통화 녹음의 고음 에너지 성별 차이는 낮은 AAC 비트레이트의 남성 녹음에서만 나타난다
·수정 2026.10.07·수정 1회
요약
- 1:1 음성통화 녹음 51명을 실측했다. 128k 녹음에서는 12kHz 위 에너지에 남녀 차이가 없었다(둘 다 −49dB). 차이는 56k 녹음에서만 나왔다. 남성 56k가 −58dB로 여성 56k(−51dB)보다 7dB 낮았고, 같은 성별 안 56k와 128k의 차이도 남성 9dB, 여성 2dB였다. 남녀 전체 중앙값의 차이(12kHz 위 약 4dB)는 남성 56k 그룹과, 56k 비중이 남성 쪽에 더 높은 구성비에서 나온다.
- 이 녹음 경로에서는 12kHz 위 에너지가 전체의 약 −50dB, 16kHz 위는 −70~−80dB로 사실상 없다. 그래서 이 녹음으로 학습할 때 48kHz는 과하고 24kHz면 충분하다. 다만 앱 송출 단계에서 이미 잘린 결과일 수 있어, 목소리 자체의 한계로 읽으면 안 된다.
- 스펙트럼 숫자를 표본 한 명으로 정하면 대표값과 크게 다를 수 있다. 성별과 인코딩 비트레이트로 층을 나눠 본다.
본문
측정 대상 (관찰됨)
- 화자별로 분리 녹음된 1:1 음성통화. 클라우드 녹음 서비스의 개별 녹음 모드에서 나온 HLS(.ts 15초 조각)
- AAC-LC, 48kHz, 모노
- 비트레이트는 약 56kbps와 약 128kbps 두 그룹으로 갈린다(51명 중 56k 그룹 25명, 128k 그룹 26명). 개별 녹음은 원본 송출 스트림을 따른다고 알려져 있어 앱 쪽 송출 설정 차이로 보이지만, 원인은 확인하지 않았다.
- MPEG-TS 컨테이너가 비트레이트와 무관하게 약 22~27kbps를 더 얹는다. 56k 파일에서는 이것만 약 30%다.
방법
- 최근 7일 통화에서 남녀 각 30명을 무작위로 뽑고, 녹음 조각이 3개 미만(약 30초 이하)인 9명은 뺐다(51명 남음).
- 화자별로 첫 조각을 빼고 다음 최대 4조각(약 60초)을 이어 붙였다. 조각이 5개 미만인 화자는 60초보다 짧게 들어갔다(그 인원은 세지 않았다).
- ffmpeg
highpass를 3번 겹쳐 차단 주파수 위만 남긴 뒤,astats로 잰 RMS 레벨을 전대역 RMS와 비교해 차이(dB)를 쟀다.
결과 (전대역 대비, 중앙값)
| 그룹 | 인원 | 4kHz 초과 | 8kHz 초과 | 12kHz 초과 | 16kHz 초과 |
|---|---|---|---|---|---|
| 여성, 128k | 13 | −22 | −34 | −49 | −73 |
| 여성, 56k | 10 | −23 | −36 | −51 | −75 |
| 남성, 128k | 13 | −21 | −33 | −49 | −69 |
| 남성, 56k | 15 | −23 | −38 | −58 | −81 |
| 여성 전체 | 23 | −23 | −34 | −50 | −73 |
| 남성 전체 | 28 | −22 | −36 | −54 | −77 |
해석
- 128k 녹음에서는 남녀 차이가 없다(12kHz 위 둘 다 −49dB, 16kHz 위는 오히려 남성이 4dB 높다). 그래서 전체 중앙값의 성별 차이를 "ㅅ·ㅆ" 같은 마찰음 차이로 읽기는 어렵다. 남녀 전체 차이는 남성 56k 그룹이 낮은 데다, 56k 비중이 남성(28명 중 15명)에서 여성(23명 중 10명)보다 높아서 생긴다.
- 남성 56k 그룹이 유독 낮은 건 낮은 비트레이트에서 AAC 인코더가 고음을 더 잘라내는 효과로 보인다(추정, 인코더 설정은 확인하지 않음). 다만 여성은 56k와 128k의 차이가 12kHz 위에서 2dB뿐이라, 비트레이트만으로는 남성 쪽 9dB 차이가 설명되지 않는다(원인 미확인).
- 처음에 128k 녹음 한 명만 쟀을 때는 12kHz 위가 −40dB였다. 이때는 첫 조각을 포함한 67초 전체를
highpass2단으로 쟀다. 같은 128k 그룹 중앙값(−49dB)보다 9dB 높고 그룹 최댓값(−38dB)에 가까운 값이었는데, 이걸 근거로 "12~16kHz 안에 다 있다"고 판단했다. 결론은 맞았지만 숫자는 대표값이 아니었다.
용도별 판단
| 용도 | 권장 입력 | 지금 녹음 대비 |
|---|---|---|
| 인식·분석 | 16kHz | 8kHz 위는 −34~−36dB라 영향 없음 |
| 합성·생성 | 24kHz | 12kHz 위(−50dB)만 잘림 |
| 원본 보존 | 32kHz | 16kHz 위(−69~−81dB)만 잘림, 사실상 전부 보존 |
주의: 용량을 줄이는 손잡이는 샘플레이트가 아니다
Opus는 목표 비트레이트로 인코딩하므로 입력 샘플레이트를 낮춰도 파일이 거의 줄지 않는다(관련 노트의 Opus 실측). AAC도 같은지는 재지 않았다. 보관 용량을 줄이려면 비트레이트를 낮춰 재인코딩한다(예: Opus 32kbps). 샘플레이트는 학습 로더에서 리샘플하면 된다. 손실 압축을 한 번 더 거치므로 합성용 표본은 원본을 따로 남긴다.
한계
- 무음 구간을 포함한 RMS라, 조용한 구간의 잡음 영향이 조금 섞여 있다.
- 녹음에 담긴 것만 봤다. 앱 송출 단계에서 이미 잘렸을 가능성은 확인하지 않았다.
- 56k와 128k 그룹은 90kbps를 기준으로 나눴다. 85kbps인 3명은 56k 그룹에, 98kbps인 1명은 128k 그룹에 들어갔다.
highpass3단(ffmpeg 기본 2극·Q 0.707)은 차단 주파수에서 −9dB, 그 2/3 지점에서도 −24dB(4kHz)~−39dB(16kHz)만 깎는다(사인파로 확인). 그래서 각 열에는 차단 주파수 바로 아래 성분이 일부 섞인다.
관련 노트
- 목표 비트레이트로 인코딩하면 샘플링 레이트를 낮춰도 파일이 작아지지 않는다
- 나이퀴스트 정리는 샘플링 주파수를 정하는 좋은 기준이 된다
- 음성 AI 학습 입력은 인식·분석은 16kHz 모노, 합성은 24kHz 모노, full-duplex 대화는 화자별 2채널로 모인다
- 오디오 파일은 컨테이너, 스트림, 패킷으로 구성된다.
- Agora Server Gateway SDK의 encoded frame observer는 원본이 아닌 재인코딩된 Opus를 전달한다
- 객체 스토리지에 HLS를 쌓으면 세그먼트당 쓰기가 2회여서 짧게 보관하면 요청비가 저장비를 넘는다
참고
- Agora Cloud Recording 개별 녹음 모드 (녹음 파일은 48kHz, 비트레이트·채널 수는 원본 오디오 스트림과 같음): https://docs.agora.io/en/realtime-media/cloud-recording/build/start-a-recording/individual-mode
- ffmpeg highpass / astats 필터: https://ffmpeg.org/ffmpeg-filters.html