A normalização somente moverá o áudio até o ponto em que não haja distorção. Você provavelmente desejará "esmagar" o áudio usando a compactação de áudio dinâmica e, em seguida, aumentar o ganho. A compactação não é realmente sem perdas, no sentido de que você está alterando o áudio e, finalmente, a dinâmica.
Um compressor é uma ferramenta que se encaixa em um determinado limite de nível de áudio. Quando o áudio excede o limite (por exemplo, -12 dB), ele reduz os níveis dos sons mais altos pela proporção (por exemplo, 2: 1). 2: 1 está dizendo que se o áudio estiver 2dB acima do limite, a saída será 1dB acima do limite. Você geralmente pode expressar valores de ataque e liberação que especificam a rapidez com que o nível de áudio muda durante o valor de tempo especificado.
Apenas para observar a compactação que descrevi é a compactação descendente. Existem outros tipos também.
O nível geral de áudio é reduzido, pois os picos são pressionados para baixo, para que você possa aumentar o ganho de áudio para produzir um som mais alto. Um compressor é uma ferramenta valiosa, mas facilmente abusiva (pense em música pop lançada nos últimos 10 anos ...). Você tem que fazer muita experimentação para fazer com que soe bem.
Também pode ser uma opção válida para aumentar o volume nas seções específicas mais silenciosas (ou diminuir as seções mais altas) desenhando envelopes de volume. Como isso é apenas áudio de voz, não tenho certeza se existe uma "necessidade" específica de querer aumentar o volume geral, mas apenas para ter um pouco de consistência no áudio. Se você tem uma pessoa que é capaz de resmungar no início de uma palavra e gritar até o final, a compressão é provavelmente uma escolha melhor.
Não sei quais ferramentas / SO você tem disponível para você. Portanto, essa resposta é independente de ferramentas.