So funktioniert die Geräuschentfernung: Geräuschprofile, KI und Neuerzeugung der Stimme

Eine Aufnahme besteht aus vielen Frequenzen gleichzeitig

Jeder Klang ist eine Mischung aus Frequenzen. Ein Brummen ist ein tiefer Ton, Rauschen ein breiter Teppich hoher Töne, und eine Stimme ein Zusammenspiel von Tönen, das sich mit jeder Silbe ändert. Stellt man eine Aufnahme so dar, dass die Zeit von links nach rechts läuft und die Tonhöhe von unten nach oben steigt, erscheint Sprache als helle Streifen, während gleichmäßige Geräusche einen Schleier dahinter bilden.

1. Das Geräuschprofil: das Geräusch erfassen und dann überall entfernen

Die klassische Methode braucht von Ihnen genau eines: ein paar Sekunden ohne Sprache, in denen nur das Geräusch zu hören ist. In Denoise ist dafür das Verfahren Klassisch zuständig, das Sie bittet, einen solchen Abschnitt zu markieren, und selbst einige vorschlägt. Es misst dort für jedes Frequenzband, wie laut das Geräusch ist, erstellt so ein Geräuschprofil und senkt diese Bänder dann in der gesamten Aufnahme um genau diesen Betrag ab. Wie weit es dabei geht, bestimmen Sie mit Stärke der Rauschunterdrückung.

Das funktioniert am besten bei Geräuschen, die sich nie ändern: ein Lüfter, eine Klimaanlage, elektrisches Brummen, Bandrauschen. Mit Geräuschen, die kommen und gehen, etwa Verkehr, Wind oder Gespräche, tut sich die Methode schwer, denn ein einziges Geräuschprofil kann nicht alles davon beschreiben. Und weil sie überall dieselben Bänder absenkt, klingt das Ergebnis bei starker Einstellung wässrig und wabernd, und die Stimme wird überall dort dünner, wo sich Stimme und Geräusch Frequenzen teilen.

2. KI-Rauschunterdrückung: dieselbe Idee, ohne Ihr Zutun

KI-Entrauscher erledigen dieselbe Aufgabe, ohne Sie um eine Geräuschprobe zu bitten. Sie wurden mit Tausenden Stunden sauberer Sprache trainiert, die mit allen Arten von Geräuschen gemischt war, und haben so gelernt, wie eine Stimme in diesem Bild aussieht und wie Geräusche aussehen. Alle paar Millisekunden schätzen sie Band für Band, wie viel vom Klang Stimme ist, behalten diesen Anteil und senken den Rest ab. Weil sie in jedem Moment neu entscheiden, folgen sie Geräuschen, die sich verändern: einem vorbeifahrenden Auto, einer Windböe, einer Tür.

Genau das macht AI · Auto in Denoise standardmäßig, wobei die Modelle DPDFNet und DeepFilterNet auch einzeln als AI · DPDFNet und AI · Fast Denoise angeboten werden; AI · aTENNuate arbeitet direkt mit der Schallwelle statt mit Frequenzbändern. Alle arbeiten nur mit dem Klang, der aufgenommen wurde, und können deshalb keine Wörter hinzufügen, die niemand gesagt hat. Die Entrausch-Stärke bestimmt, wie viel Geräusch entfernt wird, und ein wenig Restgeräusch klingt oft natürlicher.

3. Wiederherstellung: wieder aufbauen, was die Aufnahme verloren hat

Manche Aufnahmen haben nicht nur Geräusche dazubekommen, sondern auch einen Teil der Stimme verloren. Ein Telefonat, ein altes Diktiergerät oder starke Komprimierung können die höheren Frequenzen abschneiden, sodass eine Stimme selbst in einem ruhigen Raum dumpf klingt. Die Option Sprachqualität wiederherstellen baut diesen fehlenden oberen Bereich aus dem wieder auf, was noch vorhanden ist. Sie ergänzt die Stimme, statt sie zu ersetzen, und so bleiben die gesagten Wörter erhalten; was sie hinzufügt, ist eine plausibel klingende Brillanz, nicht die Details, die verloren gegangen sind.

4. Neuerzeugung: eine neue Stimme anhand einer Beschreibung der alten

Die neuesten Modelle zur Wiederherstellung gehen noch weiter. Sie hören sich die beschädigte Aufnahme an, ermitteln die Sprache, die sie darin vermuten, und erzeugen davon eine neue Aufnahme, ähnlich wie ein Sprachsynthesizer. So kann AI · Sidon Audio retten, bei dem ein Entrauscher scheitert: stark verzerrte, übersteuerte oder sehr dumpfe Stimmen.

Der Haken dabei: Das Ergebnis ist das, was das Modell für am wahrscheinlichsten hält. Fehlt zu viel vom Original, kann ein Modell, das die Stimme neu erzeugt, Sprache hervorbringen, die richtig klingt, mit der richtigen Stimme und dem richtigen Rhythmus, aber Silben enthält, die niemand gesagt hat, manchmal blanken Unsinn. Genau das haben wir von VoiceFixer gehört, dem Modell, das Denoise früher verwendet hat, und zwar bei einer stark beschädigten Vorlesungsaufnahme: klar klingende Sprache, die keinen Sinn ergab. Sidon, sein Nachfolger, wurde so entwickelt und getestet, dass die Wörter erhalten bleiben, doch kein Modell, das Stimmen neu erzeugt, ist davor gefeit; prüfen Sie deshalb bei allem, worauf es ankommt, Namen und Zahlen, und setzen Sie die Neuerzeugung nur ein, wenn normale Geräuschentfernung nicht helfen kann.

Was bestimmt, wie gut das Ergebnis werden kann

Jede der oben beschriebenen Methoden kann nur mit dem arbeiten, was die Aufnahme noch enthält. Am wichtigsten sind vier Dinge:

• Wie viel von der Stimme erhalten geblieben ist. Wurde ein Teil der Stimme nie aufgenommen oder durch ein Format mit geringer Qualität verworfen, kann Geräuschentfernung ihn nicht zurückholen; nur eine Wiederherstellung kann eine plausible Version ergänzen.
• Wie laut das Geräusch im Vergleich zur Stimme ist. Ist das Geräusch so laut wie die Stimme oder lauter, teilen sich beide die meisten Frequenzen, und mit dem Geräusch gehen auch Teile der Stimme verloren: Das Ergebnis klingt dünn, dumpf oder roboterhaft.
• Ob die Aufnahme übersteuert wurde. War der Klang zu laut für das Mikrofon oder den Aufnahmepegel, wurden die Spitzen der Schallwelle flach abgeschnitten. Diese knisternde Verzerrung ist jetzt Teil der Stimme und kein separates Geräusch, deshalb lässt ein Entrauscher sie stehen; nur die Neuerzeugung kann sie neu zeichnen.
• Was im Hintergrund sonst noch wie eine Stimme klingt. Andere Menschen, die sprechen, oder Musik mit Gesang sehen für jede Methode wie Sprache aus, deshalb bleibt ein Teil davon übrig. Für Musik gibt es stattdessen AI · Music, das den Gesang von den Instrumenten trennt.

Echo ist kein Störgeräusch

Das Echo eines Raums, auch Hall genannt, ist die Stimme selbst, die einen Moment später noch einmal von Wänden, Decke und Boden zurückkommt. Weil es aus demselben Klang besteht, ist es schwerer zu entfernen als Störgeräusche: KI-Entrauscher reduzieren einen Teil davon, aber in einem Saal, einem Treppenhaus oder einem leeren Raum verschwimmen die Wörter ineinander, und keine Einstellung macht sie wieder ganz scharf. Die Lösung ist der Abstand: Je näher das Mikrofon am Mund ist, desto lauter ist die Stimme im Vergleich zu ihrem Echo.

Die beste Geräuschentfernung passiert vor der Aufnahme

Software rettet Aufnahmen; Klang, der nie aufgenommen wurde, kann sie nicht zurückholen. Ein paar Gewohnheiten bewirken mehr als jede Einstellung:

• Gehen Sie mit dem Mikrofon nah heran. Ein Handy, das nah an der sprechenden Person gehalten wird, ist besser als eines, das am anderen Ende des Raums auf einem Tisch liegt. Für Interviews und Videos ist ein Ansteckmikrofon (Lavalier) am Kragen der sprechenden Person die größte einzelne Verbesserung, ob mit Kabel oder kabellos.
• Schützen Sie das Mikrofon vor Wind. Ein Windschutz aus Schaumstoff oder Fell auf einem externen Mikrofon hilft im Freien; mit dem Handy drehen Sie dem Wind den Rücken zu oder schützen das Handy mit der Hand oder im Windschatten einer Ecke.
• Achten Sie auf den Pegel. Schlägt die Pegelanzeige bis ganz oben aus, wird der Ton übersteuert. Etwas zu leise ist sicherer, denn Leises lässt sich später anheben, Übersteuerung aber nicht rückgängig machen.
• Wählen Sie den ruhigsten Ort, den Sie finden können. Schalten Sie während der Aufnahme Lüfter und Klimaanlage aus und gehen Sie auf Abstand zu Verkehr und laufenden Maschinen.
• Weich eingerichtete Räume hallen weniger. Möbel, Vorhänge, Teppiche und Bücherregale schlucken Hall; Fliesen, Glas und leere Räume werfen ihn zurück.