Z artykułu dowiesz się:
- dlaczego słaby dźwięk obniża wiarygodność prelegenta i firmy,
- skąd w transmisji na żywo biorą się pogłos, buczenie i przesunięcie dźwięku względem obrazu,
- jakie poziomy, bitrate i częstotliwość próbkowania ustawić dla audio w streamingu,
- czym różni się miks dla sali od miksu dla widzów online,
- dlaczego transmisja Mszy powinna korzystać z dźwięku z nagłośnienia kościoła.
Prezes firmy mówi do kamery 4K, kadr jest ostry jak w reklamie, a licznik widzów spada z minuty na minutę. Powód nie leży w obrazie. Mikrofon kamery stoi sześć metrów od mówcy, w sali z gołymi ścianami, więc głos dociera do widzów jak z dna studni, przykryty szumem klimatyzacji. Organizatorzy transmisji wydają pieniądze na kamerę, światło i szybsze łącze, a dźwięk zostawiają na koniec, choć to od niego zależy, czy widz zostanie do ostatniej minuty.
Ucho wybacza mniej niż oko
Psychologowie z Uniwersytetu Południowej Kalifornii sprawdzili, jak jakość dźwięku wpływa na ocenę treści. W badaniu opublikowanym w 2018 r. w czasopiśmie Science Communication Eryn Newman i Norbert Schwarz pokazali 97 uczestnikom fragmenty wystąpień konferencyjnych, jedno z czystym, drugie ze zniekształconym dźwiękiem. Przy słabym audio uczestnicy gorzej oceniali samo wystąpienie, uznawali prelegenta za mniej inteligentnego i mniej sympatycznego, a jego badania za mniej istotne. W drugim eksperymencie, opartym na wywiadach radiowych z naukowcami, gorszy dźwięk obniżał wiarygodność rozmówców. Autorzy tłumaczą to płynnością przetwarzania: treść, którą trudno zrozumieć, mózg ocenia jako mniej przekonującą, a ta ocena przenosi się na mówiącego.
Dla firmy oznacza to, że słaby dźwięk obniża wiarygodność marki i prelegenta, a nie tylko męczy widza. Paradoks polega na tym, że poprawa audio jest najtańszą częścią transmisji. Stereo w kodeku AAC zajmuje 128 kb/s, czyli mniej niż 1% strumienia Full HD, a dobry mikrofon krawatowy kosztuje ułamek ceny kamery. Problem rzadko wynika z braku budżetu. Częściej z tego, że nikt nie słucha transmisji tak, jak słyszą ją widzowie.
Słychać pogłos i echo?
To najczęstszy problem transmisji z sal konferencyjnych, hal i kościołów, a jego przyczyną jest odległość mikrofonu od źródła. Poziom dźwięku bezpośredniego spada o około 6 dB przy każdym podwojeniu odległości, natomiast dźwięk odbity od ścian, sufitu i podłogi wypełnia pomieszczenie w miarę równomiernie. Za tzw. odległością krytyczną mikrofon zbiera więcej odbić niż samego głosu, a mikrofon wbudowany w kamerę na końcu sali prawie zawsze znajduje się w tej strefie.
Skalę zjawiska opisuje czas pogłosu, czyli czas, po którym dźwięk w pomieszczeniu wygasa o 60 dB. Dla zrozumiałej mowy zaleca się około 1 sekundy. W kościołach wartości są wielokrotnie wyższe, bo kubatura jest duża, a kamień i tynk prawie nie pochłaniają dźwięku. W świątyni o kubaturze około 2500 m³ zmierzono średnio 4,1 s przy zalecanym maksimum 2,5 s, a w dużych katedrach pogłos bywa jeszcze dłuższy. Na miejscu mózg słuchacza częściowo odfiltrowuje odbicia, bo dwoje uszu słyszy kierunek, z którego dobiega głos. Nagranie z jednego mikrofonu tej informacji nie przenosi, dlatego pogłos w transmisji brzmi mocniej niż w samej sali.
Najwięcej tracą starsi widzowie. Z wiekiem słuch słabnie najpierw w zakresie wysokich częstotliwości, w którym leżą spółgłoski decydujące o zrozumiałości słów, a pogłos dodatkowo je rozmazuje. Skutecznym rozwiązaniem jest mikrofon blisko ust: krawatowy, nagłowny albo na statywie przy mównicy, w odległości od kilkunastu do kilkudziesięciu centymetrów. Filtr redukcji pogłosu w oprogramowaniu poprawi nagranie tylko częściowo i zwykle kosztem naturalnego brzmienia.
Głos jest za cichy?
Za cichy albo nierówny dźwięk to zwykle efekt źle ustawionego wzmocnienia na wejściu. Szczyty mowy w mikserze lub programie do streamingu powinny dochodzić do poziomu od -12 do -6 dBFS. Taki zapas chroni przed przesterowaniem przy głośniejszym zdaniu czy śmiechu, a przesteru cyfrowego, czyli obcięcia sygnału na granicy 0 dBFS, nie da się później naprawić. Na torze transmisyjnym warto ustawić łagodny kompresor, który wyrównuje różnice między cichym i głośnym mówcą, oraz limiter zatrzymujący szczyty przed granicą. W telewizji głośność reguluje norma EBU R128 z poziomem -23 LUFS, w internecie obowiązkowej normy nie ma, a zbyt cicha transmisja zmusza widza do podkręcania głośności, która potem uderza go przy pierwszym głośniejszym dźwięku.
W tle słychać buczenie?
Jednostajne buczenie o niskim tonie to niemal zawsze pętla masy. Powstaje, gdy urządzenia połączone kablem audio, na przykład mikser i koder albo komputer, są zasilane z różnych gniazd o nieco innym potencjale uziemienia. Przez ekran kabla płynie wtedy niewielki prąd, a w sygnale pojawia się przydźwięk sieciowy o częstotliwości 50 Hz i jego harmoniczne, 100 i 150 Hz. Najczęściej zdarza się to przy niesymetrycznych połączeniach, czyli kablach jack mono lub RCA prowadzonych na kilka metrów.
Rozwiązaniem są połączenia symetryczne (XLR), separator audio z transformatorem albo DI-box z przełącznikiem odcinającym masę sygnałową. Nie wolno natomiast odcinać przewodu ochronnego w zasilaniu, na przykład przez przejściówkę bez styku uziemiającego. Buczenie zniknie, ale przy awarii obudowa urządzenia może znaleźć się pod napięciem.
Dźwięk wyprzedza obraz?
Przesunięcie między ruchem ust a głosem wydaje się drobiazgiem, a wywołuje silny dyskomfort. Według zalecenia ITU-R BT.1359 widzowie zauważają je już wtedy, gdy dźwięk wyprzedza obraz o około 45 ms, ale opóźnienie dźwięku dostrzegają dopiero przy około 125 ms. Ta asymetria ma prosty powód: w naturze światło dociera do nas szybciej niż dźwięk, więc mózg jest przyzwyczajony do lekko spóźnionego głosu. Słuchacz siedzący 15 metrów od mówcy słyszy jego głos bezpośredni z opóźnieniem około 44 ms i nie zwraca na to uwagi. Europejska Unia Nadawców w zaleceniu R37 dopuszcza w całym torze najwyżej 40 ms wyprzedzenia i 60 ms opóźnienia dźwięku.
W transmisjach to zwykle dźwięk wyprzedza obraz, bo obie ścieżki mają różne opóźnienia. Kamera IP koduje obraz i wysyła go przez sieć, co trwa dłużej niż przejście sygnału z miksera do kodera. Ścieżkę audio trzeba więc opóźnić w koderze lub programie do streamingu o zmierzoną wartość. Najprostszy test polega na klaśnięciu przed kamerą i przesuwaniu dźwięku, aż obraz i dźwięk klaśnięcia się pokryją. Test powtarza się po każdej zmianie kamery albo ustawień kodowania.
Dźwięk gra w jednym uchu?
Mikrofon jest źródłem monofonicznym. Jeśli w mikserze albo interfejsie audio trafi tylko na lewy kanał, a koder potraktuje sygnał jako stereo, widz w słuchawkach usłyszy prelegenta wyłącznie lewym uchem. Problem łatwo przeoczyć, bo operator zwykle odsłuchuje transmisję na głośnikach, które wypełniają pokój dźwiękiem z obu stron. Mowę wystarczy wysyłać jako mono rozprowadzone na oba kanały, a przed startem sprawdzić transmisję w słuchawkach.
Widzowie nie słyszą sali?
Miks przygotowany dla sali i miks dla transmisji to dwie różne rzeczy. Realizator nagłośnienia wzmacnia głównie to, czego publiczność nie usłyszy sama, czyli mikrofony mówców. Pytania z widowni, oklaski, śmiech czy nienagłośnione instrumenty są w sali głośne akustycznie, ale w sygnale z miksera prawie ich nie ma. Widz online słyszy więc odpowiedź prelegenta na pytanie, którego nikt mu nie zadał.
Na konferencjach najprostszym rozwiązaniem jest mikrofon do ręki dla pytających albo zasada, że prowadzący powtarza pytanie. Atmosferę sali oddaje dodatkowy mikrofon ambientowy, cicho zmiksowany pod głosem mówcy. Przy większych wydarzeniach warto przygotować osobny miks transmisyjny z wyjścia pomocniczego (aux) miksera, z lepszą słyszalnością mowy i mniejszą ilością basu, bo widzowie słuchają na laptopach i telefonach.
Parametry dźwięku do streamingu
Wartości z tabeli dobrze sprawdzają się w transmisjach wystąpień, konferencji i nabożeństw.
| Parametr | Zalecana wartość | Uwagi |
|---|---|---|
| Częstotliwość próbkowania | 44,1 kHz lub 48 kHz | jednakowa w całym torze |
| Kodek audio | AAC | standard platform |
| Bitrate audio | 128 kb/s stereo | zalecenie YouTube |
| Szczyty mowy | od -12 do -6 dBFS | zapas przed przesterem |
| Przesunięcie dźwięku | do 40 ms przed obrazem, do 60 ms po | zalecenie EBU R37 |
| Mikrofon od ust | kilkanaście do kilkudziesięciu cm | mniej pogłosu |
| Czas pogłosu dla mowy | ok. 1 s | dłuższy obniża zrozumiałość |
Nagłośnienie zamiast mikrofonu w kamerze
Transmisja Mszy łączy prawie wszystkie opisane problemy naraz. Kamera wisi zwykle na chórze albo na filarze, kilkanaście metrów od ołtarza, pogłos trwa kilka sekund, a wśród widzów przeważają osoby starsze i chore, dla których najważniejsza jest zrozumiałość czytań i homilii. Mikrofon kamery zbierze w takich warunkach głównie odbicia od sklepienia, kaszel i kroki w nawie.
Rozwiązaniem jest sygnał z systemu nagłośnienia. Mikrofony przy ołtarzu i ambonie stoją blisko ust, więc rejestrują głos bezpośredni, a sygnał w mikserze ma już wyrównany poziom. W takim modelu działa operator AirMAX, który przy transmisjach Mszy online podłącza dźwięk bezpośrednio z nagłośnienia kościoła w jakości 44,1 kHz/16 bit, czyli w standardzie płyty CD, z możliwością dostosowania parametrów w zakresie 44,1-192 kHz. Obraz z kamery 4K i dźwięk trafiają do odtwarzacza na stronie parafii, bez reklam przerywających liturgię. Szczegóły wdrożenia opisuje https://airmax.pl/transmisja-mszy i tam parafia sprawdzi, czy jej diecezja jest w zasięgu usługi.
Rozdzielczość 16 bitów daje zakres dynamiki około 96 dB, a próbkowanie 44,1 kHz przenosi częstotliwości do 22 kHz, czyli powyżej granicy ludzkiego słuchu. Dla mowy i śpiewu liturgicznego to w praktyce pełna jakość, a o tym, co usłyszy widz, decyduje przede wszystkim odległość mikrofonu od źródła.
Widz wybaczy transmisji obraz z gorszej kamery, ale nie wybaczy tego, że nie zrozumiał ani słowa.
Najczęściej zadawane pytania
Jaki bitrate dźwięku ustawić w transmisji na żywo?
Dla stereo w kodeku AAC standardem jest 128 kb/s przy częstotliwości 44,1 kHz i tyle zaleca YouTube. Dla samej mowy to wartość z zapasem, a dźwięk stanowi mniej niż 1% strumienia Full HD.
Czy do streamingu wybrać 44,1 czy 48 kHz?
Obie wartości sprawdzą się w transmisji. YouTube zaleca 44,1 kHz dla stereo, a 48 kHz to standard w produkcji wideo i przy dźwięku 5.1. Ważniejsza jest spójność: wszystkie urządzenia w torze powinny pracować z tą samą częstotliwością, bo niezgodność bywa źródłem trzasków i rozjeżdżania się dźwięku z obrazem.
Jak zsynchronizować dźwięk z obrazem w transmisji?
Trzeba zmierzyć przesunięcie i opóźnić ścieżkę, która przychodzi wcześniej, najczęściej dźwięk. Wystarczy klaśnięcie przed kamerą i regulacja przesunięcia audio w koderze, aż obraz i dźwięk się pokryją. Dźwięk nie powinien wyprzedzać obrazu o więcej niż około 40 ms.
Skąd się bierze buczenie w transmisji i jak je usunąć?
Najczęściej z pętli masy między urządzeniami zasilanymi z różnych gniazd. Pomagają połączenia symetryczne XLR, separator audio albo DI-box z odcięciem masy sygnałowej. Nie wolno odłączać przewodu ochronnego w zasilaniu.
Czy mikrofon w kamerze wystarczy do transmisji?
Tylko wtedy, gdy kamera stoi blisko mówcy w cichym pomieszczeniu z krótkim pogłosem. W sali konferencyjnej, hali czy kościele mikrofon kamery zbiera głównie odbicia i hałas tła, dlatego dźwięk lepiej pobierać z miksera lub z mikrofonu przy ustach.
Jak sprawdzić, jak brzmi transmisja u widzów?
Najlepiej odsłuchać ją na drugim urządzeniu, w słuchawkach i na głośniku telefonu, z dala od sali. Przed ważnym wydarzeniem warto zrobić prywatną transmisję testową i nagrać kilkadziesiąt sekund mowy, oklasków i pytań z widowni.
Czy transmisja Mszy może korzystać z dźwięku z nagłośnienia kościoła?
Tak, to najlepsze źródło czytelnej mowy, bo mikrofony przy ołtarzu i ambonie zbierają głos z bliska. Sygnał z nagłośnienia podłącza się do kodera lub systemu transmisji, a jego poziom i synchronizację z obrazem ustawia się podczas wdrożenia.
