Los mismos audífonos, dos videos, dos volúmenes distintos
El espectador abre tu video de doce minutos en el celular, sube el volumen a un setenta por ciento para escuchar la narración con comodidad y se acomoda. Tres minutos después empieza el siguiente video, de un canal de tu nicho, y llega tanto más alto que el primer reflejo es bajar el volumen otra vez. Eso no son los audífonos y no es una impresión. Es una diferencia medible de nivel de entrega, decidida mucho antes de que alguien tocara play.
El daño no es la molestia, es la comparación. El audio bajo suena amateur antes de que se juzgue una sola frase, y los primeros treinta segundos son justo cuando el espectador decide si este canal suena como los que ya se ganaron su atención. Nadie piensa que el loudness integrado está bajo aquí. La persona piensa que suena barato, o no piensa nada y hace clic en la siguiente miniatura, que es la versión del problema que aparece en tu gráfico de retención sin ninguna etiqueta que la explique.
El instinto es culpar a la voz. El creador vuelve a grabar la narración, compra otra voz de texto a voz, apila un ecualizador en la pista, y nada cambia, porque el timbre nunca fue el problema. Dos exportaciones de la misma narración, con la misma voz, pueden quedar a seis decibelios de distancia, y seis decibelios son toda la distancia entre sonar profesional y sonar a grabación de cuarto. En un canal faceless duele el doble, porque el audio es la actuación entera y no hay una cara en pantalla que sostenga la caída.
Cuatro decisiones resuelven la pregunta, y las cuatro ocurren en la exportación: el objetivo de loudness, el techo de pico por encima de él, el altavoz que va a reproducir el archivo y la compresión que mantiene viva la frase baja. Define las cuatro una vez y ya no cambian nunca más. Sáltatelas y cada publicación apuesta con un nivel de reproducción que tú no elegiste.
Cómo normaliza YouTube: lo alto baja, lo bajo nunca sube
Cada subida se mide. La plataforma lee el loudness integrado del archivo completo, lo compara con un objetivo de la casa que ronda los -14 LUFS y aplica ganancia de reproducción para acercar el material alto a ese punto. Lo que llega bastante más alto se atenúa al reproducir. Lo que llega más bajo se queda exactamente donde estaba. Esa asimetría es el artículo entero, y es justo la parte que casi nadie explica en voz alta.
LUFS mide volumen percibido, no pico. Un medidor de pico te dice la muestra más alta del archivo, lo que no dice nada sobre cuánto suenan doce minutos de video. El LUFS integrado promedia todo el programa con una ponderación que sigue la audición humana, así que una mezcla densa y una escasa que pican en el mismo lugar pueden estar a ocho decibelios de distancia en volumen percibido. El loudness es el número que lee la plataforma. El pico es el número que te protege de la distorsión. Nunca fueron intercambiables.
Ahora usa la asimetría a tu favor. Entrega cerca de -14 LUFS y suenas en el mismo campo que todos los que aparecen al lado. Entrega a -20 y quedas seis decibelios por debajo de ese campo en cada reproducción, para siempre, porque nunca se agrega ganancia en tu favor. Diez decibelios son más o menos el punto en que el oído llama a algo la mitad de fuerte, así que seis no es una sutileza. El espectador no lo diagnostica y no sube el volumen. Se va.
Puedes leer tu propio veredicto en treinta segundos. Haz clic derecho en el reproductor, abre Estadísticas para nerds y busca la línea de loudness del contenido. Un número negativo significa que la plataforma bajó tu audio esa cantidad, lo cual es buena señal y quiere decir que entregaste por encima del objetivo. Cero o un número positivo significa que no se bajó nada y no se agregó nada, así que el nivel que exportaste es exactamente el nivel que escucha un desconocido.
Este es uno de los motivos por los que la mezcla dentro de FalconVid no es una decisión que se tome video a video. El motor escribe el guion, genera la narración, coloca la música y los efectos y renderiza la mezcla ya equilibrada, así que el mismo estándar sale del render en el primer video de un canal y en el trescientos. Nadie está midiendo un archivo a la una de la mañana esperando haber recordado la rutina de la semana pasada.
- El loudness integrado es el promedio del video entero, no su momento más alto.
- YouTube atenúa la subida que llega bastante por encima de unos -14 LUFS.
- La subida por debajo del objetivo se queda baja, nunca se te agrega ganancia.
- Un archivo entregado a -20 LUFS suena unos 6 dB bajo el campo, en cada vista.
- Estadísticas para nerds, loudness del contenido: cero o positivo es volumen desperdiciado.
Pico real bajo -1 dBTP: la distorsión que solo aparece después de subir
El loudness es un número y el pico es el otro, y el segundo es donde una buena narración se convierte en crujido. Tu editor muestra el archivo picando a -0,1 dBFS y lo llama seguro. No es seguro, porque el archivo que recibe el espectador no es el archivo que exportaste. La plataforma recodifica todo a un formato con pérdidas, y la onda reconstruida del otro lado no cae en los mismos puntos en que cayó la tuya.
Un medidor de pico de muestra solo lee las muestras que existen. Entre dos muestras la curva real puede subir más alto que ambas, y la compresión con pérdidas exagera ese exceso. Una pista en -0,1 dBFS puede salir del decodificador por encima de cero, donde ya no queda margen, y el resultado es recorte justo en las consonantes más fuertes: la letra s, la letra t, la palabra entusiasmada al final de la frase. Suena a micrófono barato. El micrófono era bueno y el techo era malo.
El arreglo no cuesta nada. Pon el techo del limitador en -1 dBTP con el medidor en modo de pico real, que es la recomendación estándar para entrega con pérdidas, y baja a -1,5 o -2 dBTP cuando el material esté muy limitado o lleno de consonantes duras. No estás renunciando a volumen, porque el volumen viene del nivel integrado y no del último decibelio de margen. Cambia también el medidor a pico real, si no seguirá mostrando la lectura que escondió el problema.
Haz una exportación con los dos medidores abiertos y se vuelve memoria muscular: integrado cerca del objetivo, pico real bajo el techo, sin excepciones y sin publicar un video sin la revisión. Dentro de FalconVid no hay paso de exportación que recordar, porque el render entrega la mezcla terminada y la publicación sale directo a YouTube, Instagram, TikTok, Rumble y Facebook sin que ningún archivo pase por tus manos.
El aparato manda más que el mezclador: celular, TV y el grave que nunca llega
Mezclaste con audífonos, de noche, en un cuarto silencioso. Tu audiencia está en el altavoz del celular a la mitad de volumen con un ventilador encendido, o en los altavoces integrados de un televisor al otro lado de la sala. Esos altavoces son físicamente incapaces de mover frecuencias graves. Por debajo de unos 200 Hz casi nada sobrevive en un celular, y en los más pequeños la caída empieza más arriba, entre 300 y 500 Hz.
Así que ese grave bonito que amaste en los audífonos es inaudible en el aparato donde vive la mayor parte de tu audiencia, y además no sale gratis. Esa energía sigue en el archivo, sigue contando cuando se mide el loudness y arrastra la mezcla entera hacia abajo cuando la plataforma normaliza. Terminas gastando volumen en frecuencias que nadie escucha, mientras la parte que carga el significado se queda con el cambio.
Corta los graves de la narración entre 80 y 100 Hz. Nada de lo que necesitas en una voz humana o sintética vive por debajo de 80 Hz, y lo que vive ahí es retumbe de sala, aire acondicionado, golpes en el escritorio y el estallido grave de una plosiva. Cortarlo no cambia nada en altavoces buenos, limpia la mezcla en todo lo demás y le devuelve al medidor de loudness el espacio que estaba desperdiciando en aire.
La banda que decide si la frase se entiende va de 1 kHz a 4 kHz. Ahí viven las consonantes, y la consonante es lo que separa una palabra entendida de un sonido borroso. Un refuerzo suave de dos a tres decibelios alrededor de 3 kHz suena a más claro, no a más alto, que es justo el intercambio que quieres, porque esa es también la banda que mejor reproduce el altavoz de un celular. La claridad ahí compra más que el volumen en cualquier otro lugar.
La música pelea contigo en el mismo punto, y la respuesta corta es mantener la cama bien por debajo de la voz y dejar que baje mientras hay palabras. Ese es un tema entero aparte y no es este. Termina primero el trabajo de loudness y después revisa escuchando en el celular, a la mitad de volumen, con ruido real en la sala, porque esa es la sala donde tu video suena de verdad.
- El altavoz del celular se rinde bajo unos 200 Hz, y los pequeños entre 300 y 500 Hz.
- Corta los graves de la narración en 80 a 100 Hz, nada que necesites vive ahí abajo.
- De 1 kHz a 4 kHz están las consonantes que deciden si la frase se entiende.
- Dos a tres decibelios alrededor de 3 kHz suenan a más claro, no a más alto.
- Revisión final en el celular, mitad de volumen, con ruido real en la sala.
Dinámica de la narración: 3:1 a 4:1 para que la frase baja sobreviva en la cocina
El loudness integrado es un promedio, y un promedio esconde sus extremos. Un archivo que mide -14 LUFS en general todavía puede tener una frase reflexiva en -24 y una entusiasmada en -8. En audífonos ese rango suena expresivo. En un celular dentro de una cocina la frase baja cae por debajo del ruido del ambiente, y el espectador pierde una línea, luego pierde el hilo, luego pierde el interés, en ese orden.
Un compresor suave lo arregla. Relación entre 3:1 y 4:1, umbral ajustado para que los picos reciban de tres a seis decibelios de reducción mientras el habla normal casi no se mueve, ataque de cinco a diez milisegundos, liberación de sesenta a ciento cincuenta milisegundos. Después recompón la ganancia y normaliza a tu objetivo. Para contenido hablado, un rango de loudness de unos cinco a ocho LU es cómodo: sigue vivo, pero nada se cae al piso.
La narración sintética necesita esto tanto como la humana, por un motivo distinto. Un video largo se renderiza por segmentos, y el nivel varía entre ellos, muchas veces dos o tres decibelios, así que una narración de doce minutos armada con decenas de bloques puede llegar con escalones audibles. El énfasis, la pregunta y la exclamación empujan picos de un modo que cambia de un modelo de voz a otro. El compresor es lo que hace que todo suene como una persona hablando doce minutos y no como una lista de frases.
No te pases. Ocho a uno en una voz aplasta el énfasis que sostiene la atención, y una narración sin dinámica ninguna es exactamente el sonido que la gente describe como robótico. Estás construyendo un piso, no un muro. Todo debe seguir subiendo y bajando con el sentido, solo que ya no puede desaparecer bajo un ventilador, un auto o una conversación en el cuarto de al lado.
Dónde FalconVid te entrega la mezcla ya equilibrada
Todo lo anterior es trabajo por video, y el trabajo por video es justo la parte que nunca escala. En FalconVid la mezcla sale lista del render: narración, música y efectos ya equilibrados entre sí, con la pista bajando sola por debajo de la voz. El especialista de sound design trabaja en paralelo con el investigador, el guionista, el narrador y el editor, y no tiene que adivinar dónde está el habla, porque el mismo motor generó esa narración un instante antes.
La narración es una línea que puedes calcular antes de empezar. Cuesta 24 créditos por minuto en las voces premium y 3 créditos por minuto en la voz económica, así que un video de doce minutos lleva 288 o 36 créditos de narración. El video de doce minutos terminado cuesta 1.008 créditos en modo económico, 8.676 en equilibrado y 26.760 en premium, con una tarifa base de pipeline de 16 créditos, y el crédito vale US$ 0,003133, así que sabes el precio del audio antes de aprobar nada.
Los subtítulos karaoke están activos en todos los planes, en más de quince estilos, y no tienen línea de crédito propia porque son parte del render y no un extra. Eso importa en este artículo en particular: buena parte de la audiencia en celular mira con el sonido apagado, así que el subtítulo es lo que retiene a esa persona justo en los momentos en que el volumen no la alcanza de ninguna forma.
Cuando quieras escucharlo antes de publicar, el Studio reproduce la V1. Puedes cambiar la música, acortar la intro o reemplazar un material sin rehacer el video, y abrir la línea de tiempo cuando quieras precisión. Si el video usa un avatar de IA las reglas de mezcla no cambian en nada, solo cambia la cuenta, porque el lip sync se cobra por segundo de rostro en pantalla, desde 32 créditos por segundo en Kling Avatar Std.
El volumen viene del plan y no de tu madrugada. El Starter es US$ 47 con 15.000 créditos, 1 canal y 2 generaciones simultáneas, lo que en la práctica da unos 10 a 12 videos al mes mezclando el modo económico con uno en equilibrado, porque nadie corre un mes entero en un solo modo. El Pro es US$ 97 con 30.000 créditos, 5 canales y 5 generaciones simultáneas, y toda función de creación está en todos los planes: lo que cambia por plan es volumen, canales, generaciones simultáneas, el Analista Sénior (desde Pro; Starter recibe 7 días gratis) y el soporte.
Dos techos: el del manual y el del automatizado
Hacerlo a mano es una rutina de verdad. Abrir el medidor, revisar el loudness integrado contra el objetivo, revisar el pico real contra el techo, exportar y validar el archivo antes de subirlo. Cuando ya conoces los movimientos cuesta unos diez minutos por video, que son cinco horas al mes en un canal que publica una vez al día, gastadas enteras en un paso que el espectador nunca nota cuando está bien hecho.
Y no es la habilidad lo que se rompe primero, es la repetición. Video cuarenta, la una de la mañana, después de un render que falló y una miniatura que rehiciste dos veces, te saltas la revisión solo esta vez. Ese video suena cinco decibelios por debajo del resto del canal para siempre, y claro que es justo el que el algoritmo decide mostrar a desconocidos. El techo de la vía manual nunca fue tu oído. Es tu noche.
La vía automatizada mueve ese techo de lugar. La mezcla sale del render con el mismo estándar en el video uno y en el video trescientos, en todos los canales que manejes, en hasta 63 idiomas, a partir de un calendario que apruebas una vez. Nadie tiene que recordar la rutina, porque la rutina es el propio render. Lo que te limita deja de ser tu paciencia y pasa a ser el crédito del plan que elegiste.
Así que mantén los dos números a la vista. A mano, una buena pasada de audio cuesta unos diez minutos por video y es lo primero que cae cuando la semana aprieta. En automático, el estándar es idéntico en cada publicación, en cuantos canales quieras, y lo único que te queda por decidir es cuánto volumen quieres comprar y en qué modo de calidad lo quieres.
- Manual: un medidor, una exportación y una revisión en cada publicación.
- Manual: unos 10 minutos por video, cinco horas al mes con un video al día.
- Manual: la revisión es lo primero que te saltas cuando estás cansado.
- Automático: el mismo estándar de mezcla en el video 1 y en el video 300.
- Automático: idéntico en todos los canales y en hasta 63 idiomas.