# Музыка под речь: выбор и подкладка Две отдельные проблемы, которые обычно путают: **какой трек** и **как его подложить**. Жалоба «музыка ни о чём и плохо слышно» почти всегда означает и то, и другое сразу. ## Выбор: ранжирование по тому, что мешает речи ```bash python scripts/audition_music.py candidates/*.mp3 --brief calm_talk \ --under-duration 105 --excerpt-dir excerpts --out audition.json ``` Трек выбирается не по тегам. Решает то, чего в метаданных нет: | Величина | Что означает | Порог | |---|---|---| | `mid_occupancy` | Доля энергии в 300–3400 Гц — полосе, которая нужна голосу. | Ниже 0.30 хорошо, выше 0.40 — трек придётся задавить до неслышимости. | | `syllabic_ratio` | Плотность модуляции 2–8 Гц в полосе 1–4 кГц против всего диапазона 0.2–20 Гц. 1.0 — ровно. | Выше 1.6 — в речевой полосе что-то движется со скоростью речи: вокал или солирующая линия. | | `intro_seconds` | Сколько до выхода трека на рабочую энергию. | Больше 12 с — под короткий ролик не подложить. | | `dynamic_spread_db` | Разброс уровня. | Меньше 4 дБ — кирпич, ровная стена под голосом. Больше 20 — будет нырять под сайдчейном. | | `peak_dbfs` | Пик исходника. | Выше 0 — файл уже клиппован, чище не станет. | | `pulse_strength` | Выраженность бита. | Ниже 0.12 — резать по битам не выйдет. | ### `hf_transients_per_second` — почему трек одновременно «не слышно» и «бьёт по ушам» Это самая контринтуитивная метрика набора, и она объясняет реальную жалобу: музыки не слышно, но её высокие биты перебивают голос. Трёхполосный дакер держит верх слабее всех — воздух и тарелки сидят **над** речью и обычно её не маскируют. Для тянущегося верха это верно. Для ударного — нет: хэт это щелчок, он переживает любой дакинг с релизом, достаточно длинным чтобы не качать, и остаётся единственным, что слышно из трека, пока его тело задавлено на 15 LU. Считается плотность резких атак выше 5 кГц. Выше **2.5 в секунду** — трек будет слышен щелчками, а не телом. Реальный пример: выбранный по остальным метрикам трек имел 3.1 транзиента/с и 172 BPM. Заменивший его — 1.7 транзиента/с и 68 BPM, при вдвое более свободной речевой полосе. `mix_music_bed.py` дополнительно считает эту величину сам и вешает на бас полку `treble` до −7 дБ от 6 кГц, пропорционально измеренному. Полка, а не срез: цель — чтобы хэты перестали пробивать, а не чтобы трек звучал из соседней комнаты. Отключается через `--tame-hats 0`. **`mid_occupancy` — самый сильный предиктор.** Трек на падах и сабе оставляет речевую полосу пустой, и его можно играть на 6 дБ громче трека с гитарой при той же интегральной громкости, не теряя разборчивости. Поэтому «музыку не слышно» и «музыка мешает голосу» — это одна и та же проблема: трек с плотной серединой приходится задавить до неслышимости. Метрика `syllabic_ratio` считается по **плотности**, а не по сумме полос. Сумма здесь не говорит ничего: 2–8 Гц — это 6 Гц из 19.8 Гц эталона, поэтому даже абсолютно ровный спектр модуляции даёт 0.30, и все треки оказываются у порога. Ранжирование не выбирает. Слушай `excerpt` двух-трёх верхних кандидатов. ### Реальный пример Трек, который стоял в предыдущей версии монтажа, получил 62 из 100: пик +2.4 дБFS (клиппован), и **интро 69 секунд** при длине ролика 105. Отсюда и «плохо слышно» — почти весь ролик шёл под тихим вступлением. Заменивший его трек получил 100: `mid_occupancy` 0.11, пик −6.8 дБFS, интро 6 с, лицензия CC-BY. ## Подкладка: три полосы вместо одного дакера ```bash python scripts/mix_music_bed.py cut.mp4 track.mp3 out.mp4 \ --intent under_talk --timeline timeline.json ``` Плоский sidechain-компрессор — причина, по которой фон в монтаже либо не слышен, либо мешает. Он давит **всю** музыку одинаково, поэтому единственная ручка — «насколько закопать», и басы с воздухом исчезают вместе с серединой, которая только и была проблемой. Здесь бас делится на три полосы, и каждая обрабатывается за то, что она делает: - **низ (< 250 Гц)** — разборчивости не мешает никогда, давится слабее всех и держит тело трека под говорящей головой; - **середина (250–3500 Гц)** — единственная настоящая коллизия. Давится сильнее всех плюс получает статический вырез, потому что статика не качает; - **верх (> 3500 Гц)** — воздух и тарелки слышны поверх речи, не маскируя её. Результат — бас, который **присутствует** при куда меньшей маскировке: та же воспринимаемая громкость музыки при освобождённой речевой полосе. ## Сколько LU под голосом — и почему не 19 Вещательная практика называет 15–22 LU для музыки под речью. Это верно для непрерывного микса, где бас **играет между фразами**: слушатель регулярно слышит трек в открытом виде и достраивает его присутствие под речью сам. В плотно нарезанной говорящей голове этих пауз нет. Они вырезаны — в этом и был смысл нарезки. Поэтому та же цифра воспринимается на несколько дБ тише, чем показывает прибор, и корректно измеренная подкладка на 19 LU звучит как «музыки почти нет». Рабочее значение здесь — **15 LU**, и трёхполосный дакинг это позволяет: середина освобождена, поэтому бас можно посадить ближе, не теряя разборчивости. | Intent | LU под голосом | Подъём в конце | |---|---|---| | `bed` | 20 | +5 дБ | | `under_talk` | 15 | +6 дБ | | `support` | 12 | +7 дБ | | `drive` | 10 | +8 дБ | После последнего слова дакеру больше не на что реагировать, и бас поднимается сам — это то, что отличает «ролик закончился» от «ролик оборвался». Уровни не угадываются. Оба входа меряются `ebur128`, и трек ставится на заданное число LU ниже измеренного голоса. Ключ сайдчейна — голос, ограниченный полосой 200–4000 Гц: если открывать дакер полнополосным сигналом, скрип кресла раскрывает его так же широко, как фраза. `acrossover` разделяет полосы фазово-когерентно — иначе сумма трёх полос даёт гребёнку. ## Лицензия Openverse отдаёт `cc0`, `by`, `by-nc`, `by-nc-nd`. Для ролика, который может стать коммерческим, годятся только `cc0` и `by`. `by-nc-nd` запрещает и коммерческое использование, и производные — подкладка под видео является производным. Карточка трека обязательна: см. `PIXABAY_MUSIC.md`.