでいた場所です。私が作り出した臨床的な清潔さは、実際には感情的な情報を削除していました。

そこで私は、クリーンな音声とデッドな音声の違いを学びました。クリーンな音声は、コンテンツから気を散らさないほど低いノイズフロアを持っています。デッドな音声は、あまりにも攻撃的に処理されて人間らしく聞こえなくなったものです。すべてのノイズリダクションツールは、この線を異なる方法で歩み、ほとんどは間違った側に落ちます。

生存者インタビューは、私に「ブレステスト」と呼ぶものを聞くように教えてくれました。誰かが話すとき、言葉と単語の間の小さな瞬間で彼らは息を吸い、口を動かし、身体が物理的な空間に存在します。攻撃的なノイズリダクションは、ノイズと共にこのマイクロ音を排除することがよくあります。その結果、技術的にはクリーンですが、感情的には空虚な—人間ではなく、テキスト読み上げエンジンから発信されているように聞こえる音声です。

私はそのインタビューに戻り、より軽いタッチで再処理しました。はい、一部の街の騒音はまだ聞こえました。はい、部屋のトーンも存在しました。しかし、その女性の声は彼女自身の声のように聞こえました—温かく、存在感があり、生き生きとしていました。ディレクターはそれを聞いて涙を流しました。「それが彼女なの」と彼女は言いました。「それが実際の彼女です。」

テスト結果：数字は物語の半分を語る

私がそのひどい音声を6つの異なるノイズリダクションツールで処理したとき、何が起こったかは次のとおりです：

数字は興味深いことを明らかにします：最も高価なツール（iZotope RX 10）は、最高のSNR改善と主観的スコアを達成しましたが、価格の一部のツールとのギャップは思ったほど大きくありませんでした。さらに重要なのは、2番目に高い主観的スコアがReaperの内蔵ReaFIRに与えられたことです—多くの音響専門家がすでに所有している$60のDAWに無料で付属するツールです。

Adobe Podcast Enhanceは、最悪の形で私を驚かせました。無料で非常に使いやすい（ドラッグ、ドロップ、待機）にもかかわらず、最も明らかなアーティファクトを導入しました。AI処理により、声がボコーダーを通したように聞こえました。いくつかのリスナーはそれを「不気味」または「不気味な谷」と形容しました。SNRの改善は書類上は堅実でしたが、主観的な体験は十分に悪かったため、実際に人々に聞いてもらいたいことには使用しませんでした。

Krisp AIは、リアルタイムのビデオ通話用に大々的にマーケティングされていますが、Adobeよりも良いパフォーマンスを示しましたが、それでもあの特有の「AI処理された」品質に苦しみました。ズーム会議のように今すぐノイズ抑制が必要な場面では優れていますが、公開するコンテンツには適していません。