Czysty głos w podcaście i rolce - odszumianie nagrania z Voice Cleaner

Wentylator pod biurkiem, klimatyzacja w biurze, auta za oknem - mikrofon słyszy wszystko. Voice Cleaner w Kadrarisie bierze nagranie mowy i oddaje ten sam głos z przyciszonym tłem. Stawka to 2,93 zł za minutę nagrania, liczona za każdą rozpoczętą minutę, więc 45-minutowy odcinek podcastu kosztuje 45 × 2,93 zł za minutę. Poniżej: co narzędzie naprawi, a czego nie, jak go użyć w przeglądarce i z kodu, jak oczyścić dźwięk z filmu i jak nagrywać, żeby miało z czego pracować.

Zanim wyślesz plik: czy to pomoże?

Voice Cleaner usuwa szum tła z nagrań mowy. W Kadrarisie działa na pierwszym z dwóch poziomów intensywności, ponieważ wtedy głos zostaje naturalny i nie brzmi jak spod wody. Tego poziomu nie przestawisz, a tłumienie echa, którą ma silnik producenta, nie jest jeszcze u nas dostępna.

Najwięcej zyska nagranie zrobione z bliska w hałaśliwym miejscu. Smartfon położony daleko od mówiącego to jednak inna liga - z takiego materiału studia nie będzie.

W przeglądarce

1. Po rejestracji doładuj konto minimalną kwotą 40 zł.
2. Otwórz Studio, sekcję dźwięku, i wskaż Voice Cleaner.
3. Prześlij nagranie w formacie MP3 albo WAV, maksymalnie 25 MB. Większy plik podajesz jako adres URL.
4. Kliknij Generuj, a gotowy plik pobierz z wyników.

Kwota na przycisku to rezerwa, nie rachunek. Długość pliku znana jest dopiero po jego pobraniu, dlatego przed startem blokuję równowartość 10 minut (10 × 2,93 zł za minutę). Gdy zadanie się skończy, rozliczenie obejmuje tylko prawdziwą długość nagrania, a nadwyżka rezerwy natychmiast wraca. Pamiętaj, że odcinek trwający godzinę kosztuje więcej niż ta rezerwa - zostaw na koncie odpowiedni bufor.

Próg 25 MB obowiązuje tylko przy przesyłaniu pliku przez przeglądarkę. Nieskompresowany stereofoniczny WAV (16 bit, 48 kHz) zajmuje mniej więcej 11 MB na każdą minutę - pełny odcinek umieść więc na własnym hostingu lub w chmurze i wklej odnośnik.

Dźwięk z filmu do rolki

Narzędzie przyjmuje audio, więc przy filmie robisz trzy ruchy: wyciągasz ścieżkę dźwiękową, czyścisz ją i wkładasz z powrotem. W edytorze wideo to eksport samego audio. W ffmpeg:

# wyciągnięcie mowy do WAV, mono, 48 kHz
ffmpeg -i rolka.mp4 -vn -ac 1 -ar 48000 \
  -c:a pcm_s16le glos.wav

# podmiana ścieżki, obraz bez ponownego kodowania
ffmpeg -i rolka.mp4 -i glos-czysty.wav \
  -map 0:v -map 1:a -c:v copy -c:a aac -b:a 192k \
  -shortest rolka-czysta.mp4

Parametr -ac 1 zapisuje jeden kanał i plik waży o połowę mniej. Głos z pojedynczego mikrofonu i tak jest monofoniczny, a lżejszy plik łatwiej prześlesz. Jeśli oczyszczony plik ma inne rozszerzenie niż .wav, popraw je w drugiej komendzie.

Tak zwykle wygląda nagranie do rolki: ktoś mówi do kamery w zwyczajnym pokoju, a mikrofon łapie wszystko dookoła.

Z kodu: podcast bez klikania

Model ma jedno pole, audio_url:

curl https://kadraris.com/v1/generate \
  -H "Authorization: Bearer $KADRARIS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "voice-cleaner",
    "input": {
      "audio_url": "https://twoj-serwer.pl/pod/odc-42.wav"
    },
    "webhook_url": "https://twoj-serwer.pl/hooks/kadraris"
  }'

Przy podcaście webhook jest wygodniejszy od pętli: zlecasz czyszczenie od razu po nagraniu, a po zakończeniu na twój adres przychodzi ten sam JSON co z GET /v1/tasks/{id}, podpisany HMAC-iem w nagłówku x-kadraris-signature. W output czeka link do czystego pliku (type: "audio"), w cost faktyczna kwota. Sprawdzanie podpisu opisuje dokumentacja webhooków.

Mój schemat dla odcinka z dwoma mikrofonami:

1. Każdy prowadzący ma własną ścieżkę.
2. Ścieżki idą do Voice Cleaner osobno, bo każda ma inne tło.
3. Odbiornik webhooka zapisuje wyniki i odpala montaż albo transkrypcję.
4. Gotowy odcinek idzie do publikacji.

Narzędzia typu n8n czy Make poradzą sobie z tym bez programowania, bo cała komunikacja to proste żądania HTTP z nagłówkiem autoryzacji (dokumentacja no-code). Podobny automat dla wideo opisuję w codziennej rolce AI z n8n. Dla automatyzacji zakładam osobny klucz z miesięcznym limitem w złotówkach - łatwo go potem rozliczyć albo wyłączyć.

Rachunek

Liczy się długość pliku, który wysyłasz, a każda zaczęta minuta idzie w górę do pełnej:

Utnij ciszę przed rozmową i po niej - za nią też płacisz. Saldo zasilasz od 40 zł, fakturę VAT z NIP-em zaznaczasz przy wpłacie, więc koszt trafia w wydatki firmy. Pieniądze na koncie nie mają daty ważności, nie płacisz miesięcznej opłaty, a nieudane przetwarzanie jest bezpłatne.

Nagranie, które da się dobrze oczyścić

• Mikrofon kilkanaście centymetrów od ust, a nie metr. Wtedy mowa wyraźnie dominuje nad otoczeniem i filtr działa delikatnie.
• Ucisz pokój: wiatrak, dźwięki telefonu, lodówka za ścianą. Stały szum usuwa się łatwiej niż dźwięki, które co chwilę się pojawiają.
• Miękkie wnętrze. Zasłony, dywan, regał z książkami ograniczają pogłos, którego Voice Cleaner u nas nie usuwa.
• Bez przesteru. Poziom nagrania ustaw z zapasem; dogłośnienie w montażu jest proste, a obciętego sygnału nic nie odratuje.
• Kopia oryginału. Zanim opublikuję, słucham oczyszczonej wersji na słuchawkach na zmianę z nieprzetworzoną.

Nie chcesz nagrywać się sam? Głos lektora lub utwór z AI do krótkiego wideo opisuję w poradniku o rolce na TikToka, a budżet całej produkcji w tekście o koszcie rolki.

Pytania

Po odszumieniu głos brzmi płasko. Czy da się ustawić słabsze działanie?

Nie w Kadrarisie - siła jest stała, umiarkowana. Jeśli efekt nie pasuje, zwykle winne jest samo nagranie: daleki mikrofon albo bardzo głośne tło. Spróbuj nagrać bliżej i w cichszym miejscu.

Mam nagranie z muzyką w tle. Od czego zacząć?

Od Vocal Remover, który oddzieli głos od muzyki. Dopiero czysty wokal przepuść przez Voice Cleaner, jeśli zostały w nim szumy. Różnice opisuję w porównaniu Voice Cleaner i Vocal Remover.

Czy przed transkrypcją warto odszumić plik?

Gdy w tle jest hałas, zdecydowanie - programy do transkrypcji mylą się wtedy rzadziej. Na daleki mikrofon i echo pomoże jednak niewiele.

Czy jest darmowa wersja?

Tutaj płacisz z salda zasilanego od 40 zł, bez bezpłatnej puli na start. Za darmo odszumisz nagranie w części programów do montażu dźwięku i obrazu, choć tam filtry trzeba dobierać samodzielnie.