By SongTools.ai
自动母带处理已有显著改进。但知道何时该信任它、何时该覆盖它的判断，正是区分优秀母带和卓越母带的关键。
自大约十年前首批服务推出以来，自动化 mastering 一直是音频工程师社区中一个备受争议的话题。早期自动化 mastering 常被批评声音过响、过度压缩，并缺乏经验丰富的人工 mastering 的细微之处。这些批评大体上是公平的。
当前一代的 AI mastering 能力显著增强。AI mastering 系统现在使用训练模型来分析每首音轨的特定特征，并应用处理来尝试弥补已识别的问题，同时达到当代的响度（loudness）和频谱（spectral）目标。其结果在许多应用中都足够好，且效果稳定——了解其局限性有助于你智能地使用这些工具。
一致性。 AI mastering 对每首音轨应用一致的处理逻辑。对于专辑或 EP 等音轨之间音调一致性很重要的项目，自动化 mastering 将产生比工程师快速人工处理更可预测的统一结果，因为工程师可能对每首音轨可支配的时间不同。
速度与成本。 人工 mastering 工程师耗费金钱和时间。对于预算有限的项目——例如演示曲、自行发布到流媒体平台的内容、以及几个月内就会被替换的内容——几秒钟内即可完成的 AI-mastered 版本确实很有用。
流媒体响度目标。 大多数 AI mastering 服务都针对流媒体平台的响度标准化进行了良好校准。它们理解 LUFS 目标（大多数平台集成响度目标为 -14 LUFS），并将交付不会被 Spotify, Apple Music 或 YouTube 的正常化系统降低音量的文件。
识别技术问题。 即使你没有将 AI master 作为最终输出，通过 AI mastering 分析你的 mix 也常常会发现技术问题——例如过高的 true peak 电平、极度不平衡的频率响应、低频中过度的立体声宽度——你可以在将 mix 发送给人工 mastering 工程师之前解决这些问题。
音乐判断力。 优秀 mastering 的决定性品质在于它服务于音乐。经验丰富的 mastering 工程师会聆听音轨并询问它需要什么——而不是统计模型建议它应该有什么。一件出于艺术原因故意具有非常暗沉、低频偏重的频率平衡的音乐，不应被修正为平直的响应。AI 系统在没有明确指示的情况下，往往会将音轨推向平均频谱目标，而不顾艺术意图。
上下文感知能力。 mastering 工程师知道他们是在为黑胶唱片发行进行 mastering（这需要与数字发行不同的低频处理），还是为广播 mastering（其响度规范与流媒体不同），亦或是为将被视频平台自身处理压缩的音乐视频配乐。AI 系统通常只针对单一目标上下文进行 mastering。
处理有问题的源素材。 当 mix 存在真正的问题时——例如导致 limiter 出现抽吸效应的共振频率、导致单声道兼容性问题的相位问题，或是不平衡的立体声场——一位优秀的 mastering 工程师会诊断并解决具体原因。AI mastering 倾向于应用标准处理来绕过问题而不是解决问题，往往在此过程中引入其自身的失真（artefacts）。
最后的5%。 对于最高水平的商业发行音乐，一个技术上合格的 master 和一个卓越的 master 之间的差异，往往取决于那些不仅需要灵敏的耳朵，还需要上下文判断的决策：最终 master 在整张专辑中的定位如何，它与同类型参考素材的比较如何，以及它在各种播放环境中的表现如何。这些判断性决策，当前的 AI 系统无法达到最优秀人工工程师的水平。
以下情况可以使用 AI mastering：预算有限的独立音乐人的流媒体发行，其目标是满足技术最低要求；发送给唱片公司、经纪人或合作者的演示曲，其目标是展示音乐本身，而不是 mastering；发布截止日期临近，人工 mastering 无法及时完成的音轨；以及早期 A/B 对比，你需要快速、一致的处理来评估不同的 mix 决策。
以下情况应使用人工 mastering：主要商业发行，尤其是实体媒体（黑胶和 CD 需要专业处理）；mastering 的声音特性是艺术表达一部分的项目；mix 中已知存在需要工程师判断的技术问题音轨；以及你需要 mastering 工程师的参考反馈和处理的情况。
在批准任何 master（无论是 AI 还是人工）之前，请进行结构化检查：
响度。 集成 LUFS 应适用于你的目标平台。对于 Spotify 和 Apple Music，-14 LUFS 集成是典型目标。对于音乐中动态范围较大的音轨，稍高的响度目标（大约 -12 LUFS）可能更合适。True peak 应保持在 -1 dBTP 以下。
频谱平衡。 在多种不同的系统上播放 master：录音室监听音箱、消费级耳机、手机扬声器、蓝牙音箱。如果只有在其中一个系统上出现明显问题，则表明存在 master 未能解决的平衡问题。
单声道兼容性。 将立体声像折叠成单声道并聆听。如果重要元素消失，尤其是在低音或人声部分，则表明存在需要在发布前解决的相位相关问题。
参考对比。 将 master 与同一类型、相同响度的商业发行参考音轨进行 A/B 对比。不要关注它们听起来是否相同——它们不应该相同。关注技术特性（频率平衡、动态、立体声宽度）是否在相似的范围内。
SongTools.ai 的 Mastering Check 工具会对 integrated loudness, true peak, 立体声宽度、低频单声道兼容性和频谱平衡进行自动化检查。在发布前通过此工具检查你的 master 只需几分钟，并且能在大多数常见技术问题嵌入到已发布的音轨中之前将其捕获。
AI mastering 的一个风险与任何高度便捷的工具所带来的风险相同：它降低了发布未准备好作品的门槛。由于获得 master 几乎没有阻力，因此很容易在一小时内从粗略的 mix 到“完成”的发布，从而绕过了本应识别需要关注问题的关键聆听阶段。
解决方案是自律，而不是技术变革：对 AI master 的评估要像对流程中任何其他阶段的评估一样结构化。让它搁置一晚。在不同的系统上聆听。与参考进行对比。不要将制作 master 的便捷性与你所制作的质量混为一谈。
AI mastering 的最佳用途是作为严谨流程的一部分，而不是缩短流程的理由。
本文提到的所有工具均可在 SongTools.ai 上免费体验。