JOIA Mastering Engine

Introducció

JOIA Mastering Engine és un motor offline de processament i mastering vocal creat per transformar gravacions de veu crues en arxius més consistents, controlats i preparats per a producció. No substitueix una mescla completa ni el criteri dun enginyer de mastering; automatitza una part concreta del treball: analitzar una veu, netejar elements innecessaris, controlar dinàmica, ajustar to, normalitzar loudness, limitar pics i exportar un WAV professional amb dades tècniques.

El projecte respon a una necessitat habitual de producció. Locutors, productores i equips de veu IA sovint processen molts arxius semblants: lectures comercials, narracions corporatives, demos, preses de dataset o versions de contingut. El processament manual funciona, però consumeix temps i pot generar petites inconsistències. El motor converteix aquest treball repetible en un pipeline DSP documentat.

El problema

Processar veus manualment consumeix temps perquè una veu acabada no és només una veu més alta. Necessita intel·ligibilitat, estabilitat, pics controlats, reducció de greus innecessaris, respiracions equilibrades i un objectiu de loudness adequat al destí. Un anunci digital, una narració llarga, un vídeo corporatiu i un dataset de veu IA no haurien de rebre el mateix tractament.

Els problemes habituals són inconsistència entre preses, loudness variable, respiracions massa presents després de comprimir, greus innecessaris per proximitat o vibració de sala, manca de presència en mitjans i resultats sonors diferents entre projectes que haurien de compartir identitat.

• Inconsistència
• Loudness variable
• Respiracions
• Greus innecessaris
• Manca de presència
• Diferències entre projectes

Filosofia del projecte

La filosofia és automatitzar allò repetitiu mantenint naturalitat. Una cadena vocal agressiva pot fer que un arxiu soni més fort però menys creïble. Un gate dur pot crear buits artificials. Una reducció excessiva de respiracions pot esborrar el ritme humà duna frase.

Lenginyer continua decidint intenció, context i aprovació final. El motor socupa doperacions mesurables: RMS, peak, crest factor, noise floor, neteja, control de silencis, compressió, EQ, normalització LUFS, limitació i traçabilitat.

Arquitectura general

El sistema té tres capes: motor principal, interfície gràfica i mòduls especialitzats. El motor principal carrega, analitza, processa i exporta. La GUI permet usar leina sense dependre sempre del terminal. Els mòduls especialitzats aïllen responsabilitats danàlisi, neteja, dinàmica, EQ, loudness i exportació.

+---------------------------+
|        Usuari             |
|   GUI / CLI / Batch input  |
+-------------+-------------+
              |
              v
+---------------------------+
|     Motor principal        |
| analisi, perfil, cadena    |
+-------------+-------------+
              |
              v
+---------------------------+
|  Moduls especialitzats     |
| analysis | cleaning | EQ   |
| dynamics | LUFS | export   |
+---------------------------+

Flux de processament

El flux actiu segueix una lògica seqüencial de mastering vocal: càrrega de laudio, conversió a mono, anàlisi espectral, mesura RMS, peak detection, crest factor, noise floor, detecció automàtica de perfil, neteja, respiracions, control de silencis, processament per blocs, compressió, equalització, normalització LUFS, limitació, exportació WAV 24-bit i generació de JSON tècnic.

Cada etapa prepara la següent. Netejar abans de comprimir evita que el soroll greu controli la dinàmica. Normalitzar LUFS abans de la limitació final crea loudness percebut consistent mentre protegeix la seguretat de pic.

Sistema danàlisi intel·ligent

La part intel·ligent no és màgia. És lectura de senyal. RMS estima energia mitjana. Peak detecta lamplitud instantània més alta. Crest factor compara pic i RMS per entendre el comportament dinàmic. Spectral centroid descriu si la veu tendeix a fosca o brillant. Noise floor estima el fons que hi ha sota la veu.

Si una gravació té RMS baix, pics alts i soroll de fons, pujar guany directament també puja el soroll mentre els pics continuen limitant el marge. El motor mesura primer, neteja després, controla dinàmica i només llavors normalitza.

Perfils de mastering

Els perfils adapten la cadena al destí. No són presets decoratius; defineixen intenció. Una veu comercial necessita presència immediata. Una narració necessita comoditat en el temps. Un dataset necessita menys coloració. Una veu cinematogràfica pot necessitar pes i escala controlats.

Processament per blocs i overlap

El processament per blocs divideix làudio en segments curts perquè el motor pugui reaccionar a canvis locals. El risc és crear vores audibles entre blocs. Loverlap ho resol mesclant blocs entre si.

Una finestra Hann suavitza linici i el final de cada bloc. En lloc de tallar àudio amb una vora dura, crea un fos. Com unir dues imatges panoràmiques amb una transició suau, la finestra oculta la junta i redueix artefactes.

Loudness i normalització

LUFS mesura sonoritat percebuda en el temps. Peak mesura el valor instantani més alt. Totes dues coses importen: el pic evita clipping, LUFS ajuda que els arxius es percebin igual de forts. El motor combina normalització LUFS amb limitació final.

Exportació professional

El motor exporta WAV 24-bit PCM. WAV és un format sense compressió i àmpliament compatible. 24-bit ofereix més marge dinàmic que 16-bit, una cosa útil per a postproducció, conversió i arxiu. Larxiu final de consum pot comprimir-se després, però el màster queda més robust.

Sistema de traçabilitat

Els logs JSON fan que cada processament sigui auditable. El WAV diu com sona el resultat; el JSON explica amb quin perfil i valors tècnics sha produït. Això és útil per a QA, comparació de versions i validació per lots.

{
  "profile": "commercial",
  "lufs": -14,
  "peak": -1.0,
  "crest_factor": 11.5
}

Tecnologies utilitzades

El projecte usa Python com a llenguatge principal. Librosa ajuda amb càrrega dàudio i anàlisi espectral. SciPy aporta filtres i eines de senyal. NumPy gestiona arrays de mostres. Pyloudnorm mesura i normalitza LUFS. Pedalboard aporta processadors com compressió i limitació. Soundfile escriu formats dàudio professionals. Tkinter ofereix una GUI senzilla.

Avantatges del sistema

Lavantatge principal no és que el motor faci una cosa impossible manualment. És que fa treball repetible de manera ràpida i el documenta. Això importa quan molts arxius han de compartir nivell, to, format dentrega i criteris de qualitat.

• Menys treball manual repetitiu
• Més consistència entre arxius
• Perfils per ús de producció
• Entrega basada en LUFS
• Exportació WAV 24-bit
• Logs JSON per a QA

Limitacions actuals

Letapa de true peak és simplificada. Un true peak estricte requereix oversampling per detectar pics inter-sample. Alguns paràmetres continuen hardcoded, cosa que redueix flexibilitat. La GUI és funcional però bàsica. La detecció automàtica de perfil és una heurística, no una decisió creativa. Gravacions difícils amb soroll extrem, sala problemàtica o respiracions complexes poden requerir edició manual.

Roadmap futur

Les properes millores són clares: true peak real amb oversampling, batch processing avançat, perfils personalitzats, detecció assistida per IA, una GUI més visual i possible integració VST. El roadmap ha de mantenir intacte el principi central: automatització transparent per a veu professional, no sobreprocessament per si mateix.