人声后期处理流程

录音链路中的削波

录制人声信号链：声音→麦克风→话放增益→声卡 AD 转换→宿主（Audition）→写入音频文件。

麦克风阶段（单位：dB SPL）：麦克风产生削波的阈值就是它的最大声压级（Max SPL），超过这个值，振膜/内部电路就会产生非线性失真。

失真判定标准也因厂商而异：

• 0.5% THD：传统专业标准（如 Neumann），代表"刚开始可闻失真"。
• 1% THD：很多厂商使用的标准。
• 3% THD：部分驻极体咪头的标准。
• 10% THD：即声学过载点（AOP），代表严重失真。

对人声录制而言：正常人声在嘴前 10-15cm 处约为 70-90 dB SPL，即使大声喊叫也很难超过 110 dB SPL。所以绝大多数麦克风在人声场景下不会在振膜层面削波。

话放增益阶段（单位：dBu）：话放是一个模拟放大器，它有最大输出电平限制。当增益把信号放大到超过这个上限时，内部电路饱和，产生模拟削波。

举个例子来说明这个过程：

• 麦克风灵敏度为-36 dBV/Pa（约 16 mV/Pa）。你在距离嘴 15cm 处正常说话，声压级约 80 dB SPL，80 dB SPL 对应约 0.2 Pa。
• 麦克风输出电压≈ 16 mV × 0.2 = 3.2 mV（约-50 dBV）。
• 如果话放增益拧到 60 dB，输出=-50 dBV + 60 dB =+10 dBV ≈+12 dBu →安全。
• 如果话放增益拧到 80 dB，输出=-50 dBV + 80 dB =+30 dBV ≈+32 dBu →超过+24 dBu，削波。

所以话放阶段会不会否削波，不是看增益旋钮拧了多少 dB，而是看"麦克风输出电平+增益量"的总和是否超过话放的最大输出能力。

对于人声录制来说，麦克风几乎不会过载，话放增益过大才是模拟阶段削波的主要元凶。而更常见的是话放输出信号太大，导致后面的 AD 转换器过载（超过 0 dBFS），这才是录音中最频繁发生的削波。

声卡 AD 转换（模拟→数字的关键节点）：AD 转换器有固定的数字上限——0 dBFS（Full Scale）。如果话放输出的模拟信号超过了 AD 转换器所能处理的最大电平，就会产生数字削波，并且后期无法修复。

宿主软件内部（数字域）：现代 DAW（包括 Audition）内部通常以 32 位浮点处理音频信号，浮点格式的动态范围极大，在宿主内部几乎不会发生削波。

• 如果信号在进入 AD 时就已经削波了，即使在宿主内挂上限幅器，也救不了前面已经发生的削波。
• 如果信号在模拟阶段未消波，经过 AD 转化后，未消波。那么进入宿主，被限幅器限制而防止消波，此时才会有效。

写入音频文件：

音频文件的常见的位深度有：

• 16 bit：当信号超过 0 dBFS 时，超过的部分直接丢失，波形顶部被"一刀切平"，产生硬削波，这个失真不可逆。
• 24 bit：当信号超过 0 dBFS 时，超过的部分直接丢失，波形顶部被"一刀切平"，产生硬削波，这个失真不可逆。
• 32-bit float：信号即使超过 0 dBFS，比如到了+20 dBFS，在文件中依然有对应的数值来完整记录这个波形，不会被截断。在后期处理中，把信号拉回到 0 dBFS 以下，波形完整还原，没有失真。

32-bit float 只能防止"数字域"的削波，无法修复"模拟域"的失真。

• 麦克风振膜过载（模拟失真）→ 32-bit float 救不了。
• 话放电路饱和（模拟失真）→ 32-bit float 救不了。
• AD 转换器过载（模拟→数字的硬削波）→ 32-bit float 救不了。

因为失真发生在 AD 转换之前，信号在进入数字域的那一刻就已经是畸形的了。32-bit float 只是忠实地把这个畸形的波形存了下来，后期再怎么调增益，失真依然在那。

2-bit float 真正能救的场景是：

• 信号在 AD 转换时没有过载，但在 DAW 内部处理时（比如叠加多轨、加插件）超过了 0 dBFS。
• 或者声卡/录音机本身支持 32-bit float 录制，在 AD 转换阶段就通过特殊机制（如双 ADC 架构）避免了削波。

统一电平

居家录制人声旁白，后期处理的第一步确实是增益分级（Gain Staging），也就是把电平提升到健康的工作区间。这一步的核心目的，是让信号拥有良好的信噪比，同时给后续的降噪、去混响、EQ和压缩留出充足的动态余量（Headroom），防止处理过程中出现削波失真。对于人声旁白，业界通用的标准如下：

• 平均电平（RMS）：建议控制在-18dBFS 到-12dBFS 之间。这是最理想的“工作区间”，能让后续的降噪器准确识别噪声样本，也能让压缩器更好地工作。
• 峰值电平（Peak）：建议控制在-12dBFS 到-6dBFS 之间。
• 绝对红线：严禁超过 0dBFS（电平表爆红）。一旦削波失真，后期是无法修复的。

这一步很重要：

• 降噪更精准：如果原始信号太弱，直接进降噪器，软件很难准确区分“人声”和“噪声”，降噪效果会大打折扣，甚至产生“水声”伪影。
• 避免二次失真：如果原始信号已经爆红，再挂任何效果器都是在处理一个已经损坏的信号，输出必然失真。
• 统一工作标准：把平均电平统一拉到-18dB 左右，后续挂 EQ、压缩时，插件才能工作在最佳状态，参数调整也更有参考性。

计量单位：

• 峰值（Peak）：只是音频波形中瞬间达到的最高点，它不能代表声音整体的响度。
• RMS（Root Mean Square）：代表信号的平均功率或平均能量。则更接近人耳对声音响度的真实感知。当你听一段人声旁白时，你感觉到的“音量大小”，其实是由 RMS 决定的。
• dBFS（decibels relative to Full Scale）：是数字音频的计量单位。在数字世界里，0dBFS 是绝对的天花板。一旦信号超过 0dBFS，就会发生削波失真（Clipping），声音会变得刺耳、破裂。

平均电平（RMS）：建议控制在-18dBFS 到-12dBFS 之间。将人声旁白的平均电平（RMS）控制在这个区间，主要是为了在信噪比、动态余量和插件工作状态之间找到最佳平衡：

• 保证良好的信噪比（远离底噪）：如果平均电平太低（例如低于-30dBFS），人声信号就会非常微弱，此时环境底噪、设备电流声的相对比例就会变大。将电平提升到-18dB 左右，能让清晰的人声稳稳地“浮”在底噪之上，后续的降噪插件也能更精准地识别并处理噪声。
• 预留充足的动态余量（Headroom）：人说话时会有轻重缓急，瞬间的峰值往往会比平均电平高出 6dB 到 10dB。如果平均电平已经是-6dB，那么说话稍微激动一点，峰值就会轻易撞上 0dBFS 导致失真。将平均电平控制在-18dB 到-12dB，峰值通常会落在-12dB 到-6dB 之间，这就为声音的起伏留出了足够的安全空间。
• 让后期插件工作在最佳状态：绝大多数专业的音频处理插件（如 EQ、压缩器、混响等）都是基于模拟硬件的特性设计的，它们在接收-18dBFS 左右的电平信号时，能够模拟出最自然、最饱满的音色。如果输入信号太弱，插件可能无法被有效驱动；如果输入信号太强，插件内部处理时又容易产生额外的失真。

降噪

前期素材整理除电平与动态范围调整外，还包含基础降噪、去除脉冲噪声（Click、Crackle）、修复直流偏移等。完成基础噪声处理后，再进行整体响度调整、动态范围压缩，这一步才会对峰值振幅和平均 RMS 电平进行精准管控，让指标符合要求。

交付标准

国内网络视听节目的行业技术标准GY/T 377-2023《网络视听节目音频响度技术要求和测量方法》。网络视听节目音频实行“双轨制”响度标准：

• 家庭/办公室等安静环境：目标响度为-24 LUFS（这是目前各大视频平台交付最主流的标准，旨在保留影视作品的动态范围）。
• 车载/户外等嘈杂环境：目标响度为-15 LUFS。

注意事项：国内很多短视频或纯网络视频平台（如抖音、快手、B站等）为了听感更“饱满”，通常会将响度提升到-14 LUFS 或-16 LUFS 左右。但如果是交付给爱奇艺用于网络电影、电视剧等正片播放，通常建议遵循-24 LUFS 的广播级/正片交付标准。如果交付的音频超出了容差范围，平台系统可能会自动对其进行响度归一化（响度均衡）处理，这可能会导致你精心调整的动态范围被压缩，影响最终听感。

• 目标响度：-24 LUFS（容差±2 LUFS）
• 真峰值电平（True Peak）：不超过-1 dBTP
• 对白响度：建议保持在-20 LUFS 至-12 LUFS 之间，以确保人声的清晰度和可懂度。