Eduardo Garbayo · Ingeniero SEO WPO
Informática, Redes, SEO. • • Lectura: ~8 min

Algoritmo Zainder: cómo hacer que se entienda el diálogo en un televisor de los de antes

Eduardo Garbayo

Eduardo G. Garba

Ingeniero Industrial, consultor SEO · WPO y escritor • Desde 1996

Algoritmo Zainder: cómo hacer que se entienda el diálogo en un televisor de los de antes

Seguro que te ha pasado. Pones una película, los actores susurran, la música se te echa encima y subes el volumen para enterarte de lo que dicen. Dos minutos después explota algo, o llegan los anuncios, y bajas el volumen a toda prisa. Eso se repite en cada sesión de sofá, y en los televisores antiguos con dos altavoces pequeños es todavía peor.

Llevaba tiempo dándole vueltas, así que lo he convertido en un algoritmo y lo he documentado con ecuaciones, parámetros y valores por defecto. Se llama Algoritmo Zainder y el artículo completo está publicado con DOI: https://doi.org/10.5281/zenodo.24437921

El problema no es el volumen

La causa no es que el televisor suene bajo. Hay cuatro culpables bien identificados:

  • Mezclas con muchísimo rango dinámico. El cine y las series se masterizan para salas controladas, con el diálogo bajo y los picos de efectos muy por encima.
  • El downmix a estéreo. En un 5.1 el diálogo vive en el canal central. Al bajar a dos canales, ese canal se suma a música, ambiente y efectos, y la relación voz-fondo se hunde.
  • Altavoces pequeños. Reproducen mal los graves y suelen tener una respuesta irregular entre 1 y 4 kHz, justo donde viven las consonantes.
  • Saltos de nivel entre programas, anuncios y cambios de canal.

La literatura sobre inteligibilidad (desde French y Steinberg hasta el SII) dice algo bastante claro: lo que importa es la relación señal-ruido por bandas. Mejorar la relación voz-fondo en las bandas medias y altas rinde más que subir el volumen global.

La idea: separar primero, procesar después

La mayoría de los modos «diálogo» de barras de sonido y televisores aplican ecualización y compresión sobre la mezcla completa. Eso tiene un coste: comprimes la voz y comprimes también la música, y aparece el bombeo.

Zainder invierte el orden. Primero obtiene la voz y el fondo por separado, luego trata cada carril con sus propios parámetros y solo los junta al final, con el fondo agachado cuando habla alguien. Todo ocurre en un único grafo de FFmpeg por archivo, y la salida es siempre estéreo.

Las ocho etapas

  1. Separación de voz y fondo.
  2. Paso alto a 120 Hz en ambos carriles, para quitar energía que el altavoz no reproduce y que solo mete distorsión.
  3. Compresión asimétrica. Voz con ratio 1 + 2·i y ataque rápido; fondo con ratio 1 + i y tiempos más lentos. Con la intensidad por defecto (i = 0,67) salen 2,3:1 y 1,7:1.
  4. Ecualización de inteligibilidad solo en la voz: −3 dB en 350 Hz contra el efecto «encajonado», +4 dB en 2,5 kHz y +2 dB en 4,5 kHz para las consonantes.
  5. De-esser estático en 7 kHz y un exciter opcional, que son dos filtros de presencia, sin saturación ni armónicos inventados.
  6. Rebalanceo y ducking por sidechain.
  7. Normalización de sonoridad con loudnorm.
  8. Limitador de picos con alimiter.

Hay un único mando de intensidad (de 0 a 1) que gobierna el rebalanceo y la compresión. Lo importante es que el usuario pueda graduar cuánto altera la mezcla original, porque la inteligibilidad manda en este caso de uso pero la naturalidad también cuenta.

Cuatro rutas según lo que tengas

Aquí está la parte menos glamurosa y más honesta del trabajo, porque no todas las pistas dan para lo mismo.

  • Ruta A (5.1, 6.1 y 7.1): la voz sale directamente del canal central real. Aquí sí hay separación auténtica.
  • Ruta C (estéreo ligera): la voz es una versión de banda limitada del componente central y el fondo se obtiene con una cancelación parcial del centro (0,85·L − 0,35·R).
  • Ruta B (espectral): filtrado por bandas, sin red neuronal.
  • Rama mono: sin información espacial no hay separación posible, solo énfasis espectral sobre dos copias de la misma señal.

Lo digo claro en el paper y lo repito aquí: solo la ruta A separa de verdad. En las demás, el «fondo» es una versión filtrada de la propia mezcla, y las hipótesis se contrastan como énfasis espectral. Venderlo de otra manera sería humo.

El ducking, que es donde se gana la partida

Una copia de la voz, ya amplificada y filtrada en banda, gobierna un compresor sidechain aplicado al fondo. El fondo cede en proporción al nivel de la voz, no con una reducción fija. Con una señal de control en −20 dBFS, el ratio de unos 3,95 da una reducción teórica de unos 12 dB (estimación analítica, sin rodilla ni tiempos). Más voz, más cede el fondo; cuando calla, el fondo vuelve.

Sonoridad y picos

Con los valores por defecto de la interfaz, la salida queda en torno a −10 LUFS nominales, muy por encima de los −23 LUFS de la EBU R128. Es una decisión deliberada para escucha doméstica con altavoces débiles, y la función Amplificación permite volver al objetivo base de −16 LUFS.

Un detalle técnico que me costó una tarde: el alimiter de FFmpeg, con el nivelado automático por defecto, reescala la salida tras limitar y te deja el pico otra vez en 0 dBFS. Con level = 0 se respeta el techo. En una prueba sintética con un pico de entrada de +3,5 dBFS, la salida quedó en −1,01 dBFS.

Lo que todavía no sé

Aquí toca dejarse de pose y decir lo que no está probado. La cadena se ha comprobado con señales sintéticas con FFmpeg 6.1.1: el grafo es válido, se ejecuta sin error y respeta el techo de pico. Pero no hay todavía validación con material real ni con oyentes. Los números de este artículo son estimaciones derivadas de las fórmulas, salvo los marcados como medidos.

Por ejemplo, la ganancia nominal de la voz sobre el fondo es de unos +11 dB en la ruta A y unos +19 dB en la ruta C con contenido centrado. Pero es una ganancia añadida, no una diferencia de sonoridad resultante, así que no puede compararse sin más con las preferencias de la bibliografía (10 a 15 LU como mínimo recomendado, 20 a 30 LU en mayores con voz sobre voz). Esa comparación saldrá de medir.

Por eso el trabajo incluye un protocolo de evaluación completo: STOI y SII como métricas objetivas, sonoridad y pico según BS.1770, MUSHRA y pruebas de repetición de frases con ruido para la parte subjetiva. También documento 17 diferencias entre mi propuesta inicial y lo que el código hace de verdad, y una lista de líneas de evolución: separador neuronal de tres vías, loudnorm en dos pasadas, limitador de pico verdadero y normalización a la entrada.

Dónde probarlo

El algoritmo está implementado en TV Old School, una aplicación que procesa en diferido el audio de un archivo de vídeo y genera una salida estéreo. No procesa televisión en directo, y conviene tenerlo presente. El código está disponible en:

Conclusión

Un buen procesado de diálogo no consiste en hacer más ruido, sino en decidir qué parte de la mezcla necesita ayuda y dársela sin estropear el resto. Zainder es mi propuesta, con todas sus costuras a la vista. Falta lo más importante, que es ponerla delante de oídos reales y preguntarles: ¿se entiende mejor, y a qué precio para la naturalidad?


¿Trabajas en audio, accesibilidad o tienes en casa un televisor que no se entiende ni a tiros? Pruébalo y cuéntame qué tal te va. Pruebo, mido y lo cuento, pero también me interesa lo que midáis vosotros.

Temas y conceptos clave

#audio #procesado de voz #FFmpeg #accesibilidad #inteligibilidad #televisión
Nuevo libro ya a la venta · Ciencia Ficción Dura

RES SILENTIS, donde callan las estrellas

La verdadera pregunta nunca fue si estábamos solos. Era si estábamos preparados. Top 10 de Amazon Hard Sci-Fi.

Artículos recomendados

Ver todos →