Van egy videófelvételem, amin a háttérben zene szól, és a zene alatt beszéd is hallható, de sajnos a beszédet nem lehet érteni hangtechnikailag megoldható-e a zene csökkentése és a beszéd kiemelése, hogy érthetőbb legyen?

Teljesen elválasztani nem lehet a kettőt. Hagyományos studiotechnikai eszközökkel (EQ, kompresszor, zajszűrő) is nagyon nehéz, vagyis alig lehet ezen javítani, attól függ mennyire van összefonódva.

Én komplett zenékből az ének sávját ilyen ingyenes online acapella extractor-okkal szoktam kiszedni, meglepően jó eredménnyel, de az sem tökéletes. Egy próbát megér, kíváncsi lennék, hogy sima beszédre is működik-e.

Nem lehet elkülöníteni a sávokat. Trükközni lehet a hanggal, hogy érthetőbbé váljon a beszéd, de az eredmény nem garantált. Egy hangmérnökkel kell felvenned a kapcsolatot, aki ért hozzá. Házilag annyit tudsz csinálni max, hogy EQ-vel megpróbálod megkeresni füllel és feltolni a beszéd frekvenciáját, hátha kivehetőbbé válik úgy.

#1 Aktív kutatási témakör. Ha tudsz ilyen AI-t, akkor linkeld be.