JOIA Mastering Engine

Introducción

JOIA Mastering Engine es un motor offline de procesamiento y mastering vocal creado para transformar grabaciones de voz crudas en archivos más consistentes, controlados y preparados para producción. No sustituye una mezcla completa ni el criterio de un ingeniero de mastering; automatiza una parte concreta del trabajo: analizar una voz, limpiar elementos innecesarios, controlar dinámica, ajustar tono, normalizar loudness, limitar picos y exportar un WAV profesional con datos técnicos.

El proyecto responde a una necesidad habitual de producción. Locutores, productoras y equipos de voz IA suelen procesar muchos archivos parecidos: lecturas comerciales, narraciones corporativas, demos, tomas de dataset o versiones de contenido. El procesamiento manual funciona, pero consume tiempo y puede generar pequeñas inconsistencias. El motor convierte ese trabajo repetible en un pipeline DSP documentado.

El problema

Procesar voces manualmente consume tiempo porque una voz terminada no es solo una voz más alta. Necesita inteligibilidad, estabilidad, picos controlados, reducción de graves innecesarios, respiraciones equilibradas y un objetivo de loudness adecuado al destino. Un anuncio digital, una narración larga, un vídeo corporativo y un dataset de voz IA no deberían recibir el mismo tratamiento.

Los problemas habituales son inconsistencia entre tomas, loudness variable, respiraciones demasiado presentes después de comprimir, graves innecesarios por proximidad o vibración de sala, falta de presencia en medios y resultados sonoros distintos entre proyectos que deberían compartir identidad.

• Inconsistencia
• Loudness variable
• Respiraciones
• Graves innecesarios
• Falta de presencia
• Diferencias entre proyectos

Filosofía del proyecto

La filosofía es automatizar lo repetitivo manteniendo naturalidad. Una cadena vocal agresiva puede hacer que un archivo suene más fuerte pero menos creíble. Un gate duro puede crear huecos artificiales. Una reducción excesiva de respiraciones puede borrar el ritmo humano de una frase.

El ingeniero sigue decidiendo intención, contexto y aprobación final. El motor se ocupa de operaciones medibles: RMS, peak, crest factor, noise floor, limpieza, control de silencios, compresión, EQ, normalización LUFS, limitación y trazabilidad.

Arquitectura general

El sistema tiene tres capas: motor principal, interfaz gráfica y módulos especializados. El motor principal carga, analiza, procesa y exporta. La GUI permite usar la herramienta sin depender siempre del terminal. Los módulos especializados aíslan responsabilidades de análisis, limpieza, dinámica, EQ, loudness y exportación.

+---------------------------+
|        Usuario            |
|   GUI / CLI / Batch input  |
+-------------+-------------+
              |
              v
+---------------------------+
|     Motor principal        |
| analisis, perfil, cadena   |
+-------------+-------------+
              |
              v
+---------------------------+
|  Modulos especializados    |
| analysis | cleaning | EQ   |
| dynamics | LUFS | export   |
+---------------------------+

Flujo de procesamiento

El flujo activo sigue una lógica secuencial de mastering vocal: carga del audio, conversión a mono, análisis espectral, medición RMS, peak detection, crest factor, noise floor, detección automática de perfil, limpieza, respiraciones, control de silencios, procesamiento por bloques, compresión, ecualización, normalización LUFS, limitación, exportación WAV 24-bit y generación de JSON técnico.

Cada etapa prepara la siguiente. Limpiar antes de comprimir evita que el ruido grave controle la dinámica. Normalizar LUFS antes de la limitación final crea loudness percibido consistente mientras protege la seguridad de pico.

Sistema de análisis inteligente

La parte inteligente no es magia. Es lectura de señal. RMS estima energía media. Peak detecta la amplitud instantánea más alta. Crest factor compara pico y RMS para entender el comportamiento dinámico. Spectral centroid describe si la voz tiende a oscura o brillante. Noise floor estima el fondo que hay bajo la voz.

Si una grabación tiene RMS bajo, picos altos y ruido de fondo, subir ganancia directamente también sube el ruido mientras los picos siguen limitando el margen. El motor mide primero, limpia después, controla dinámica y solo entonces normaliza.

Perfiles de mastering

Los perfiles adaptan la cadena al destino. No son presets decorativos; definen intención. Una voz comercial necesita presencia inmediata. Una narración necesita comodidad en el tiempo. Un dataset necesita menos coloración. Una voz cinematográfica puede necesitar peso y escala controlados.

Procesamiento por bloques y overlap

El procesamiento por bloques divide el audio en segmentos cortos para que el motor pueda reaccionar a cambios locales. El riesgo es crear bordes audibles entre bloques. El overlap lo resuelve mezclando bloques entre sí.

Una ventana Hann suaviza el inicio y el final de cada bloque. En lugar de cortar audio con un borde duro, crea un fundido. Como unir dos imágenes panorámicas con una transición suave, la ventana oculta la junta y reduce artefactos.

Loudness y normalización

LUFS mide sonoridad percibida en el tiempo. Peak mide el valor instantáneo más alto. Ambas cosas importan: el pico evita clipping, LUFS ayuda a que los archivos se perciban igual de fuertes. El motor combina normalización LUFS con limitación final.

Exportación profesional

El motor exporta WAV 24-bit PCM. WAV es un formato sin compresión y ampliamente compatible. 24-bit ofrece más margen dinámico que 16-bit, algo útil para postproducción, conversión y archivo. El archivo final de consumo puede comprimirse después, pero el máster queda más robusto.

Sistema de trazabilidad

Los logs JSON hacen que cada procesamiento sea auditable. El WAV dice cómo suena el resultado; el JSON explica con qué perfil y valores técnicos se produjo. Esto es útil para QA, comparación de versiones y validación por lotes.

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

Tecnologías utilizadas

El proyecto usa Python como lenguaje principal. Librosa ayuda con carga de audio y análisis espectral. SciPy aporta filtros y herramientas de señal. NumPy maneja arrays de muestras. Pyloudnorm mide y normaliza LUFS. Pedalboard aporta procesadores como compresión y limitación. Soundfile escribe formatos de audio profesionales. Tkinter ofrece una GUI sencilla.

Ventajas del sistema

La ventaja principal no es que el motor haga algo imposible manualmente. Es que hace trabajo repetible de forma rápida y lo documenta. Eso importa cuando muchos archivos deben compartir nivel, tono, formato de entrega y criterios de calidad.

• Menos trabajo manual repetitivo
• Más consistencia entre archivos
• Perfiles por uso de producción
• Entrega basada en LUFS
• Exportación WAV 24-bit
• Logs JSON para QA

Limitaciones actuales

La etapa de true peak es simplificada. Un true peak estricto requiere oversampling para detectar picos inter-sample. Algunos parámetros siguen hardcoded, lo que reduce flexibilidad. La GUI es funcional pero básica. La detección automática de perfil es una heurística, no una decisión creativa. Grabaciones difíciles con ruido extremo, sala problemática o respiraciones complejas pueden requerir edición manual.

Roadmap futuro

Las próximas mejoras son claras: true peak real con oversampling, batch processing avanzado, perfiles personalizados, detección asistida por IA, una GUI más visual y posible integración VST. El roadmap debe mantener intacto el principio central: automatización transparente para voz profesional, no sobreprocesamiento por sí mismo.