/docs · VoiceLab · Practical

Tonhöhe und Stimmqualität: was das Profil liefert und was es zurückhält

Das Profil pitch liest, wo eine Stimme liegt, wie stark sie sich bewegt, wie stimmhaft die Aufnahme ist und wie sauber die Stimme ist. Die Testzahlen, die Grenzen und warum Jitter und Shimmer noch nicht angeboten werden.

Aktualisiert 13.10.2026

Das Profil pitch von POST /v1/analyze/profile beantwortet drei Fragen zu einer Stimme: Wo liegt sie, wie stark bewegt sie sich und wie sauber ist sie. Es ist ein kostenpflichtiges Preset, wie jedes Profil außer basic.

curl https://audiolab.tools/v1/analyze/profile \
  -H "Authorization: Bearer $AUDIOLAB_KEY" \
  -H "Content-Type: application/json" \
  -d '{"url": "https://example.com/voice.wav", "profile": "pitch"}'

Was zurückkommt

Lens	Was es ist	Status
`pitch.f0Hz`	Der Median der Grundfrequenz der stimmhaften Teile, 70 bis 600 Hz. Etwa 85 bis 180 Hz bei einem Mann, 165 bis 255 Hz bei einer Frau.	Validated
`pitch.f0LowHz`, `pitch.f0HighHz`	Das 10. und 90. Perzentil der Tonhöhe: die Spanne, die die Stimme genutzt hat.	Proxy
`pitch.f0VariationSemitones`	Wie stark sich die Tonhöhe bewegt, in Halbtönen. Vorgelesene Sprache lag zwischen 2,2 und 4,3.	Proxy
`pitch.voicedShare`	Der Anteil der Frames mit Schall, die eine Tonhöhe tragen. Vorgelesene Sprache lag zwischen 0,49 und 0,76.	Proxy
`pitch.hnrDb`	Das Harmonics-to-Noise-Verhältnis: wie viel des stimmhaften Schalls sich von Periode zu Periode wiederholt, in dB. Vorgelesene Sprache lag zwischen 8 und 16 dB.	Validated
`pitch.f0Track`	Die Tonhöhe alle 10 ms, mit `series: true`.	Proxy

Jedes Frame zählt mit seiner Energie, ein Brummen 15 bis 25 dB unter der Stimme verschiebt den Median also nicht. Die Tonhöhe wird alle 10 ms mit der Methode von Boersma (1993) verfolgt, die auch Praat verwendet, mit einem zweiten Durchgang, der den Bereich an den Sprecher anpasst.

Wie weit man es glauben kann

All das wurde am 13. Oktober 2026 geprüft, mit den Kriterien, die vor der Existenz der Testdaten festgehalten wurden (PREREG-PITCH.md im Engine-Repository), an Daten, auf denen das Maß nicht entwickelt wurde.

Die Tonhöhe, an 1.092 konstruierten Stimmen (ein Pulszug durch fünf Vokale, sieben Bedingungen): keine groben Fehler (mehr als 20 Prozent daneben) bei sauberen Aufnahmen, keine bei Rauschen mit 20 und 10 dB und höchstens 1,9 Prozent über eine Telefonleitung. Die mittlere Tonhöhe einer Aufnahme wich im Median 0,31 Prozent bei Sätzen und 0,07 Prozent bei gehaltenen Vokalen ab. Die beiden Verfolger, die wir schon hatten, der in der TuneLab-App und der des Gesangscoachs auf dieser Seite, machten 2,9 bis 3,8 Prozent grobe Fehler bei denselben Sätzen und gehaltenen Vokalen.
Bei echter Sprache, 40 Lesungen von 30 s aus LibriSpeech: 98,0 Prozent der Frames, die dieser Verfolger und ein unabhängiger (YIN) beide stimmhaft nennen, stimmen auf 20 Prozent überein. Das ist Übereinstimmung mit einem zweiten Verfolger, kein Laryngograph. 2,9 Prozent der stimmhaften Frames liegen über dem 1,8-fachen des Medians ihrer Lesung, wahrscheinlich eine höhere Harmonische in einem lauten Vokal.
Das Harmonics-to-Noise-Verhältnis, an exakt periodischen Stimmen mit weißem Rauschen in bekanntem Verhältnis: 18 von 19 Aufnahmen zwischen 8 und 28 dB innerhalb von 1,5 dB der Wahrheit, und 5 von 5 zwischen 8 und 20 dB innerhalb von 2 dB über eine Telefonleitung. Über etwa 28 dB (22 dB auf einer Telefonleitung) kann es zu niedrig lesen. Jitter und Shimmer senken es ebenfalls, weil eine unregelmäßige Stimme nicht periodisch ist.

pitch.voicedShare hängt von Pegel und Rauschen ab: Gegenüber der sauberen Version derselben Aufnahmen bewegte es sich zwischen plus 13 und minus 28 Punkten über 32 Situationen mit Rauschen, Nachhall und Pegel, und stetiges Rauschen mit einem Ton darin zählt als stimmhaft. Deshalb ist es ein Proxy.

Was es zurückhält: Jitter und Shimmer

Das Register hat pitch.jitterLocal und pitch.shimmerLocal, den lokalen Jitter (wie stark benachbarte Perioden abweichen) und Shimmer (wie stark benachbarte Zyklen in der Amplitude abweichen). Sie werden nicht über die API oder den MCP-Server angeboten, und die Antwort lässt sie weg.

Wir haben sie auf dieselbe Weise geprüft. An konstruierten gehaltenen Vokalen lasen sie das 1,2- und 1,0- bis 1,1-Fache der Wahrheit, aber die Rangfolge gegenüber der Wahrheit verfehlte die vorab festgelegten Kriterien mit kleinen Abständen (eine Rangkorrelation von 0,74 gegenüber 0,75, ein mittlerer Fehler von 0,66 gegenüber 0,6 Punkten), und in konstruierter laufender Sprache fiel die Rangkorrelation über eine Telefonleitung auf 0,61. Bei Rauschen mit 20 dB lasen sie bis zum 1,5-Fachen zu hoch, sie werden also ohnehin nur bei ruhigen Aufnahmen geliefert.

Bei echter laufender Sprache lesen sie 2,3 Prozent und 8,2 Prozent (der Median von 35 Lesungen), das Zwei- bis Dreifache der klinischen Normen von etwa 1 und 4 Prozent, die für einen gehaltenen Vokal gelten. Wir wissen nicht, was dort die wahren Werte sind. Ein zweiter Test an neuen Daten mit neuer Vorabregistrierung kann das ändern; bis dahin bleiben sie draußen.

Was das nicht ist

Jitter und Shimmer sagen, wie regelmäßig die Stimmlippen schwingen. Nichts hier sagt etwas über Stottern: Stottern ist eine Unterbrechung in der Zeit, und wir haben keine beschrifteten Daten, um es zu prüfen. Die Werte sind kein Urteil über jemandes Stimme, und Gesang und Instrumente liegen außerhalb des Bereichs (die Obergrenze ist 600 Hz).

Weiterlesen

Weiter in VoiceLab docs

Verlorene Pakete in einer Aufnahme finden →

Das Profil chain zählt die Lücken aus digitaler Stille, die ein verlorenes Paket mitten in der Sprache hinterlässt. Wie es entscheidet, die Testzahlen, was es nicht sieht und warum das Echo- und Slapback-Maß nicht angeboten wird.