By SongTools.ai
자동 마스터링은 크게 발전했습니다. 하지만 언제 믿고 언제 직접 손을 대야 하는지 아는 것이 좋은 마스터와 훌륭한 마스터를 가릅니다.
# AI Mastering의 현재 상태와 한계
자동화된 mastering은 약 10년 전 처음 서비스가 출시된 이후 오디오 엔지니어링 커뮤니티에서 논쟁이 많은 주제였습니다. 초기 자동 mastering은 종종 너무 크고, 과도하게 압축되었으며, 숙련된 인간 엔지니어의 mastering이 가진 섬세함이 부족하다는 비판을 받았습니다. 그 비판은 대부분 타당했습니다.
현재 세대는 훨씬 더 능력 있습니다. AI mastering 시스템은 이제 학습된 모델을 사용하여 각 트랙의 특정 특성을 분석하고 식별된 문제를 보정하면서 동시에 현대적인 음량과 스펙트럼 목표를 달성하는 처리를 적용합니다. 결과는 많은 애플리케이션에 충분히 좋으며, 천장이 어디인지 이해하면 이런 도구들을 지능적으로 사용할 수 있습니다.
일관성. AI mastering은 모든 트랙에 일관된 처리 로직을 적용합니다. 트랙 전체에서 음색 일관성이 중요한 앨범이나 EP의 경우, 자동화된 mastering은 각 트랙에 투자할 시간이 다양한 엔지니어의 빠른 수동 작업보다 더 예측 가능하게 균일한 결과를 만들어냅니다.
속도와 비용. 인간 mastering 엔지니어는 돈이 들고 시간이 걸립니다. 예산이 제한적인 프로젝트 — 데모, 스트리밍 플랫폼으로의 자체 발매, 몇 개월 안에 교체될 콘텐츠 — 의 경우, 몇 초 안에 준비되는 AI mastering된 버전은 정말 유용합니다.
스트리밍 음량 목표. 대부분의 AI mastering 서비스는 스트리밍 플랫폼 음량 정규화를 위해 잘 조정되어 있습니다. 그들은 LUFS 목표(-14 LUFS integrated, 대부분의 플랫폼)를 이해하고 Spotify, Apple Music, YouTube의 정규화 시스템에 의해 낮춰지지 않을 파일을 제공합니다.
기술적 문제 식별. AI master를 최종 출력으로 사용하지 않더라도, AI mastering 분석을 통해 mix를 실행하면 종종 기술적 문제를 표면화합니다 — 과도한 true peak 레벨, 매우 불균형한 주파수 응답, 저음 주파수에서의 과도한 스테레오 폭 — 이것들을 인간 mastering 엔지니어에게 보내기 전에 해결할 수 있습니다.
음악적 판단. 위대한 mastering의 정의적 특질은 그것이 음악을 봉사한다는 것입니다. 경험 많은 mastering 엔지니어는 트랙을 듣고 그것이 필요로 하는 것이 무엇인지 묻습니다 — 통계 모델이 제안하는 것이 아닙니다. 예술적 이유로 의도적으로 매우 어둡고 저음이 많은 주파수 균형을 가진 음악은 평탄한 응답으로 보정되어서는 안 됩니다. AI 시스템은 명시적 지시가 없으면 예술적 의도와 상관없이 트랙을 평균 스펙트럼 목표 쪽으로 밀어낼 것입니다.
문맥 인식. Mastering 엔지니어는 아날로그 레코드 mastering(디지털과 다른 저음 주파수 처리가 필요함), 방송 마스터(스트리밍과 다른 특정 음량 사양이 있음), 또는 비디오 플랫폼 자체 처리로 압축될 뮤직 비디오 사운드트랙을 mastering하고 있는지 알고 있습니다. AI 시스템은 일반적으로 단일 대상 문맥을 위해 mastering합니다.
문제가 있는 소스 재료 처리. Mix에 실제 문제가 있을 때 — 제한에서 펌핑을 일으키는 공명 주파수, 모노 호환성 문제를 일으키는 위상 문제, 또는 불균형한 스테레오 필드 — 좋은 mastering 엔지니어는 특정 원인을 진단하고 해결합니다. AI mastering은 문제를 해결하기보다는 그 주변에 작동하는 표준 처리를 적용하는 경향이 있으며, 종종 프로세스에서 자신만의 아티팩트를 도입합니다.
마지막 5%. 최고 수준의 상업적으로 발매되는 음악의 경우, 기술적으로 능숙한 master와 뛰어난 것 사이의 차이는 종종 단순히 좋은 귀뿐만 아니라 문맥을 필요로 하는 결정으로 내려옵니다: 최종 master가 나머지 앨범의 문맥에서 어떻게 자리 잡고 있는지, 같은 장르의 참고 자료와 어떻게 비교되는지, 가장 다양한 재생 환경에 얼마나 잘 변환되는지. 이것들은 현재 AI 시스템이 최고의 인간 엔지니어와 같은 수준에서 만들지 못하는 판단 호출입니다.
AI mastering 사용 대상: 기술적 최소값을 충족하는 것이 목표인 제한된 예산을 가진 독립 아티스트를 위한 스트리밍 발매; mastering이 아닌 음악을 시연하는 것이 목표인 레이블, 매니저 또는 협력자에게 보내지는 데모; mastering이 실행 불가능한 인간 mastering 턴어라운드가 있는 차박 발매 마감선이 있는 트랙; 그리고 다양한 mix 결정을 평가하기 위해 빠르고 일관된 처리를 원하는 초기 단계 A/B 비교.
인간 mastering 사용 대상: 주요 상업 발매, 특히 물리적 미디어(아날로그 레코드와 CD는 전문가 처리가 필요함); mastering의 음향 정체성이 예술적 성명의 일부인 프로젝트; mix에서 엔지니어링 판단이 필요한 알려진 기술적 문제가 있는 트랙; 그리고 처리뿐만 아니라 mastering 엔지니어의 참고 피드백이 필요한 상황.
어떤 master — AI든 인간이든 — 승인하기 전에 구조화된 검사를 실행하세요:
음량. Integrated LUFS는 대상 플랫폼에 적합해야 합니다. Spotify와 Apple Music의 경우, -14 LUFS integrated가 전형적인 목표입니다. 음악에 큰 다이나믹 범위가 있는 트랙의 경우, 약간 더 큰 목표(-12 LUFS 주변)가 적절할 수 있습니다. True peak는 -1 dBTP 아래로 유지되어야 합니다.
스펙트럼 균형. Master를 여러 다른 시스템에서 재생하세요: 스튜디오 모니터, 소비자 이어버드, 휴대폰 스피커, 블루투스 스피커. 이 시스템 중 하나에서만 중대한 문제가 발생하면, 당신은 master가 해결하지 못한 균형 문제가 있습니다.
모노 호환성. 스테레오 이미지를 모노로 축소하고 들으세요. 특히 저음이나 보컬의 중요한 요소가 사라지면, 릴리스 전에 해결해야 할 위상 상관 문제가 있습니다.
참고 비교. Master를 같은 장르의 상업적으로 발매된 참고 트랙과 같은 음량으로 A/B하세요. 그들이 같게 들리는지 초점을 맞추지 마세요 — 그들은 그럴 필요가 없습니다. 기술적 특질(주파수 균형, 다이나믹스, 스테레오 폭)이 비슷한 범위에 있는지에 초점을 맞추세요.
SongTools.ai의 Mastering Check 도구는 integrated 음량, true peak, 스테레오 폭, 저음 주파수 모노 호환성, 스펙트럼 균형에 대한 자동화된 검사를 수행합니다. 릴리스 전에 master를 이것을 통해 실행하면 몇 분이 걸리며 발매된 트랙에 내장되기 전에 가장 일반적인 기술적 문제를 잡을 것입니다.
AI mastering의 한 가지 위험은 매우 편리한 도구에 적용되는 같은 위험입니다: 준비가 안 된 작업을 릴리스하는 장벽을 낮춥니다. Master 획득이 거의 마찰이 없어졌기 때문에, 거친 mix에서 한 시간에 "완성된" 릴리스로 이동하기가 쉽고, 당신이 다른 경우에 문제를 식별할 중요한 청취 단계를 우회합니다.
해결책은 기술 변경이 아닌 훈련입니다: AI master 평가를 프로세스의 다른 단계를 평가하는 것처럼 구조화하세요. 하룻밤 놔두세요. 다른 시스템에서 들으세요. 참고에 대해 검사하세요. Master 생성의 용이성을 당신이 생산한 것의 품질과 혼동하지 마세요.
AI mastering의 최선의 사용은 프로세스를 단축하는 이유가 아니라 엄격한 프로세스의 한 부분입니다.
이 글에서 다루는 모든 도구는 SongTools.ai에서 무료로 탐색할 수 있습니다.