Mengurangi Noise Rekaman Suara dengan FFmpeg Tanpa Merusak Speech

Rekaman suara yang berisik bukan satu jenis masalah. Handling noise frekuensi rendah, desis microphone yang stabil, suara kipas, electrical hum, room reverberation, clipping, dan artifact codec berasal dari penyebab yang berbeda. Karena itu, satu denoiser yang dipaksa bekerja terlalu agresif jarang memperbaiki semuanya dengan bersih.

FFmpeg menyediakan beberapa building block yang berguna untuk cleanup secara offline. Rangkaian praktis biasanya dimulai dengan decode sumber, membuang frekuensi yang jelas tidak termasuk sinyal yang dibutuhkan, menerapkan broadband denoising secara moderat, lalu menulis hasilnya sebagai WAV tanpa kompresi untuk pemrosesan berikutnya. Bagian terpenting adalah menahan intensitas pemrosesan: noise reduction yang terlalu kuat dapat mengganti background noise dengan artifact speech yang terdengar metalik, berair, atau seperti terpotong gate.

M4A dan WAV berada pada bagian pipeline yang berbeda

File .m4a biasanya merupakan container yang membawa audio terkompresi seperti AAC atau ALAC. WAV adalah container yang umum dipakai untuk PCM tanpa kompresi. Mengubah M4A menjadi WAV tidak menghilangkan noise dengan sendirinya; proses tersebut men-decode sumber menjadi representasi yang nyaman untuk editing dan signal processing.

Konversi langsung dapat dilakukan dengan:

ffmpeg -i input.m4a output.wav

Untuk pipeline speech processing yang secara eksplisit membutuhkan mono, 16 kHz, PCM 16-bit:

ffmpeg -i input.m4a -ac 1 -ar 16000 -c:a pcm_s16le output.wav

Parameter output tersebut sebaiknya mengikuti kebutuhan sistem berikutnya. Downmix ke mono dan resampling ke 16 kHz bukan peningkatan kualitas yang berlaku umum. Format itu tepat ketika speech recognizer, pipeline telephony, atau consumer lain memang mengharuskannya.

Encoding lossy berulang adalah persoalan berbeda. Jika rekaman AAC di-decode, diproses, lalu di-encode kembali menjadi AAC, encoding lossy kedua dapat menambahkan artifact. Menyimpan hasil intermediate sebagai PCM WAV menghindari satu generasi lossy tambahan selama editing.

Buang frekuensi rendah yang tidak diperlukan sebelum broadband denoising

Rekaman suara sering memiliki energi di bawah rentang speech yang berguna akibat getaran meja, langkah kaki, angin, sentuhan pada microphone, atau sistem AC. High-pass filter melemahkan frekuensi di bawah cutoff sehingga broadband denoiser tidak dipaksa menyelesaikan semua masalah sekaligus.

Contohnya:

ffmpeg -i input.wav -af "highpass=f=80" highpass.wav

Filter highpass FFmpeg adalah high-pass biquad dengan cutoff yang dapat diatur. Cutoff 80 Hz merupakan titik awal yang masuk akal untuk banyak rekaman percakapan, bukan angka universal. Suara dengan kandungan frekuensi rendah yang berguna, rekaman musik, atau material untuk analisis akustik mungkin membutuhkan cutoff lebih rendah atau tanpa high-pass filter sama sekali.

Filter harus dipilih berdasarkan sinyal, bukan resep tetap. Menaikkan cutoff sampai rekaman terdengar “bersih” juga dapat membuat suara menjadi tipis karena komponen frekuensi rendah yang sebenarnya dibutuhkan ikut dibuang.

Electrical hum memerlukan penanganan berbeda. Nada listrik 50 Hz atau 60 Hz beserta harmoniknya merupakan komponen spektrum yang sempit. High-pass filter dapat mengurangi fundamental jika cutoff berada di atasnya, tetapi narrow notch filtering lebih selektif ketika kandungan frekuensi rendah di sekitarnya perlu dipertahankan.

afftdn menangani noise di frequency domain

Filter afftdn pada FFmpeg melakukan denoising audio menggunakan analisis FFT. Opsi nr mengatur noise reduction dalam desibel, sedangkan nf menentukan estimasi noise floor. Default noise reduction-nya adalah 12 dB, sehingga menaikkan nilainya secara sembarang bukan strategi tuning yang baik.

Pass sederhana menggunakan nilai default:

ffmpeg -i input.wav -af "afftdn" denoised.wav

Titik awal yang lebih eksplisit:

ffmpeg -i input.wav -af "afftdn=nr=10:nf=-40" denoised.wav

Nilai yang tepat bergantung pada rekaman. Desis microphone yang pelan di belakang suara dekat dan kipas keras di belakang pembicara yang jauh tidak memiliki noise floor atau signal-to-noise ratio yang sama.

afftdn juga dapat mengambil noise profile. Jika 400 ms pertama rekaman hanya berisi background noise yang representatif tanpa speech, FFmpeg dapat mengambil sample bagian tersebut sebelum menerapkan reduction:

ffmpeg -i input.wav -af "asendcmd=0.0 afftdn sn start,asendcmd=0.4 afftdn sn stop,afftdn=nr=10:nf=-40" profiled.wav

Noise profile hanya berguna jika benar-benar mewakili suara yang ingin dibuang. Mengambil sample dari bagian yang berisi speech membuat filter mempelajari campuran speech dan noise, sehingga komponen yang dibutuhkan dapat lebih mudah ikut dilemahkan.

anlmdn memakai model denoising yang berbeda

anlmdn mengurangi broadband noise dengan algoritma Non-Local Means. Mekanismenya berbeda dari afftdn: filter ini membandingkan konteks sample lokal dan mencari patch yang mirip di sekitar setiap sample.

Pemakaian dasarnya:

ffmpeg -i input.wav -af "anlmdn" denoised-nlm.wav

Opsi s mengatur kekuatan denoising, sedangkan p dan r mengatur radius patch dan pencarian. Parameter tersebut tidak setara dengan pengaturan afftdn, sehingga menyalin angka dari satu filter ke filter lainnya tidak memiliki makna yang berguna.

Output mode sangat membantu saat tuning. anlmdn dapat mengeluarkan noise yang dibuang, bukan sinyal yang sudah dibersihkan. Mendengarkan residual tersebut memberi diagnosis praktis: jika konsonan, suku kata, atau bagian pembicara terdengar jelas pada output “noise”, filter sedang membuang informasi yang sebenarnya dibutuhkan.

Prinsip ini berlaku lebih luas dari satu algoritma. Denoiser tidak cukup dinilai dari seberapa senyap bagian jeda, tetapi juga dari apa yang hilang dari suara.

Urutan filter mengubah input yang diterima denoiser

Untuk rekaman yang didominasi rumble frekuensi rendah dan desis broadband stabil, chain berikut merupakan titik awal yang masuk akal:

ffmpeg -i input.m4a \
  -af "highpass=f=80,afftdn=nr=10" \
  -c:a pcm_s16le clean.wav

High-pass filter berjalan lebih dulu. Denoiser menerima sinyal yang sebagian energi frekuensi rendahnya sudah dilemahkan.

Urutan tersebut bukan sekadar pilihan kosmetik. Setiap filter mengubah sinyal yang diterima filter berikutnya. Compression sebelum denoising, misalnya, dapat menaikkan background noise yang pelan relatif terhadap suara sehingga pekerjaan denoiser menjadi lebih sulit. Normalization berat sebelum cleanup juga dapat membuat noise floor yang sebelumnya tidak terlalu mengganggu menjadi lebih menonjol.

Untuk speech, urutan konservatif sering berbentuk:

decode
  ↓
buang rumble yang jelas atau narrow interference
  ↓
broadband denoising moderat
  ↓
EQ atau dynamics processing opsional
  ↓
final level control
  ↓
encode atau tulis PCM

Chain sebenarnya sebaiknya mengikuti defect yang memang ada pada rekaman, bukan menumpuk filter hanya karena filter tersebut tersedia.

Denoising tidak dapat memperbaiki clipping

Noise reduction bekerja pada komponen sinyal yang tidak diinginkan dan masih cukup dapat dibedakan dari material yang dibutuhkan. Clipping berbeda. Ketika input melewati rentang rekaman yang tersedia, peak terpotong dan informasi mengenai waveform aslinya hilang.

Denoiser tidak dapat merekonstruksi waveform yang hilang hanya dari sample yang sudah clipping. Algoritma declipping khusus dapat memperkirakan bentuk peak yang masuk akal pada sebagian rekaman, tetapi itu merupakan restorasi berdasarkan estimasi, bukan pemulihan sample asli.

Batas serupa berlaku pada artifact codec yang parah dan room reverberation yang kuat. Keduanya dapat dikurangi dengan pemrosesan khusus, tetapi mengubah file menjadi WAV terlebih dahulu tidak membalikkan kerusakan yang sudah terdapat pada sumber.

Karena itu, workflow paling bersih dimulai saat capture: jarak microphone yang tepat, gain yang masuk akal, acoustic noise yang lebih rendah, dan menghindari clipping biasanya memberi perbaikan lebih besar daripada repair yang semakin agresif setelah perekaman.

Sample rate conversion sebaiknya dilakukan pada boundary yang jelas

Cleanup dan konversi format memang dapat digabung dalam satu command:

ffmpeg -i input.m4a \
  -af "highpass=f=80,afftdn=nr=10" \
  -ac 1 -ar 16000 -c:a pcm_s16le clean-16k.wav

Cara tersebut tepat ketika PCM mono 16 kHz merupakan interface akhir yang dibutuhkan. Cara itu kurang sesuai jika file bersih masih akan di-master, diarsipkan, atau diproses lebih lanjut pada sample rate sumber.

Resampling tidak menciptakan detail yang hilang, dan menurunkan sample rate memang mempersempit rentang frekuensi yang dapat direpresentasikan. Demikian pula, mengubah rekaman AAC yang sudah di-decode menjadi PCM 24-bit tidak memulihkan presisi yang dibuang codec lossy aslinya. Keputusan format output sebaiknya ditentukan oleh processing boundary berikutnya.

Untuk archival intermediate, mempertahankan channel layout dan sample rate sumber sambil menulis PCM sering lebih sederhana:

ffmpeg -i input.m4a \
  -af "highpass=f=80,afftdn=nr=10" \
  -c:a pcm_s24le clean-master.wav

Export berikutnya dapat membuat versi mono 16 kHz yang dibutuhkan software speech tanpa memaksa setiap tahap intermediate memakai delivery format tersebut.

Bandingkan sinyal bersih pada loudness yang setara

Hasil yang lebih keras mudah dianggap lebih baik. Denoising, filtering, compression, dan normalization dapat mengubah level yang dirasakan, sehingga perbandingan lebih berguna ketika versi asli dan versi hasil pemrosesan didengarkan pada loudness yang serupa.

Perhatikan secara khusus konsonan, napas, akhir kata, dan transisi yang pelan. Denoising berlebihan sering lebih cepat terdengar pada bagian-bagian tersebut daripada pada vowel yang panjang. Periksa juga jeda: bagian yang sepenuhnya senyap tetapi dikelilingi speech dengan tekstur sintetis dapat menandakan pemrosesan terlalu agresif.

Targetnya bukan noise floor numerik serendah mungkin. Untuk spoken audio, hasil yang lebih baik biasanya berasal dari pemrosesan paling ringan yang cukup membuat noise tidak mengganggu sambil menjaga speech tetap stabil dan jelas. FFmpeg membuat workflow ini reproducible karena filter chain dan parameternya dapat dicatat secara persis, dibandingkan, lalu disesuaikan tanpa disembunyikan di balik satu tombol “enhance”.