AI Noise Removal: Clean Up Audio

Tôi vẫn nhớ cảm giác hoảng loạn trong giọng nói của nhà sản xuất khi cô ấy gọi cho tôi lúc 11 giờ đêm vào một ngày thứ Ba. "Cuộc phỏng vấn không sử dụng được," cô nói. "Có tiếng ù liên tục trong toàn bộ bản ghi, và chúng ta sẽ phát trực tiếp trong 36 giờ." Lúc đó, tôi đã làm việc như một chuyên gia hậu kỳ âm thanh gần 15 năm, và tôi đã nghe những biến thể của cuộc khủng hoảng này hàng chục lần. Điều cô ấy chưa biết là công nghệ loại bỏ tiếng ồn AI vừa đạt được một bước tiến mà những gì trước đây mất đến 8 giờ làm việc thủ công tỉ mỉ bây giờ có thể hoàn thành trong chưa đến 20 phút—và với kết quả tốt hơn những gì tôi có thể đạt được bằng tay.

Tối hôm đó đánh dấu một bước ngoặt trong cách tôi tiếp cận làm sạch âm thanh. Cuộc phỏng vấn mà cô ấy gửi cho tôi có đủ mọi vấn đề: tiếng ồn HVAC ở 60 Hz, tiếng giao thông không liên tục, tiếng ghế kêu và thậm chí là tiếng chuông điện thoại của ai đó vang lên trên bàn. Năm năm trước, đây sẽ là một dự án ác mộng, bao gồm chỉnh sửa phổ, nhiều vòng loại bỏ tiếng ồn và việc loại bỏ thủ công cẩn thận những âm thanh tạm thời. Thay vào đó, tôi đã tải nó vào một công cụ loại bỏ tiếng ồn bằng AI, để thuật toán phân tích hồ sơ âm thanh trong 90 giây và nghe nó loại bỏ những âm thanh không mong muốn trong khi vẫn giữ được mọi sắc thái trong giọng nói của người nói, bao gồm cả những mẫu hơi thở tinh tế tạo cho giọng nói có chất tự nhiên.

Cách Mạng Trong Công Nghệ Làm Sạch Âm Thanh

Công nghệ loại bỏ tiếng ồn AI đại diện cho một trong những bước tiến quan trọng nhất trong hậu kỳ âm thanh kể từ khi giới thiệu các trạm làm việc âm thanh kỹ thuật số vào những năm 1990. Các công cụ loại bỏ tiếng ồn truyền thống hoạt động dựa trên những nguyên lý tương đối đơn giản: xác định một hồ sơ tiếng ồn từ một phần "sạch" của tiếng ồn, sau đó trừ hồ sơ đó khỏi toàn bộ bản ghi. Cách tiếp cận này có nhiều hạn chế nghiêm trọng. Nó gặp khó khăn với tiếng ồn không ổn định (âm thanh thay đổi theo thời gian), thường giới thiệu các artefact khiến giọng nói nghe có vẻ rỗng hoặc robot, và yêu cầu can thiệp thủ công đáng kể để đạt được kết quả chấp nhận được.

Các công cụ loại bỏ tiếng ồn hiện đại sử dụng các mô hình học sâu được đào tạo trên hàng triệu giờ âm thanh. Những mô hình này đã học cách phân biệt giữa âm thanh mong muốn và không mong muốn với một sự tinh vi mà mô phỏng—và thường vượt xa—cảm nhận của con người. Công nghệ sử dụng mạng nơ-ron tích chập có thể phân tích âm thanh ở cả miền thời gian và tần số đồng thời, hiểu ngữ cảnh theo những cách mà các thuật toán truyền thống không thể. Khi một mô hình AI gặp một giọng nói với tiếng ồn nền, nó không chỉ trừ các tần số; nó tái cấu trúc những gì giọng nói sạch nên có dựa trên các mẫu mà nó đã học từ các tập dữ liệu khổng lồ.

Những tác động thực tiễn là đáng kinh ngạc. Tại studio của tôi, các dự án trước đó cần 6-8 giờ làm sạch b now chỉ mất 30-45 phút. Nhưng quan trọng hơn, chất lượng đã cải thiện đáng kể. Gần đây, tôi đã tham gia vào một cuộc phỏng vấn tài liệu được ghi âm trong một quán cà phê đông đúc—điều mà gần như không thể cứu vớt được cách đây một thập kỷ. Mô hình AI đã thành công trong việc loại bỏ tiếng xì của máy pha cà phê, các cuộc trò chuyện nền, tiếng ghế kéo và chuông cửa trong khi vẫn duy trì được độ ấm và âm hưởng trong giọng nói của người được phỏng vấn. Đạo diễn không thể tin rằng đó là cùng một bản ghi.

Điều làm cho công nghệ này đặc biệt mạnh mẽ là khả năng xử lý nhiều loại tiếng ồn cùng một lúc. Các công cụ truyền thống yêu cầu bạn giải quyết từng vấn đề một cách riêng biệt: đầu tiên là tiếng ù, rồi đến tiếng xì, kế đến là các âm thanh tạm thời. Mỗi lần xử lý làm giảm chất lượng âm thanh một chút. Các mô hình AI xử lý tất cả trong một lần xử lý, hiểu cách các loại tiếng ồn khác nhau tương tác và đưa ra quyết định thông minh về những gì cần bảo tồn và những gì cần loại bỏ. Việc xử lý một lần duy nhất này bảo tồn chất lượng âm thanh theo những cách mà quy trình truyền thống nhiều giai đoạn không thể sánh kịp.

Hiểu Về Những Gì AI Có Thể Và Không Thể Loại Bỏ

Mặc dù khả năng loại bỏ tiếng ồn của AI rất ấn tượng, nhưng điều quan trọng là phải hiểu những hạn chế của nó. Tôi đã thấy quá nhiều người giả định rằng AI là phép thuật—rằng nó có thể khắc phục bất cứ điều gì. Nó không thể, và hiểu biết về những ranh giới này giúp bạn đưa ra quyết định tốt hơn trong quá trình ghi âm và hậu kỳ.

"Việc loại bỏ tiếng ồn truyền thống giống như cố gắng loại bỏ một vết bẩn bằng búa tạ—bạn sẽ loại bỏ vấn đề, nhưng lại làm hỏng mọi thứ xung quanh. AI tiếp cận nó như một bác sĩ phẫu thuật với dao mổ."

AI xuất sắc trong việc loại bỏ tiếng ồn nền nhất quán: hệ thống HVAC, tiếng quạt máy tính, tiếng ù điện, tiếng động giao thông và âm thanh nền phòng. Nó rất giỏi trong việc xử lý tiếng gió, điều từng là một trong những vấn đề khó khăn nhất trong làm sạch âm thanh. Các mô hình AI hiện đại có thể phân biệt giữa tiếng gió làm xáo trộn micro và nội dung tần số thấp hợp pháp trong lời nói hoặc âm nhạc, điều mà chỉ năm năm trước đây sẽ có vẻ như là không thể. Tôi gần đây đã làm sạch một cuộc phỏng vấn ngoài trời khi gió thổi vào micro mỗi 10-15 giây. AI đã loại bỏ tiếng gió một cách sạch sẽ đến mức bạn sẽ không bao giờ biết được cuộc phỏng vấn không được ghi âm trong studio.

Công nghệ cũng xử lý tiếng ồn không liên tục một cách đáng ngạc nhiên: cửa đóng, điện thoại reo, tiếng gõ bàn phím và tiếng giấy xé. Những âm thanh tạm thời này rất khó khăn vì chúng chiếm cùng tần số với lời nói và âm nhạc. Các mô hình AI sử dụng ngữ cảnh tạm thời—hiểu những gì đã xảy ra trước và sau—để tái cấu trúc âm thanh mà lẽ ra phải có. Tuy nhiên, có những giới hạn. Nếu một âm thanh tạm thời hoàn toàn che lấp âm thanh mong muốn (như một tiếng ồn lớn giữa một đoạn lời nói nhỏ), ngay cả AI cũng không thể phục hồi những gì chưa bao giờ được ghi lại.

Nơi mà AI gặp khó khăn là với tiếng ồn có tông màu tương tự như tín hiệu mong muốn. Nếu một người đang nói và một người khác đang nói chuyện ở nền ở cùng một âm lượng, loại bỏ tiếng ồn AI sẽ gặp khó khăn trong việc tách chúng ra một cách rõ ràng. Điều tương tự cũng áp dụng cho âm nhạc tràn vào các bản ghi giọng nói hoặc nhiều nhạc cụ đang chơi cùng lúc khi bạn chỉ muốn một cái. Những tình huống này yêu cầu các cách tiếp cận khác nhau—các mô hình tách nguồn thay vì các mô hình loại bỏ tiếng ồn, và ngay cả khi đó, kết quả có thể không ổn định.

Một hạn chế khác liên quan đến mức độ tiếng ồn cực đoan. Nếu tỷ lệ tín hiệu trên tiếng ồn tồi tệ hơn khoảng -10 dB (nghĩa là tiếng ồn lớn hơn đáng kể so với tín hiệu mong muốn), ngay cả các mô hình AI tốt nhất cũng sẽ gặp khó khăn. Tôi đã học điều này theo cách khó khăn khi làm việc với một khách hàng đã ghi âm một tập podcast trong một căn phòng có máy lạnh hỏng ồn hơn cả người nói. AI đã loại bỏ phần lớn tiếng ồn, nhưng âm thanh cuối cùng có chất lượng xử lý mà khiến tôi bị phân tâm. Bài học: Loại bỏ tiếng ồn AI rất mạnh mẽ, nhưng không thay thế được cho các phương pháp ghi âm tốt.

Lựa Chọn Công Cụ Loại Bỏ Tiếng Ồn AI Phù Hợp

Thị trường cho các công cụ loại bỏ tiếng ồn AI đã bùng nổ trong ba năm qua. Khi tôi bắt đầu sử dụng công nghệ này vào năm 2019, có thể chỉ có ba lựa chọn nghiêm túc. Ngày nay, có hàng tá, từ các plugin miễn phí đến các giải pháp tầm doanh nghiệp có giá hàng ngàn đô la. Lựa chọn công cụ phù hợp phụ thuộc vào nhu cầu cụ thể của bạn, ngân sách và quy trình làm việc.

Đối với công việc chuyên nghiệp, tôi chủ yếu sử dụng ba công cụ: các mô-đun Dialogue Isolate và Voice De-noise của iZotope RX 10, Enhance Speech của Adobe Podcast, và Studio Sound của Descript. Mỗi công cụ có những điểm mạnh riêng. iZotope RX vẫn là tiêu chuẩn vàng cho công việc chính xác. Các mô hình AI của nó rất minh bạch—chúng loại bỏ tiếng ồn mà không tạo ra chất lượng "đã được xử lý" mà các công cụ kém hơn mắc phải. Giao diện cung cấp cho bạn kiểm soát chi tiết khi cần, nhưng AI đủ thông minh để bạn hiếm khi cần điều chỉnh các tham số. Đối với một dự án sách nói gần đây có âm thanh phòng không đồng nhất trong 40 phiên ghi âm, Dialogue Isolate của RX đã tạo ra sự đồng nhất liền mạch mà đã rất khó để đạt được bằng tay.

Enhance Speech của Adobe Podcast nổi bật nhờ vào sự đơn giản và hiệu quả. Nó là giải pháp một nút bấm hoạt động cực kỳ tốt cho nội dung podcast và phỏng vấn. Tôi sử dụng nó cho các dự án cần nhanh nơi mà tôi không cần sự chính xác của RX. Mô hình AI được đào tạo cụ thể trên giọng nói, và điều đó thể hiện—nó bảo tồn các đặc trưng giọng nói một cách tuyệt đẹp trong khi tích cực loại bỏ tiếng ồn nền. Hạn chế là bạn có kiểm soát tối thiểu; đó thực sự là một công tắc bật/tắt. Đối với 70% công việc podcast của tôi, điều đó là hoàn toàn đủ.

Studio Sound của Descript nằm ở giữa một vị trí thú vị. Nó được tích hợp vào một môi trường chỉnh sửa đầy đủ, giúp quy trình làm việc diễn ra suôn sẻ hơn nhiều. AI đặc biệt giỏi trong việc xử lý nhiều người nói và duy trì sự đồng nhất qua các lần chỉnh sửa. Tôi thấy nó đặc biệt hữu ích cho việc làm sạch phỏng vấn từ xa, nơi mỗi người tham gia ghi âm trong các môi trường âm thanh khác nhau. Studio Sound có thể biến một cuộc gọi Zoom trở thành...