Alles, was wir sehen können.

Was der Container sagt, und was er dir nicht verraten kann.

Dauer Validiert

file.duration

Stimme & PodcastMix & MasterHerkunftDataset-QAUmgebungBroadcast & FilmpostLoop- & Samplepack-QC

Was gemessen wird Länge des Audios.

So liest du den Wert Sekunden.

Warum Legt fest, was sich sonst überhaupt behaupten lässt: Unter drei Sekunden sind die meisten Urteile Vermutungen.

Getestet gegen Stimmt mit der tatsächlichen Länge der Datei überein.

So funktioniert es Klassische Signalverarbeitung.

Samplerate Validiert

file.sampleRate

HerkunftDataset-QABroadcast & FilmpostLoop- & Samplepack-QC

Was gemessen wird Samples pro Sekunde.

So liest du den Wert 44,1k und 48k sind Standard; 8k oder 16k bedeutet, dass die Datei durch ein Telefon oder einen Codec lief.

Warum Begrenzt die höchste Frequenz, die überhaupt existieren kann, und damit jede spektrale Messung.

Getestet gegen Decoder-Tests bei 44,1 und 48 kHz.

So funktioniert es Klassische Signalverarbeitung.

Kanäle Validiert

file.channels

Mix & MasterHerkunftDataset-QABroadcast & FilmpostLoop- & Samplepack-QC

Was gemessen wird Anzahl der Audiokanäle.

So liest du den Wert 1 = Mono, 2 = Stereo.

Warum Bei einer Mono-Datei ist jede Stereo-Messgröße sinnlos, und das sollte man offen sagen, statt eine flache Linie zu zeigen.

Getestet gegen Decoder-Tests, Mono und Stereo.

So funktioniert es Klassische Signalverarbeitung.

Bittiefe (Schätzung) Proxy

file.bitDepth

HerkunftDataset-QABroadcast & FilmpostLoop- & Samplepack-QC

Was gemessen wird Eine Schätzung nach Dateityp, nicht aus den Samples gelesen.

So liest du den Wert „16/24-bit guess“ für WAV und AIFF, „lossless, depth not read“ für FLAC, „lossy“ für MP3, AAC, Ogg, Opus und andere verlustbehaftete Formate, „unknown (AAC or ALAC)“ für m4a und sonst „unknown“. Sie ist weder eine Header-Ablesung noch eine Schätzung aus den Sample-Werten.

Warum Zeigt auf einen Blick, ob eine Datei komprimiert ist. Die wahre Bittiefe steht im Datei-Header.

Getestet gegen Eine Schätzung nach Dateityp: „16/24-bit guess“ für WAV und AIFF, „lossless, depth not read“ für FLAC, „lossy“ für verlustbehaftete Formate wie MP3, AAC, Ogg und Opus, „unknown (AAC or ALAC)“ für m4a. Bis zum 20. Oktober 2026 wurden FLAC und AIFF fälschlich als „lossy“ ausgegeben. Dieselben auf 8 Bit gerundeten Samples zeigen weiterhin 16/24, der Wert sagt also nichts über die Samples aus.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Nicht aus den Samples gelesen und keine Header-Auslesung.

Format Validiert

file.format

HerkunftBroadcast & FilmpostLoop- & Samplepack-QC

Was gemessen wird Containerformat, wie es der Aufrufer meldet.

So liest du den Wert wav, mp3, m4a und so weiter.

Warum Der Container sagt nichts darüber, was vor ihm geschah; die Bandbreiten-Messgröße schon.

Getestet gegen Aus dem Container gelesen.

So funktioniert es Klassische Signalverarbeitung.

Dateigröße Validiert

file.sizeKb

Herkunft

Was gemessen wird Größe auf der Festplatte in Kilobyte.

So liest du den Wert Zusammen mit der Dauer ergibt sich die Bitrate.

Warum Ein billiger Plausibilitätscheck: Eine kleine Datei mit langer Dauer wurde stark komprimiert.

Getestet gegen Die Größe der Bytes.

So funktioniert es Klassische Signalverarbeitung.

Eingabe-Hash Validiert

file.inputHash

HerkunftDataset-QALoop- & Samplepack-QC

Was gemessen wird SHA-256 der Dateibytes, wenn der Aufrufer ihn mitgegeben hat. Sonst Null.

So liest du den Wert Gleiche Bytes, gleicher Hash, egal wie die Datei heißt. Die Engine kann ihn nicht aus PCM berechnen; der Decoder oder der Host trägt ihn ein.

Warum Er ist der Schlüssel, mit dem sich eine Bibliothek von 178.000 Dateien einmal messen lässt und nie wieder, und eine Umbenennung kann ihn nicht brechen.

Getestet gegen SHA-256 der Bytes, für einen Buffer derselbe wie für einen Pfad.

So funktioniert es Klassische Signalverarbeitung.

Wie laut es nach den Normen ist, die Plattformen tatsächlich anwenden.

Integrierte Loudness Validiert

loudness.integrated

Stimme & PodcastMix & MasterDataset-QABroadcast & FilmpostLoop- & Samplepack-QC

Was gemessen wird Loudness über die ganze Datei, gegatet nach BS.1770-4.

So liest du den Wert Streaming-Ziele liegen bei etwa −14 LUFS, Broadcast bei etwa −23, Podcasts bei etwa −16.

Warum Die eine Zahl, mit der Plattformen dein Audio lauter oder leiser stellen, und damit entscheidet sie, wie du gehört wirst.

Getestet gegen EBU Tech 3341 Fälle 1 und 2 sowie die Fälle für das absolute und das relative Gate, Toleranz ±0,1 LU (Loudness-Benchmark, veröffentlicht unter /api). An echten Aufnahmen: Die 32 Sprecherspuren des öffentlichen Open Yap 1K Samples (CC BY 4.0, Gesprächsspuren mit 48 kHz), gemessen am 20. Oktober 2026, stimmten bei allen 32 innerhalb von 0,05 LU mit der vom Datensatz veröffentlichten Loudness überein (größte Abweichung 0,045 LU) und innerhalb von 0,055 LU mit ffmpeg ebur128 (ffmpeg gibt eine Nachkommastelle aus).

Marge ±0.1 LU. Die Toleranz von EBU Tech 3341, die der Loudness-Benchmark bei jedem Build einhält.

So funktioniert es Klassische Signalverarbeitung.

Short-Term-Maximum Validiert

loudness.shortTermMax

Mix & MasterBroadcast & Filmpost

Was gemessen wird Lautestes 3-Sekunden-Fenster.

So liest du den Wert Weit über dem integrierten Wert heißt, dass eine Passage dominiert.

Warum Findet den Moment, bei dem ein Hörer zum Lautstärkeregler greift.

Getestet gegen Übereinstimmung mit ffmpeg ebur128.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Nicht Teil der EBU-Testfalltabelle.

Loudness Range Validiert

loudness.range

Mix & MasterStimme & PodcastBroadcast & Filmpost

Was gemessen wird Spannweite zwischen den leisen und den lauten Teilen, EBU 3342.

So liest du den Wert Unter 3 LU ist sehr gleichmäßig; über 15 LU ist ein Stück mit großer Dynamik.

Warum Sagt voraus, ob die leisen Teile im Auto oder auf dem Handy überleben.

Getestet gegen EBU Tech 3342 Fall 1, Toleranz ±1 LU (Loudness-Benchmark, veröffentlicht unter /api).

Marge ±1 LU. Die Toleranz von EBU Tech 3342, die der Loudness-Benchmark bei jedem Build einhält.

So funktioniert es Klassische Signalverarbeitung.

True Peak Validiert

loudness.truePeak

Mix & MasterDataset-QABroadcast & FilmpostLoop- & Samplepack-QC

Was gemessen wird Spitze der rekonstruierten Wellenform, 4-fach überabgetastet.

So liest du den Wert Über −1 dBTP kann ein verlustbehafteter Encoder clippen, was sauber aussah.

Warum Der Sample-Peak kann in Ordnung sein, während das wiedergegebene Signal verzerrt; diese Zahl fängt es.

Getestet gegen BS.1770 True Peak: ein 997-Hz-Ton und ein Inter-Sample-Peak-Fall, +0,2 / -0,4 dB; Übereinstimmung mit ffmpeg bei hochfrequentem Material. An echten Aufnahmen: Die 32 Sprecherspuren des öffentlichen Open Yap 1K Samples (CC BY 4.0), gemessen am 20. Oktober 2026, stimmten bei allen 32 innerhalb von 0,012 dB mit dem vom Datensatz veröffentlichten True Peak überein.

Marge +0.2 / -0.4 dB. Die Toleranz für ein True-Peak-Meter in ITU-R BS.1770, die der Loudness-Benchmark bei jedem Build einhält.

So funktioniert es Klassische Signalverarbeitung.

Momentary-Maximum Validiert

loudness.momentaryMax

Mix & MasterBroadcast & FilmpostLoop- & Samplepack-QC

Was gemessen wird Lautestes 400-ms-Fenster (EBU Tech 3341 „M“).

So liest du den Wert Liegt per Definition über dem Short-Term-Maximum; eine Lücke von mehr als etwa 6 LU heißt, dass ein Schlag oder eine Silbe herausspringt.

Warum Sendevorgaben begrenzen das gesondert, und es fängt den einzelnen Akzent, den ein 3-Sekunden-Fenster wegmittelt.

Getestet gegen Übereinstimmung mit ffmpeg ebur128, und sie liest ein 400-ms-Fenster.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Nicht Teil der EBU-Testfalltabelle.

Spitzen, Mittelwerte und der Abstand dazwischen.

Peak Validiert

level.peak

Mix & MasterDataset-QABroadcast & FilmpostLoop- & Samplepack-QC

Was gemessen wird Höchster Sample-Wert.

So liest du den Wert 0 dBFS ist die Obergrenze; bei genau 0 ist die Datei wahrscheinlich schon beschädigt.

Warum Der gröbste Headroom-Check, den es gibt, und trotzdem der erste, der sich lohnt.

Getestet gegen Ein Sinus mit bekannter Amplitude und Übereinstimmung mit ffmpeg.

So funktioniert es Klassische Signalverarbeitung.

RMS-Pegel Validiert

level.rms

Mix & MasterDataset-QA

Was gemessen wird Durchschnittliche Energie über die Datei.

So liest du den Wert Näher am wahrgenommenen Pegel als der Peak, aber blind für die Frequenzbewertung.

Warum Grundlage für den Crest-Faktor und die schnellste Antwort auf „ist das zu leise“.

Getestet gegen Ein Sinus mit bekannter Amplitude und Übereinstimmung mit ffmpeg.

So funktioniert es Klassische Signalverarbeitung.

Crest-Faktor Validiert

level.crest

Mix & MasterDataset-QABroadcast & FilmpostLoop- & Samplepack-QC

Was gemessen wird Abstand zwischen Spitze und Durchschnitt.

So liest du den Wert Über 14 dB atmet es; unter 8 dB hat ein Kompressor oder Limiter es plattgedrückt.

Warum Sagt dir, ob das Leben herausgemastert wurde, unabhängig davon, wie laut es ist.

Getestet gegen Ein Sinus liest etwa 3 dB.

So funktioniert es Klassische Signalverarbeitung.

Was übrig bleibt, wenn jemand über einen einzigen Lautsprecher hört.

Stereokorrelation Validiert

stereo.correlation

Mix & MasterBroadcast & FilmpostLoop- & Samplepack-QC

Was gemessen wird Wie ähnlich sich der linke und der rechte Kanal sind, −1 bis +1.

So liest du den Wert +1 ist Mono, um +0,5 ist ein normaler breiter Mix, unter 0 arbeiten die Kanäle gegeneinander.

Warum Negative Korrelation wird hohl oder verschwindet, wenn jemand in Mono hört, wie es die meisten Handys und Lautsprecher tun.

Getestet gegen Identische Kanäle lesen etwa 1, Rauschkanäle dekorrelieren.

So funktioniert es Klassische Signalverarbeitung.

Stereobreite Validiert

stereo.width

Mix & Master

Was gemessen wird Wie viel Energie im Seitensignal statt in der Mitte steckt.

So liest du den Wert 0 ist ganz Mono; über etwa 0,4 ist ein bewusst breites Bild.

Warum Sagt, wie viel vom Mix du verlierst, sobald er auf Mono zusammengefaltet wird.

Getestet gegen Mono liest 0, gegenphasig 1, unabhängiges Rauschen gleichen Pegels 2/3 (innerhalb von 0,03) und ein Kanal mit halber Stärke 2/9 (innerhalb von 0,01), wie es die Side/Mid-Definition ergibt.

So funktioniert es Klassische Signalverarbeitung.

Monokompatibel Proxy

stereo.monoCompatible

Mix & MasterBroadcast & Filmpost

Was gemessen wird Ob der Mix die Faltung auf Mono übersteht.

So liest du den Wert False heißt hörbare Auslöschung.

Warum Ein einziger Boolean, der einem Hörer die Frage erspart, warum der Gesang auf dem Küchenlautsprecher verschwunden ist.

Getestet gegen Abgeleitet aus der Basskorrelation und der Breitbandkorrelation.

So funktioniert es Klassische Signalverarbeitung.

Links/Rechts-Balance Validiert

stereo.balance

Mix & MasterStimme & PodcastBroadcast & Filmpost

Was gemessen wird RMS des linken Kanals minus des rechten, in dB. Positiv heißt, links ist lauter.

So liest du den Wert Innerhalb von 1 dB ist zentriert. Ab 3 dB neigt sich das Bild; ab 20 dB spielt ein Kanal praktisch nicht.

Warum Ein schiefer Export ist auf einem einzelnen Lautsprecher unsichtbar und für jeden Hörer mit Kopfhörern offensichtlich.

Getestet gegen Null bei einer zentrierten Datei, mit Vorzeichen bei einer, die zu einer Seite neigt.

So funktioniert es Klassische Signalverarbeitung.

Kanallayout Validiert

stereo.layout

Mix & MasterStimme & PodcastDataset-QABroadcast & FilmpostLoop- & Samplepack-QC

Was gemessen wird Was für eine Stereo-Datei das ist: mono, dual-mono, one-sided, stereo oder silent.

So liest du den Wert dual-mono heißt zwei identische Kanäle, die Datei ist also doppelt so groß für nichts. one-sided heißt ein toter Kanal.

Warum Benennt den Exportfehler, statt dem Leser zwei Zahlen zum Verrechnen zu überlassen, und es ist der klassische Podcast-Fehler: die Stimme nur links.

Getestet gegen Fünf Stereoformen, jede richtig benannt.

So funktioniert es Klassische Signalverarbeitung.

Mono-Kompatibilität im Bass Validiert

stereo.bassCorrelation

Mix & MasterLoop- & Samplepack-QC

Was gemessen wird Korrelation zwischen den Kanälen unter 120 Hz, nach einem Tiefpass 4. Ordnung. Null bei Mono oder ohne Energie dort.

So liest du den Wert Über 0,5 summiert sich das untere Ende sauber. Darunter wird es in Mono dünn, und unter 0 löscht es sich aus.

Warum Die breite Korrelation wird von Mitten- und Höhenenergie dominiert, ein völlig gegenphasiger Bass versteckt sich darin. Clubs und Schallplattenschnitt stellen diese Frage gesondert, also misst die Engine sie gesondert.

Getestet gegen Ein gegenphasiger Tiefbass und ein echt monofoner Tiefbass.

So funktioniert es Klassische Signalverarbeitung.

Wo die Energie über die Frequenz verteilt liegt.

Spektrum Validiert

spectrum.curve

Mix & MasterHerkunftUmgebung

Was gemessen wird Durchschnittliche Energie pro Frequenz über die Datei.

So liest du den Wert Lies die Steigung: Ein Buckel ist eine Resonanz, eine Klippe oben ist ein Codec.

Warum Der tonale Fingerabdruck der Aufnahme in einem Bild.

Getestet gegen Folgt der Breitbandform: Flaches Material ist von Oktave zu Oktave innerhalb von 12 Prozent flach, rosa Material (minus 3 dB pro Oktave) innerhalb von 7 Prozent, Material, das bei 4 kHz endet, fällt darüber auf unter 2 Prozent, und eine breite Anhebung zwischen 900 und 1100 Hz legt das Maximum der Kurve in diesen Bereich.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Ein schmaler Peak kann zwischen zwei der 128 logarithmisch verteilten Punkte fallen und übersehen werden. Die Kurve ist für die Form breitbandigen Materials gemacht.

Spektraler Schwerpunkt Validiert

spectrum.centroid

Mix & MasterUmgebungLoop- & Samplepack-QC

Was gemessen wird Wo der Schwerpunkt des Spektrums liegt.

So liest du den Wert Sprache landet grob bei 500–2000 Hz; Becken und Zischlaute schieben ihn weit höher.

Warum Eine Zahl für „hell oder dunkel“, vergleichbar zwischen Takes und Mikrofonen.

Getestet gegen Ein Sinus liest seine eigene Frequenz innerhalb von 1 Prozent; zwei gleich laute Sinus bei 500 und 2000 Hz lesen die Mitte innerhalb von 2 Prozent.

So funktioniert es Klassische Signalverarbeitung.

Spektraler Rolloff Validiert

spectrum.rolloff

Mix & Master

Was gemessen wird Frequenz, unter der 85 % der summierten spektralen Magnitude liegen.

So liest du den Wert Bewegt sich mit der Helligkeit, ist aber weniger empfindlich für eine einzelne laute hohe Frequenz.

Warum Ein stabileres Helligkeitsmaß als der Schwerpunkt, wenn Perkussion in der Datei ist.

Getestet gegen Bei einem flachen Spektrum von 100 bis 4000 Hz liegt der 85-Prozent-Punkt innerhalb von 3 Prozent bei 3415 Hz, und ein Sinus liest seine eigene Frequenz innerhalb von zwei FFT-Bins. Er summiert die Magnitude, nicht die Leistung.

So funktioniert es Klassische Signalverarbeitung.

Spektrale Flachheit Validiert

spectrum.flatness

UmgebungHerkunft

Was gemessen wird Wie rauschartig das Spektrum ist, 0 bis 1.

So liest du den Wert Nahe 0 ist eine klare Tonhöhe; nahe 1 ist Breitbandrauschen.

Warum Trennt einen Ton von einem Zischen, ohne wissen zu müssen, was von beidem was ist.

Getestet gegen Breitbandrauschen liest über 0,9 und ein reiner Ton unter 0,01.

So funktioniert es Klassische Signalverarbeitung.

Tonale Balance Validiert

spectrum.bands

Mix & Master

Was gemessen wird Energie in sieben benannten Bändern von Sub bis Air.

So liest du den Wert Vergleiche die Balken untereinander, nicht mit einem Absolutwert.

Warum Macht aus „es klingt dünn“, welches Band tatsächlich fehlt.

Getestet gegen Rauschen innerhalb eines Bandes setzt dieses Band auf 1 und jedes andere Band unter 0,08; getestet für Bass, Mitten, Präsenz und Air.

So funktioniert es Klassische Signalverarbeitung.

Die beiden Beschwerden, die Hörer äußern, ohne zu wissen, warum.

Schärfe Proxy

issue.harshness

Mix & MasterStimme & Podcast

Was gemessen wird Überschüssige Energie im Bereich von 2–5 kHz, wo das Ohr am empfindlichsten ist.

So liest du den Wert Hoch heißt ermüdend nach wenigen Minuten.

Warum Fängt das, was Hörer als anstrengend beschreiben, aber nicht benennen können.

Getestet gegen Eine Anhebung bei 3,2 kHz bewegt den Wert von 0,04 auf 0,86.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Von Hand gewählte Schwellen.

Mulmigkeit Proxy

issue.muddiness

Mix & MasterStimme & Podcast

Was gemessen wird Aufbau um 200–500 Hz.

So liest du den Wert Hoch heißt, dem Mix fehlt Kontur.

Warum Das häufigste Problem selbst produzierter Aufnahmen, und das am leichtesten zu behebende, sobald es einen Namen hat.

Getestet gegen Nur die Richtung: Eine Anhebung von 12 dB zwischen 200 und 400 Hz erhöht den Wert gegenüber einem flachen Spektrum um mehr als 0,3. Die Schwellen wurden von Hand gewählt.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Echte Mixe, die Hörer als mulmig oder klar beurteilt haben.

Was es nicht ist Kein Hörerurteil über einen Mix.

Sprache, Tempo, Pegel und was dahintersteckt.

Sprachanteil Proxy

voice.speechRatio

Stimme & PodcastDataset-QABroadcast & Filmpost

Was gemessen wird Anteil der Datei, in dem jemand spricht.

So liest du den Wert Nahe 1 heißt Sprache von Anfang bis Ende; nahe 0 heißt meist Stille oder Rauschen.

Warum Legt fest, wofür die Datei taugt. Ein Verhältnis von 0,2 in einem Dataset-Take ist meist eine gescheiterte Aufnahme.

Getestet gegen Gemessen an Wortalignments (LibriSpeech dev-clean, 40 gelesene Aufnahmen, 17 Rauschbedingungen). Bei sauberem Audio findet der Sprachdetektor Sprach-Frames mit F1 0,92, zählt aber nur die lauteren Teile der Phrasen: Leise Wortanfänge und Wortenden zählen als Pause, sodass der Anteil etwa 12 Punkte unter dem wahren Anteil liest (mittlerer absoluter Fehler 0,125). Bei gleichmäßigem Rauschen bleibt F1 bis hinunter zu 20 dB Signal-Rausch-Abstand bei 0,90 oder besser, bei 10 dB liegt er zwischen 0,79 und 0,90, und bei 5 dB und darunter ist er unzuverlässig. Eine zweite Version des Detektors (K2: Eine Phrase läuft weiter, solange die Hüllkurve über 0,3 der Schwelle bleibt, höchstens 100 ms pro Seite) wurde am 13. Oktober 2026 einmal auf LibriSpeech test-clean getestet (40 neue Sprecher, 17 Rauschbedingungen, 680 Mischungen; die Rauschstücke waren dieselben wie in der Entwicklung): Bei sauberem Audio und Rauschen mit 20 und 10 dB stieg das F1 der Sprach-Frames von 0,878 auf 0,941, die Reinheit der als Pause bezeichneten Frames von 0,608 auf 0,756 und der mittlere absolute Fehler des Sprachanteils sank von 0,170 auf 0,082; bei 5 dB stieg das F1 von 0,637 auf 0,773 und der Fehler sank von 0,389 auf 0,258. Er erfüllte seine vorab registrierten Kriterien, aber nicht die ursprüngliche Latte (Reinheit 0,95, Fehler 0,04). Die Website nutzt jetzt K2, die API bietet ihn als speechDetector k2 an und liefert ihn ab dem 15. Januar 2027 standardmäßig; der Sprachanteil liest dann je nach Rauschen etwa 5 bis 14 Punkte höher. Alles, was aus den Sprach-Frames oder den Pausen berechnet wird, verschiebt sich mit, wie die anderen Messgrößen angeben; Helligkeit, Zischlautrisiko, Grundrauschen und Peak nicht.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Andere Sprachen, Telefonband-Audio, Musik oder Fernsehen hinter der Stimme, halllige Räume, echte Gespräche. K2 wurde an neuen Sprechern getestet, aber mit denselben vier Rauschaufnahmen wie in der Entwicklung.

Was es nicht ist Nicht der Zeitanteil, in dem jemand spricht: Er liest zu niedrig, weil leise Wortanfänge und Wortenden als Pause zählen.

Sprechdauer Proxy

voice.speechSec

Stimme & PodcastDataset-QA

Was gemessen wird Gesamte stimmhafte Zeit.

So liest du den Wert Sekunden tatsächlichen Sprechens.

Warum Das, wofür du einen Transkribierer oder einen Spracherkenner bezahlst.

Getestet gegen Folgt aus dem Sprachdetektor, gemessen an Wortalignments: Er zählt nur die lauteren Teile der Phrasen, sodass er bei sauberer gelesener Sprache etwa 12 Prozent der Dauer zu niedrig liest (siehe Sprachanteil). Nur bei sauberem Audio und gleichmäßigem Rauschen bis hinunter zu 20 dB Signal-Rausch-Abstand zuverlässig. Mit dem K2-Detektor (siehe Sprachanteil) liest er bei Testaufnahmen von etwa 50 Sekunden 2,6 bis 6,9 Sekunden mehr.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Nicht die Zeit, in der jemand spricht: Leise Wortanfänge und Wortenden zählen als Pause.

Pausendauer Proxy

voice.silenceSec

Stimme & PodcastDataset-QA

Was gemessen wird Gesamte stimmlose Zeit.

So liest du den Wert Sekunden zwischen und um die Phrasen.

Warum Dort muss jede Hintergrundmessung stattfinden, also begrenzt sie deren Verlässlichkeit.

Getestet gegen Folgt aus dem Sprachdetektor (Dauer minus Sprechsekunden), gemessen an Wortalignments: Bei sauberer gelesener Sprache liest er etwa 12 Prozent der Dauer zu hoch, weil leise Sprache als Stille zählt (siehe Sprachanteil). Mit dem K2-Detektor liest er entsprechend weniger (2,6 bis 6,9 Sekunden bei Testaufnahmen von etwa 50 Sekunden).

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Nicht Stille: Etwa ein Drittel dessen, was der Detektor Pause nennt, ist leise Sprache.

Sprachsegmente Proxy

voice.segments

Stimme & PodcastDataset-QA

Was gemessen wird Anfang und Ende jeder erkannten Phrase.

So liest du den Wert Eine Zeile pro Phrase.

Warum Die Einheit, an der alles Phrasenbezogene hängt, und das, was ein Editor tatsächlich anklickt.

Getestet gegen Phrasengrenzen aus dem Sprachdetektor, gemessen an Wortalignments: Er findet die lauteren Teile der Phrasen, teilt eine Phrase oft in mehrere Segmente und beendet Segmente zu früh, weil leise Wortenden unter seine Schwelle fallen. Mit dem K2-Detektor reichen die Segmente höchstens 100 ms pro Seite in die leisen Wortanfänge und Wortenden hinein, sodass benachbarte Segmente manchmal zu weniger, längeren verschmelzen.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Sprachaktivität, keine Sprecherwechsel: Es sagt, wann gesprochen wird, nicht wer.

Sprechimpulse pro Sekunde Proxy

voice.syllableRate

Stimme & Podcast

Was gemessen wird Grob, wie viele getrennte Sprechimpulse pro Sekunde, gezählt aus Einbrüchen in der Hüllkurve.

So liest du den Wert Es zählen nur Lücken, die tief genug sind, um als Stille zu gelten, also folgt das dem Tempo von Wörtern und Phrasen, nicht jeder Silbe. Über zwölf Referenzlesungen liegt es zwischen 2 und 5.

Warum Das Tempo ist das Erste, worüber Hörer sich beschweren, und der Sprecher hört es nie.

Getestet gegen Zählt konstruierte Sprechimpulse mit tiefen Pausen dazwischen bei 2,5 und 4 pro Sekunde innerhalb von 0,5. Über zwölf Referenzlesungen liegt der Wert zwischen 2 und 5.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Echte Sprache gegen einen gezählten Text.

Was es nicht ist Keine Silbenzählung.

Sprechtempo Proxy

voice.speakingRate

Stimme & Podcast

Was gemessen wird Die Silbenrate als Wort.

So liest du den Wert Slow, Normal, Fast oder Very fast.

Warum Ein Label reist in einem Bericht, den jemand anderes liest, weiter als eine Zahl.

Getestet gegen Die Labels ändern sich bei einem konstruierten Signal mit dem Tempo.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Abgeleitet aus dem Silbenraten-Proxy; keine Spracherkennung.

Lange Pausen Proxy

voice.longSilences

Stimme & Podcast

Was gemessen wird Anzahl der Lücken länger als 1,5 Sekunden.

So liest du den Wert Eine Zählung, kein Urteil.

Warum Weist einen Editor direkt auf die Schnitte hin, die sich lohnen.

Getestet gegen Zählt Pausen über 1,5 s zwischen Segmenten. Gegen Wortalignments (40 Aufnahmen mit Lücken von 0,8 bis 2,2 s) war die Anzahl bei sauberem Audio und bei Rauschen mit 20 dB in 68 bis 80 Prozent der Aufnahmen exakt (in 97,5 bis 100 Prozent innerhalb von eins daneben) und bei Rauschen mit 10 dB in 38 bis 58 Prozent. Mit dem K2-Detektor zählt er bei 680 Testmischungen 0,15 bis 0,73 lange Pausen weniger pro Aufnahme; die Genauigkeit der Anzahl wurde für K2 nicht getestet.

So funktioniert es Klassische Signalverarbeitung.

Stimm-Peak Validiert

voice.peak

Stimme & PodcastDataset-QA

Was gemessen wird Lautester Sample der Aufnahme.

So liest du den Wert Über −1 dBFS ist der Take gefährdet.

Warum Der Check des Aufnahmepegels, bevor man irgendetwas anderem trauen kann.

Getestet gegen Stimmt mit dem True Peak einer sauberen Aufnahme überein.

So funktioniert es Klassische Signalverarbeitung.

Sprachpegel Validiert

voice.speechLevel

Stimme & PodcastDataset-QABroadcast & Filmpost

Was gemessen wird Durchschnittspegel nur während der Sprache.

So liest du den Wert Ein angenehmer Take liegt bei etwa −20 dBFS; unter −35 war das Mikrofon zu weit weg oder zu leise.

Warum Anders als der Durchschnitt der Datei wird er nicht von der Stille zwischen den Phrasen nach unten gezogen.

Getestet gegen Stimmt mit dem RMS eines bekannten Tons überein (-9,07 gegen -9,03 dB) und folgt einem Abfall um 12 dB. Er ist der Durchschnitt über die Frames, die der Sprachdetektor als Sprache bezeichnet; ein Detektor, der mehr der leisen Wortanfänge und Wortenden zählt, senkt ihn also: Mit dem K2-Detektor (siehe Sprachanteil) liest er bei sauberem Audio 0,5 dB niedriger und im Rauschen bis zu 1,4 dB niedriger (136 Testmischungen).

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Sehr leise Aufnahmen. Bei einem aktiven Sprachpegel von -60 dBFS behält der K2-Sprachdetektor etwa 9 Prozent der Sprachsekunden (Median 0,45 s von 4,5 s; 24 gelesene Sätze, 15. Oktober 2026, V03-ENG), der Pegel ist also der Durchschnitt nur der lautesten Teile: Verglichen mit denselben Sätzen bei -26 dBFS liest er 5,4 dB zu hoch (Median über die 22 Aufnahmen, die einen Pegel haben; 2,9 bis 10,5 dB), und mit dem Standarddetektor 6,6 dB zu hoch. Bei 2 der 24 Aufnahmen fand er überhaupt keine Sprache und gab keinen Pegel aus. Bei -50 dBFS behält der K2-Detektor 97 Prozent, und der Pegel folgt der Verstärkung auf 0,2 dB genau (Median; schlechtester von 24: 2,2 dB).

Grundrauschen Validiert

voice.noiseFloor

Stimme & PodcastDataset-QAUmgebungBroadcast & Filmpost

Was gemessen wird Pegel der leisesten Teile.

So liest du den Wert Niedriger ist leiser. Ein behandelter Raum liegt weit unter einem normalen, und ein Sprung nach oben heißt, dass etwas angegangen ist.

Warum Alles, was du später nicht mehr entfernen kannst, steckt hier.

Getestet gegen Steigt mit hinzugefügtem Rauschen; das Grundrauschen trifft den wahren Pegel von stationärem synthetischem Rauschen. An 40 gelesenen Aufnahmen mit echtem Hintergrundrauschen (SNR-1, 12. Oktober 2026) liegt es 1 bis 8 dB unter dem Durchschnittspegel dieses Rauschens, weil es das leiseste Zehntel der Frames liest.

So funktioniert es Klassische Signalverarbeitung.

Signal-Rausch-Abstand Validiert

voice.snr

Stimme & PodcastDataset-QABroadcast & Filmpost

Was gemessen wird Sprachpegel gegen das Grundrauschen, global gemessen.

So liest du den Wert Über 30 dB liest sich als sauber, unter 15 dB als verrauscht. Nutze ihn nicht, um die Genauigkeit der Spracherkennung vorherzusagen: In unserem eigenen Test tat er es nicht (siehe seinen Status).

Warum Die Schlagzeilenzahl, auch wenn die segmentale Variante unten die ehrliche ist.

Getestet gegen Ein hinzugefügtes Rauschen von 12 dB liest 14 dB, innerhalb von 6 dB. An 40 gelesenen Aufnahmen mit echtem Hintergrundrauschen, das mit bekannten Verhältnissen hinzugefügt wurde (SNR-1, 12. Oktober 2026): in 90 Prozent der Fälle innerhalb von 6 dB, wenn das wahre Verhältnis 10 bis 30 dB bei gleichmäßigem Rauschen (Küche, Wohnzimmer, Flur) oder Stimmengewirr bei 20 dB beträgt. Er liest zu hoch, wenn das wahre Verhältnis niedriger ist: etwa 3 bis 7 dB zu hoch bei 10 dB, 6 bis 9 dB bei 5 dB, 5 bis 12 dB bei 0 dB. Bei einer sehr sauberen Aufnahme liest er etwa 2 dB zu niedrig. Ein zweiter Test (SNR-2 an den SC-1-Dateien, 13. Oktober 2026, 1.344 Dateien: 48 synthetische Äußerungen in neun DEMAND-Umgebungen, sechs davon neu, bei 20, 10 und 5 dB, dazu saubere Kontrollen) bestätigte ihn mit anderer Sprache und überwiegend neuen Umgebungen: im Durchschnitt 1,6 dB zu hoch bei 20 dB, 3,2 dB bei 10 dB und 5,6 dB bei 5 dB. Ein Hybrid-Schätzer, der auf eine Minimum-Statistik umschaltet, wenn die erste Schätzung unter 16 dB liegt, senkte den Fehler bei 5 dB auf 2,5 dB (90. Perzentil, von 7,1 dB), korrigierte bei 10 dB aber zu stark (6,2 dB gegen die Latte von 6,0 dB), wurde also nicht übernommen, und die Messgröße bleibt, wie sie ist. Mit dem K2-Detektor (siehe Sprachanteil) liest er bei sauberem Audio 0,5 dB niedriger und bei 20 dB 0,6 dB niedriger, dieselbe Verschiebung wie beim Sprachpegel, weil er dieser Pegel minus Grundrauschen ist, und unter 16 dB wird er korrigiert (SNR-3, 13. Oktober 2026): eine Kombination aus dieser ersten Auslesung und einer zweiten aus der Minimum-Statistik der geglätteten Leistung, an den ersten beiden Tests mit Kreuzvalidierung angepasst und einmal an 520 Mischungen von 40 neuen Sprechern in drei Umgebungen getestet, die in keinem früheren Satz vorkamen (ein Stadtplatz, Straßenverkehr, eine Metro). Er erfüllte alle vier vorab registrierten Kriterien: bei 5 dB sank der mittlere Fehler von +5,95 auf +1,87 dB (90. Perzentil von 7,44 auf 2,98 dB, gepaarte Differenz 4,08 dB mit einem Intervall von 3,93 bis 4,21), bei 10 dB von +3,52 auf -0,18 dB (90. Perzentil von 5,28 auf 2,01 dB), und bei 20 dB und bei sauberem Audio änderte sich nichts. Gegenüber dem Standarddetektor sinkt das 90. Perzentil bei 5 dB von 8,23 auf 2,98 dB und bei 10 dB von 6,10 auf 2,01 dB. Bei den 680 Mischungen bekannter Geräusche (Küche, Wohnzimmer, Flur, Cafeteria) sank es bei 5 dB von 8,26 auf 4,37 dB und blieb bei 10 dB bei 6,25 dB. Nicht gelöst: Bei 0 dB liest er noch 5,6 dB zu hoch (90. Perzentil 6,7 dB), eine saubere Aufnahme liest im 90. Perzentil 0,7 dB schlechter als mit dem Standarddetektor, und die Metro ist die schwierigste Umgebung (90. Perzentil 7,3 dB bei 10 dB, weil 7 ihrer 40 Dateien eine erste Auslesung über 16 dB haben und außerhalb der Korrektur liegen). Die Koeffizienten gehören zur K2-Maske und gelten nur mit ihr.

Marge ±6 dB. Gilt für gelesene Sprache mit gleichmäßigem Hintergrundrauschen bei einem tatsächlichen Verhältnis von 10 bis 30 dB (90 Prozent der Fälle). Unter 10 dB liest er zu hoch, um 3 dB oder mehr. Mit dem K2-Detektor gilt er ab 5 dB für einen Stadtplatz und für Straßenverkehr sowie gepoolt über Küche, Wohnzimmer, Flur und Kantine (90. Perzentil 4,4 dB bei 5 dB); bei 10 dB liegt der gepoolte Wert über diese vier bei 6,25 dB, und eine U-Bahn erreicht 7,3 dB; bei 0 dB liest er noch etwa 6 dB zu hoch.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Vorhersage von Fehlern der Spracherkennung: in unserem eigenen Test vom 10. Oktober 2026: 16 erfundene niederländische Bürgermeldungen (Straße und Hausnummer, Ort, Nachname, Telefon, E-Mail), gelesen von 3 synthetischen Stimmen in 13 Bedingungen (sauber, Telefonband, Straßenlärm und Stimmengewirr bei 10 und 5 dB, Fernseher, vier gemessene Nachhallzeiten, Kombinationen): 624 Aufnahmen, 1.248 Transkriptionen von Whisper small und large-v3-turbo, 48 pro Bedingung und Modell, Spielraum etwa 13 Punkte. Die Messgröße sagte Fehler bei Straße, Nummer und Ort nicht voraus (AUC 0,52 bis 0,55; 0,50 ist ein Münzwurf). Synthetische Stimmen, nur Whisper, simuliertes Telefonband, niederländischer Text; echte Sprecher, andere Erkenner und Sprachen sind ungetestet.

Was es nicht ist Kein Prädiktor für die Genauigkeit der Spracherkennung.

Segmentaler SNR Validiert

voice.segmentalSnr

Stimme & PodcastDataset-QA

Was gemessen wird Jede Phrase gemessen gegen das Rauschen unmittelbar um sie herum, dann als Median genommen.

So liest du den Wert Dieselbe Skala wie der globale SNR, aber er schmeichelt einem Take mit wechselndem Hintergrund nicht.

Warum Ein globaler Durchschnitt versteckt genau das, worauf es ankommt: einen Fernseher, der zur Hälfte angeht, ein vorbeifahrendes Auto, jemanden, der nebenan spricht.

Getestet gegen Liegt nahe am wahren Verhältnis von Sprechimpuls zu Hintergrund und macht einen Hintergrund sichtbar, der lauter wird. Mit dem K2-Detektor (siehe Sprachanteil) reichen die Phrasen in ihre leisen Ränder hinein, und der Wert verschiebt sich pro Aufnahme um bis zu etwa 1 dB in beide Richtungen (136 Testmischungen).

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Vorhersage von Fehlern der Spracherkennung: in unserem eigenen Test vom 10. Oktober 2026: 16 erfundene niederländische Bürgermeldungen (Straße und Hausnummer, Ort, Nachname, Telefon, E-Mail), gelesen von 3 synthetischen Stimmen in 13 Bedingungen (sauber, Telefonband, Straßenlärm und Stimmengewirr bei 10 und 5 dB, Fernseher, vier gemessene Nachhallzeiten, Kombinationen): 624 Aufnahmen, 1.248 Transkriptionen von Whisper small und large-v3-turbo, 48 pro Bedingung und Modell, Spielraum etwa 13 Punkte. Die Messgröße sagte Fehler bei Straße, Nummer und Ort nicht voraus (AUC 0,52 bis 0,55; 0,50 ist ein Münzwurf). Synthetische Stimmen, nur Whisper, simuliertes Telefonband, niederländischer Text; echte Sprecher, andere Erkenner und Sprachen sind ungetestet.

Was es nicht ist Kein Prädiktor für die Genauigkeit der Spracherkennung.

SNR-Streuung Validiert

voice.segmentalSnrSpread

Stimme & PodcastDataset-QA

Was gemessen wird Unterschied zwischen der besten und der schlechtesten Phrase (p90 minus p10).

So liest du den Wert Klein heißt ein gleichbleibender Hintergrund; groß heißt, er hat sich während des Takes verändert.

Warum Entscheidet, ob die Lösung ein Filter für die Datei ist oder eine Suche nach einzelnen Phrasen.

Getestet gegen Zeigt einen Rauschteppich, der sich in der Mitte ändert.

So funktioniert es Klassische Signalverarbeitung.

SNR pro Phrase Validiert

voice.segmentSnr

Stimme & PodcastDataset-QA

Was gemessen wird Der segmentale SNR für jede Phrase einzeln.

So liest du den Wert Ausgerichtet an der Segmentliste; Null, wo die Phrase zu kurz zum Messen war.

Warum Macht aus einer Beschwerde über die ganze Datei einen Zeitstempel, zu dem du springen kannst.

Getestet gegen Unterscheidet sich um 12,03 dB bei Phrasen, die 12,04 dB auseinanderliegen.

So funktioniert es Klassische Signalverarbeitung.

Geclippte Samples Validiert

voice.clipping

Stimme & PodcastDataset-QA

Was gemessen wird Samples, die am Peak der Datei kleben, in Reihen von mindestens drei hintereinander.

So liest du den Wert Jede Zählung über eine Handvoll ist hörbarer Schaden. Einzelne Peaks zählen nicht, leichtes Clipping liest also niedrig.

Warum Der eine Fehler, den keine Bearbeitung rückgängig machen kann. Es heißt neu aufnehmen, nicht reparieren.

Getestet gegen Sieht 3 Prozent festhängende Samples und keine bei einer normalisierten sauberen Aufnahme.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Leichtes Clipping, wo es niedrig liest: Es zählt nur Samples, die am Peak der Datei in Reihen von mindestens drei hintereinander kleben, einzelne Peaks zählen also nicht. Am 15. Oktober 2026 (V03-ENG) fand sie an 72 Aufnahmen mit 0 bis 36 Prozent geclippter Samples (24 gelesene Sätze bei drei Verstärkungen) jede Aufnahme, die eine solche Reihe hatte, und keine von 96 Aufnahmen ohne Clipping. Sie las etwa 0,68 der Samples bei Vollaussteuerung, wenn bis zu 1 Prozent geclippt waren (Median), und 0,91 bis 0,93 davon über 1 Prozent.

Pausenpegel Proxy

voice.gapLevel

Stimme & PodcastDataset-QAUmgebung

Was gemessen wird Wie laut die „Stille“ zwischen den Phrasen wirklich ist: der Pegel der Frames, die der Sprachdetektor Pause nennt. Der Ausklang des letzten Wortes und das Abklingen des Raums zählen dazu.

So liest du den Wert Lies ihn gegen den Sprachpegel. Je kleiner der Abstand, desto mehr konkurriert der Hintergrund; ein angenehmer Take lässt einen großen Abstand.

Warum Der Raum ist nur leise, wenn du ihn gemessen hast, und das misst ihn dort, wo der Sprecher nicht spricht.

Getestet gegen Bei konstruierten Aufnahmen mit harten Sprechimpulsen und einem weißen Teppich bei minus 55 und minus 40 dBFS liest er den Teppich innerhalb von 2,5 dB. Er mittelt alles, was der Sprachdetektor als Pause bezeichnet; bei echter Sprache zählen also das Ende des letzten Wortes und das Abklingen des Raums als Hintergrund. Die Pausen stammen aus dem Sprachdetektor. Gemessen an Wortalignments (40 gelesene Aufnahmen, 17 Rauschbedingungen) sind etwa 95 Prozent der als Pause verwendeten Frames bei sauberem Audio und bei gleichmäßigem Rauschen mit 20 dB wirklich keine Sprache, und bei 10 dB 80 bis 91 Prozent; leise Sprache, die hineinragt, hebt den Pegel eines sehr leisen Hintergrunds um etwa 3 dB an. Mit dem K2-Detektor (siehe Sprachanteil) zählen die leisen Phrasenenden nicht mehr als Pause und der Pegel liest niedriger: 0,4 bis 2,6 dB bei den Testmischungen und 1 bis 15 dB bei den 12 Beispielaufnahmen der Website (synthetische Stimmen mit digitaler Stille zwischen den Phrasen), wo er auch leer ist, wenn kein Pausen-Frame übrig bleibt.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Echte Aufnahmen mit bekanntem Hintergrundpegel.

Sprachrhythmus im Hintergrund Proxy

voice.gapModulation

Stimme & PodcastDataset-QAUmgebung

Was gemessen wird Anteil der Energie in den Lücken, der sich mit 2–8 Hz bewegt, dem Takt von Silben.

So liest du den Wert Hoch heißt, dass etwas im Hintergrund den Rhythmus von Sprache hat.

Warum Ein Fernseher oder eine zweite Person im Raum liest sich auf jedem Pegelmesser als gewöhnliches Rauschen, aber nicht auf diesem.

Getestet gegen Trennt flaches Rauschen von einem rhythmischen Hintergrund.

So funktioniert es Klassische Signalverarbeitung.

Klappern im Hintergrund Proxy

voice.gapModulationHigh

Stimme & PodcastUmgebung

Was gemessen wird Anteil der Bewegung in den Pausen, der zwischen 8 und 16 Hz liegt, von 0,5 bis 16 Hz. Gemessen werden nur Pausen von mindestens 1,4 s.

So liest du den Wert Höher heißt schnellere Bewegung in den Pausen, wie von Tastaturen, Besteck oder Schritten. Flaches Rauschen liest schon etwa 0,5, vergleiche also Dateien, statt ihn von null aus zu lesen. Kürzere Pausen werden nicht gemessen und lesen 0.

Warum Sichert die Messgröße darüber ab. Klappern ist schnell und Sprache nicht, also trennt das Paar beide.

Getestet gegen Nur die Richtung: Ein Teppich, der mit 12 Hz flattert, liest mehr als 0,3 über flachem Rauschen. Flaches Rauschen liest bereits etwa 0,48, nicht 0. Gemessen werden nur Pausen von mindestens 1,4 s (kürzere Pausen lesen 0) und nur Bewegung bis 16 Hz. Die Pausen stammen aus dem Sprachdetektor. Gemessen an Wortalignments (40 gelesene Aufnahmen, 17 Rauschbedingungen) sind etwa 95 Prozent der als Pause verwendeten Frames bei sauberem Audio und bei gleichmäßigem Rauschen mit 20 dB wirklich keine Sprache, und bei 10 dB 80 bis 91 Prozent; leise Sprache, die hineinragt, hebt den Pegel eines sehr leisen Hintergrunds um etwa 3 dB an.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Aufnahmen von Tastaturen, Besteck oder Schritten.

Takt des Hintergrunds Proxy

voice.gapPeriodicity

Stimme & PodcastUmgebung

Was gemessen wird Wie regelmäßig sich die Energie in den Lücken im Silbenabstand wiederholt.

So liest du den Wert Hoch heißt ein gleichmäßiger Rhythmus statt zufälliger Stöße. Allein schwach: Der eigene Atemausklang eines Sprechers ist periodischer als ein entfernter Fernseher, und Broadcast-Kompression macht Radio fast aperiodisch.

Warum Als Zusatzzahl behalten, nicht als Test. Über einen Korpus gemessen trennt sie Hintergrundsprache nicht allein; ihren Platz verdient sie nur in Kombination mit den Pegeln um sie herum.

Getestet gegen Trennt einen durchgehenden Hintergrund von einem einzelnen Klatschen.

So funktioniert es Klassische Signalverarbeitung.

Energie in den Pausen nach Sprache Zurückgezogen

voice.roomEcho

Stimme & PodcastDataset-QA

Was gemessen wird Der Ausklang von 60 bis 420 ms nach jeder Phrase, gegen die Phrase selbst. Rauschen oder Nachhall, und diese Zahl trennt die beiden nicht.

So liest du den Wert Sie steigt mit Hintergrundrauschen ebenso leicht wie mit einem lebendigen Raum, lies sie also als „wie viel in den Pausen übrig bleibt“, nicht als Urteil über den Raum.

Warum Keine Nachhallmessung: Gegen 24 gemessene Raumantworten ohne Rauschen folgte sie der gemessenen RT60 mit Spearman 0,06, und ein Raum mit 1,71 s erreichte weniger als eine Kabine mit 0,18 s. Sie bleibt, weil Energie, die in den Pausen übrig bleibt, sehenswert ist; die Aussage über den Raum wurde am 27. Sep 2026 zurückgezogen, bis eine validierte Messgröße ihren Check besteht.

Getestet gegen Am 27. September 2026 an 24 Räumen mit gemessenen Nachhallzeiten getestet: Spearman 0,06, AUC 0,52, und der Wert steigt mit Rauschen.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Keine Nachhallmessung. Das Label wurde aus der Engine, den Apps, der API und dem MCP-Server zurückgezogen.

Wie das aktive Material aussieht Proxy

voice.activeKind

Stimme & PodcastDataset-QA

Was gemessen wird voice, music, noise oder mixed: die Frame-Labels von allem über dem Stille-Gate, als ein Wort.

So liest du den Wert Lies die Stimmzahlen als Zahlen über das Material und nicht über eine Stimme, sobald das nicht „voice“ ist. „mixed“ heißt eine Stimme UND etwas anderes, was die ehrliche Antwort ist, wenn keine Seite annähernd dominiert.

Warum Voice QA setzt Sprache als Eingabe voraus, und bei einem Musikmix oder gleichmäßigem Rauschen ist diese Annahme falsch, während jede Zahl weiter wie eine Messung einer Stimme aussieht. Das sind dieselben Labels, aus denen die Zeitleiste gebaut wird, die Labs können also nicht widersprechen.

Getestet gegen Eine Stimme mit Rhythmus behält das Voice-Label; gleichmäßiges Rauschen bekommt keines (getestet). Am 12. Oktober 2026 an 600 Ausschnitten von 20 Sekunden aus MUSAN getestet (200 Sprache, 200 Musik, 200 Rauschen; ein Durchlauf, nichts abgestimmt): Recall bei Sprache 0,91 und Precision 0,53, bei Musik Recall 0,59 und Precision 0,55, bei Rauschen Recall 0,015 (3 von 200). Er erfüllte sein vorab registriertes Kriterium (Recall und Precision von 0,80 oder mehr für alle drei Klassen) für keine Klasse. Hörbuchsprache (LibriVox) wird bei allen 100 Ausschnitten als Voice bezeichnet, Sprache von US-Behörden bei 81 von 100. Musik wird bei 69 von 200 Ausschnitten als Voice und bei 92 von 200 als Rauschen bezeichnet. Bei 500 konstruierten Mischungen aus gelesener Sprache und Instrumentalmusik (MX-1, 12. Oktober 2026) erkannte er Sprache mit 6 dB leiser eingemischter Musik in 16 von 100 Fällen und mit Musik in gleichem Pegel in 18 von 100; Sprache mit leiser Musik liest meist Voice, und reine Sprache und reine Musik wurden in 6 Prozent der Fälle fälschlich als gemischt bezeichnet.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Rauschen: Das Label trifft bei diesen Daten 3 von 200. MUSAN-Rauschen ist vielfältig (Umweltgeräusche, Maschinen, Töne, Effekte), was weiter ist als das gleichmäßige Rauschen, an dem die Regel getestet wurde, ein Teil der Fehlquote ist also ein Unterschied darin, was Rauschen bedeutet. Sprache über Musik wurde nur an konstruierten Mischungen getestet (MX-1), nicht an echten Aufnahmen von Menschen, die über Musik sprechen. Ebenfalls ungetestet: andere Sprachen als Englisch, Telefon- und Konferenzaufnahmen.

Was es nicht ist Ein Frame-Klassifikator, keine Grundwahrheit. Ein Voice-Label bei sauberer gelesener Sprache hält stand; das Rausch-Label nicht. Rauschen bedeutet gleichmäßiges Hintergrundrauschen (Brummen, Zischen, Klimaanlage, eine Menschenmenge), nicht jedes Geräusch ohne Sprache oder Musik.

Stimmanteil am aktiven Material Proxy

voice.activeVoiceShare

Stimme & PodcastDataset-QA

Was gemessen wird Der Anteil aktiver Frames mit dem Label voice, 0 bis 1.

So liest du den Wert Nahe 1 ist Sprache, nahe 0 ist Musik oder Rauschen, und die Mitte ist ehrlich bei Material, das beides ist.

Warum Ein einzelnes Wort muss sich entscheiden. Musik mit Gesang ist wirklich beides, und ein Anteil sagt das.

Getestet gegen Derselbe Frame-Klassifikator.

So funktioniert es Klassische Signalverarbeitung.

Stimmhelligkeit Proxy

voice.brightness

Stimme & Podcast

Was gemessen wird Mittlerer spektraler Schwerpunkt aller nicht stillen Frames, geteilt durch 2500 Hz und bei 1 gekappt. Pausen mit irgendeinem Rauschen zählen mit.

So liest du den Wert Niedrig ist dumpf oder abseits der Achse; hoch ist dünn oder zu nah an einem hellen Mikrofon. Ein Grundrauschen über etwa -80 dBFS zieht die Zahl nach oben, weil die Pausen Teil des Durchschnitts sind.

Warum Fängt ein schlecht platziertes Mikrofon, das jeder Pegelmesser für perfekt hält.

Getestet gegen Richtung getestet: wenig Höhen gegen viele Höhen liest 0,08 gegen 1,00. Bei digital stillen Pausen folgt sie dem mittleren spektralen Schwerpunkt pro Frame geteilt durch 2500 Hz innerhalb von 0,06. Jeder Frame über 1e-4 RMS zählt, Pausen eingeschlossen, sodass ein echtes Grundrauschen sie nach oben zieht: Weißes Rauschen mit minus 55 dBFS zwischen den Impulsen lässt Sprache mit 1250 Hz als 1 lesen.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Echte Sprache mit Grundrauschen, und gegen Hörer.

Was es nicht ist Eine Messgröße des spektralen Schwerpunkts aller nicht stillen Frames, kein Qualitätsurteil.

Zischlautrisiko Proxy

voice.sibilance

Stimme & Podcast

Was gemessen wird Energiekonzentration im Bereich von 5–9 kHz.

So liest du den Wert Low, Medium oder High.

Warum Harte S-Laute überstehen jeden späteren Bearbeitungsschritt und machen langes Hören unangenehm.

Getestet gegen Richtung getestet: Energie um 7 kHz bewegt das Label von Low zu High.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Ein Risiko-Label, keine Messung der Zischlaute in dB.

Am Anfang abgeschnitten Validiert

voice.startsInSpeech

Stimme & PodcastDataset-QABroadcast & Filmpost

Was gemessen wird Ob die Sprache schon im allerersten Frame läuft.

So liest du den Wert True heißt, die Aufnahme hat zu spät begonnen.

Warum Ein fehlendes erstes Wort ist in jeder Wellenformansicht unsichtbar und in einem Dataset fatal.

Getestet gegen Erkennt eine Datei, die mitten in der Sprache beginnt.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Ein flacher Schnitt. Am 15. Oktober 2026 (V03-ENG) wurden 24 gelesene Sätze, die 100, 250 und 500 ms in die Sprache hinein geschnitten waren, 13-, 18- und 20-mal von 24 markiert (12, 15 und 18 mit dem Standarddetektor), und keine von 24 ungeschnittenen Aufnahmen. Der Pegel am Rand (siehe Pegel am Anfang) trennte die 72 geschnittenen Anfänge besser von den 24 ungeschnittenen (AUC 0,96).

Am Ende abgeschnitten Validiert

voice.endsInSpeech

Stimme & PodcastDataset-QABroadcast & Filmpost

Was gemessen wird Ob die Sprache im letzten Frame noch läuft.

So liest du den Wert True heißt, die Aufnahme hat zu früh aufgehört.

Warum Dasselbe wie oben, am anderen Ende, und genauso leicht zu übersehen.

Getestet gegen Erkennt eine Datei, die mitten in der Sprache endet.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Ein flacher Schnitt. Am 15. Oktober 2026 (V03-ENG) wurden 24 gelesene Sätze, die 250 ms in die Sprache hinein geschnitten waren, 17-mal von 24 markiert (12 mit dem Standarddetektor), und keine von 24 ungeschnittenen Aufnahmen. Der Pegel am Rand (siehe Pegel am Ende) trennte sie besser (AUC 0,97).

Pegel am Anfang Validiert

voice.edgeStartDb

Dataset-QABroadcast & Filmpost

Was gemessen wird Hüllkurvenpegel in den ersten Frames.

So liest du den Wert Laut heißt ein harter Schnitt; leise heißt ein natürlicher Beginn.

Warum Trennt einen abgeschnittenen Take von einem, der einfach leise beginnt.

Getestet gegen Ein Ton mit minus 15,05 dBFS RMS am Anfang liest am Anfang diesen Pegel innerhalb von 1 dB und am Ende unter minus 80 dBFS. Außerdem ausgelesen an 24 gelesenen Sätzen, die 100, 250 und 500 ms nach Sprachbeginn abgeschnitten wurden, gegen 24 unbeschnittene (15. Oktober 2026, V03-ENG, explorativ): Er trennte die 72 abgeschnittenen Anfänge von den unbeschnittenen mit einer AUC von 0,96 (Median -29, -27 und -24 dBFS gegen -59 dBFS).

So funktioniert es Klassische Signalverarbeitung.

Pegel am Ende Validiert

voice.edgeEndDb

Dataset-QABroadcast & Filmpost

Was gemessen wird Hüllkurvenpegel in den letzten Frames.

So liest du den Wert Laut heißt ein harter Schnitt; leise heißt, es wurde ausgeblendet.

Warum Das Gegenstück am Ende, dieselbe Begründung.

Getestet gegen Ein Ton mit minus 15,05 dBFS RMS am Ende liest am Ende diesen Pegel innerhalb von 1 dB und am Anfang unter minus 80 dBFS. Außerdem ausgelesen an 24 gelesenen Sätzen, die 250 ms nach Sprachbeginn abgeschnitten wurden, gegen 24 unbeschnittene (15. Oktober 2026, V03-ENG, explorativ): Er trennte die abgeschnittenen Enden von den unbeschnittenen mit einer AUC von 0,97 (Median -32 dBFS gegen -57 dBFS).

So funktioniert es Klassische Signalverarbeitung.

Die Tonhöhe einer Stimme, wie viel der Aufnahme stimmhaft ist und wie viel des Klangs harmonisch ist. Jitter und Shimmer sind noch in der Erprobung und werden nicht angeboten.

Tonhöhe Validiert

pitch.f0Hz

Tonhöhe und Stimmqualität

Was gemessen wird Die mediane Grundfrequenz der stimmhaften Teile, in Hz: wo die Stimme sitzt. Jeder Frame zählt mit seiner Energie, ein periodisches Brummen weit unter der Stimme also nicht.

So liest du den Wert Zwischen 70 und 600 Hz. Etwa 85 bis 180 Hz bei einem Mann und 165 bis 255 Hz bei einer Frau, höher bei einem Kind. Null, wenn weniger als 0,2 s der Aufnahme stimmhaft sind.

Warum Unterscheidet Stimmen nach Lage, zeigt, dass eine Aufnahme in der Tonhöhe verschoben oder mit falscher Geschwindigkeit abgespielt wurde, und ist der Ausgangspunkt jeder Ablesung, die von der Tonhöhe abhängt.

Getestet gegen Konstruierte Stimmen mit bekannter Tonhöhe (ein Pulszug durch fünf Vokale, 1.092 Aufnahmen in sieben Bedingungen, für den Test gebaut, mit vorab festgelegten Kriterien: scripts/validatie/pitch/PREREG-PITCH.md und RESULT-PITCH.md). Keine groben Fehler (mehr als 20 Prozent daneben) bei sauberen Aufnahmen mit 16 und 48 kHz, keine bei Rauschen mit 20 und 10 dB und höchstens 1,9 Prozent über eine Telefonleitung (8 kHz, 300 bis 3.400 Hz). Der Median einer ganzen Aufnahme lag bei Sätzen im Median 0,31 Prozent und bei gehaltenen Vokalen 0,07 Prozent daneben (90. Perzentil 2,2 und 0,34 Prozent), auch bei Rauschen mit 20 dB und über das Telefonband. Die bereits vorhandenen Tracker (der TuneLab-Tuner und der Gesangscoach der Website) machten bei denselben Sätzen und Vokalen 2,9 bis 3,8 Prozent grobe Fehler, wo dieser keine machte. An 40 Lesungen echter Sprache (LibriSpeech test-clean, je 30 s) stimmen 98,0 Prozent der Frames, die dieser Tracker und ein unabhängiger (YIN) beide als stimmhaft bezeichnen, innerhalb von 20 Prozent überein, und der Median einer Lesung weicht im Median um 0,69 Prozent ab (90. Perzentil 3,2 Prozent).

Marge ±3 percent. Gegen die konstruierten Stimmen lag der mediane Fehler der medianen Tonhöhe bei 0,07 bis 0,33 Prozent und das 90. Perzentil bei 0,34 Prozent bei gehaltenen Vokalen und bei 2,2 bis 2,6 Prozent bei Sätzen (am schlechtesten über eine Telefonleitung).

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Eine Stimme gegen einen Laryngographen (solche Daten gibt es hier nicht), Gesang und Instrumente (der Bereich endet bei 600 Hz), knarrende oder sehr unregelmäßige Stimmen und Stimmen, die den fünf Vokalen des Generators nicht ähneln. Bei echter Sprache liegen 2,9 Prozent der stimmhaften Frames über dem 1,8-Fachen des Medians ihrer Ablesung, wahrscheinlich eine höhere Harmonische in einem lauten Vokal: Der Median ist dagegen robust, das obere Ende der Spanne weniger.

Was es nicht ist Keine Note und keine Messgröße für Alter oder Geschlecht des Sprechers: der Median über die ganze Aufnahme.

Tonhöhe, unteres Ende Proxy

pitch.f0LowHz

Tonhöhe und Stimmqualität

Was gemessen wird Das 10. Perzentil der Grundfrequenz über die stimmhaften Teile, nach Energie gewichtet.

So liest du den Wert Hz. Zusammen mit dem oberen Ende ergibt es die Spanne, die die Stimme in dieser Aufnahme genutzt hat.

Warum Der Boden der Stimme: Ein Sprecher, der bis an den unteren Rand seines Bereichs sinkt, liest sich anders als einer, der gleich bleibt.

Getestet gegen Ein Perzentil (das 10., nach Energie gewichtet) der verfolgten Tonhöhe, sodass die Qualität des Trackers es trägt (siehe pitch.f0Hz). Nicht für sich allein gegen eine Wahrheit getestet. Bei echter Sprache liegen 2,9 Prozent der stimmhaften Frames über dem 1,8-Fachen des Medians ihrer Lesung, wahrscheinlich eine höhere Harmonische; das 10. Perzentil ist das stabilere Ende der Spanne.

So funktioniert es Klassische Signalverarbeitung.

Tonhöhe, oberes Ende Proxy

pitch.f0HighHz

Tonhöhe und Stimmqualität

Was gemessen wird Das 90. Perzentil der Grundfrequenz über die stimmhaften Teile, nach Energie gewichtet.

So liest du den Wert Hz. Ein Tracker, der in einem lauten Vokal auf eine höhere Harmonische rutscht, zieht dieses Ende nach oben, bevor er den Median bewegt.

Warum Die Spitze der Stimme: Betonung, eine Frage und Aufregung zeigen sich hier, und auch eine Stimme, die gepresst wird.

Getestet gegen Ein Perzentil (das 90., nach Energie gewichtet) der verfolgten Tonhöhe, sodass die Qualität des Trackers es trägt (siehe pitch.f0Hz). Nicht für sich allein gegen eine Wahrheit getestet. Bei echter Sprache liegen 2,9 Prozent der stimmhaften Frames über dem 1,8-Fachen des Medians ihrer Lesung, wahrscheinlich eine höhere Harmonische in einem lauten Vokal, und das zieht dieses Ende zuerst nach oben.

So funktioniert es Klassische Signalverarbeitung.

Tonhöhenvariation Proxy

pitch.f0VariationSemitones

Tonhöhe und Stimmqualität

Was gemessen wird Wie stark sich die Tonhöhe bewegt: die Standardabweichung der Tonhöhe um ihren Median, in Halbtönen.

So liest du den Wert Gelesene Sprache lag zwischen 2,2 und 4,3 Halbtönen (10. bis 90. Perzentil von 40 Ablesungen). Unter etwa 1,5 liest sich als monoton, über 5 als lebhaft.

Warum Die erste Zahl der Prosodie: Ein flacher Vortrag verliert sein Publikum, und eine Tonhöhe, die stark schwankt, kann Nervosität oder Emotion sein.

Getestet gegen Aus der verfolgten Tonhöhe abgeleitet (siehe pitch.f0Hz) und nicht für sich allein gegen eine Wahrheit getestet. Bei echter gelesener Sprache las sie 2,2 / 3,3 / 4,3 Halbtöne (10. Perzentil / Median / 90. Perzentil von 40 Lesungen). Ein Verrutschen auf eine höhere Harmonische bläht sie auf.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Kein Urteil darüber, wie ausdrucksstark ein Sprecher ist: Dieselbe Zahl kann eine lebendige Stimme sein oder ein Tracker, der verrutscht ist.

Stimmhafter Anteil Proxy

pitch.voicedShare

Tonhöhe und Stimmqualität

Was gemessen wird Der Anteil der Frames mit Klang, die eine Tonhöhe tragen, 0 bis 1.

So liest du den Wert Gelesene Sprache lag zwischen 0,49 und 0,76. Konsonanten und Atem sind nicht stimmhaft. Gleichmäßiges Rauschen mit einem Ton darin zählt als stimmhaft, und eine Aufnahme, die viel leiser oder lauter ist als üblich, liest sich anders (siehe den Status).

Warum Wie viel vom Klang Stimme ist: Ein Flüstern, eine Aufnahme aus überwiegend Pausen und eine Aufnahme aus überwiegend Vokalen lesen sich verschieden.

Getestet gegen Zählt die Frames mit Klang (innerhalb von 35 dB des Frames am 95. Perzentil), die eine Tonhöhe tragen. Er hängt vom Pegel der Aufnahme und vom Rauschen ab: Gegenüber der sauberen Fassung derselben synthetischen Aufnahmen bewegte er sich über 32 Situationen mit Rauschen, Nachhall und Pegel zwischen plus 13 und minus 28 Punkten (eine um 30 dB leisere Aufnahme las 24 Punkte niedriger), und gleichmäßiges Rauschen mit einem Ton darin wird als stimmhaft gezählt. Bei echter gelesener Sprache 0,49 / 0,66 / 0,76 (10. Perzentil / Median / 90. Perzentil von 40 Lesungen).

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Nicht der Anteil der Sprache: Eine Aufnahme mit gleichmäßigem Rauschen und einem Ton darin liest stimmhaft.

Harmonics-to-Noise-Ratio Validiert

pitch.hnrDb

Tonhöhe und Stimmqualität

Was gemessen wird Wie viel des stimmhaften Klangs sich von einer Periode zur nächsten wiederholt, als Energie des periodischen Teils über der Energie des Rests, in dB. Median über die stimmhaften Frames, nach Energie gewichtet.

So liest du den Wert Gelesene Sprache lag zwischen 8 und 16 dB. Behauchtheit, Heiserkeit, Hintergrundrauschen und eine rauhe Aufnahme senken ihn, und ebenso Jitter und Shimmer, denn eine unregelmäßige Stimme ist nicht periodisch. Über etwa 28 dB (über eine Telefonleitung etwa 22 dB) kann er zu niedrig lesen.

Warum Eine Zahl dafür, wie sauber die Stimme ist: Ein verrauschter Raum, ein behauchtes Mikrofon und eine verbrauchte Stimme zeigen sich alle darin.

Getestet gegen Konstruierte Stimmen, die exakt periodisch sind, mit weißem Rauschen in bekanntem Verhältnis, 36 Aufnahmen pro Bedingung, für den Test gebaut, mit vorab festgelegten Kriterien (scripts/validatie/pitch/PREREG-PITCH.md und RESULT-PITCH.md). Bei 16 kHz lasen 18 von 19 Aufnahmen mit einem wahren Verhältnis von 8 bis 28 dB innerhalb von 1,5 dB (mittlerer Fehler -0,3 dB), und die Rangfolge gegenüber der Wahrheit stimmte mit Spearman 0,97 überein; über eine Telefonleitung (8 kHz, 300 bis 3.400 Hz) lasen 5 von 5 Aufnahmen mit 8 bis 20 dB innerhalb von 2 dB. Bei echter gelesener Sprache las die Messgröße 8,4 / 11,3 / 15,8 dB (10. Perzentil / Median / 90. Perzentil von 40 Lesungen).

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Stimmen mit Jitter und Shimmer (die Ablesung ist dann niedriger als das hinzugefügte Rauschen allein, um etwa 5 dB bei gehaltenen Vokalen und 8 dB bei Sätzen, weil eine unregelmäßige Stimme ebenfalls nicht periodisch ist), echte behauchte oder heisere Stimmen gegen eine klinische Bewertung, und Verhältnisse über etwa 28 dB oder über etwa 22 dB über eine Telefonleitung, wo er zu niedrig lesen kann (um bis zu 7 dB und bis zu 18 dB).

Was es nicht ist Nicht das Hintergrundrauschen allein: Sie zählt alles, was sich nicht von Periode zu Periode wiederholt, Jitter und Shimmer eingeschlossen. Nicht die HNR von Praat auf die Kommastelle genau: dieselbe Definition mit einem anderen Tracker, als Median über die nach Energie gewichteten stimmhaften Frames.

Jitter Beta

pitch.jitterLocal

Tonhöhe und Stimmqualität

Was gemessen wird Lokaler Jitter: wie stark sich benachbarte Perioden der Stimme in der Länge unterscheiden, in Prozent der Periode.

So liest du den Wert Prozent. Nur angegeben, wenn die Aufnahme ruhig genug ist (mindestens 30 dB zwischen den lauten und den leisen Frames) und 20 Zyklenpaare enthält, sonst null. Die klinische Norm von etwa 1 Prozent gilt für einen gehaltenen Vokal; in fließender Sprache liest die Zahl das Zwei- bis Dreifache.

Warum Rauheit der Stimme auf der Ebene einzelner Zyklen: Heisere und müde Stimmen lesen hoch.

Status Am 13. Oktober 2026 an Daten getestet, an denen sie nicht entwickelt wurde, mit vorab festgelegten Kriterien (scripts/validatie/pitch/PREREG-PITCH.md und RESULT-PITCH.md). Bei konstruierten gehaltenen Vokalen mit 16 kHz und über eine Telefonleitung las sie das 1,2-Fache der Wahrheit mit einem mittleren Fehler von 0,14 bis 0,15 Punkten, aber die Rangfolge gegenüber der Wahrheit stimmte nur mit Spearman 0,74 überein (Kriterium 0,75). In konstruierter laufender Sprache las sie das 1,34- und 1,47-Fache der Wahrheit, bei Spearman 0,70 und 0,61 (Kriterium 0,7). Bei Rauschen mit 20 dB gab sie für keinen Vokal einen Wert aus und las bei Sätzen das 1,5-Fache zu hoch. Sie bleibt in Beta und wird nicht über die API oder den MCP-Server angeboten, bis ein späterer Test an neuen Daten die Kriterien erfüllt.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Eine echte Stimme mit bekannter Perturbation, eine klinische Bewertung und Stottern (Jitter sagt darüber nichts). Eine Aufnahme, die nicht ruhig ist (unter 30 dB zwischen den lauten und den leisen Frames), bekommt keinen Wert. Bei echter gelesener Sprache las die Messgröße 1,6 / 2,3 / 2,7 Prozent (10. Perzentil / Median / 90. Perzentil der 35 von 40 Ablesungen, die einen Wert bekamen), das Zwei- bis Dreifache der klinischen Norm von etwa 1 Prozent, die für einen gehaltenen Vokal gilt.

Was es nicht ist Keine Messgröße für Stottern und kein klinisches Urteil.

Shimmer Beta

pitch.shimmerLocal

Tonhöhe und Stimmqualität

Was gemessen wird Lokaler Shimmer: wie stark sich benachbarte Zyklen der Stimme in der Amplitude unterscheiden, in Prozent der Amplitude.

So liest du den Wert Prozent. Nur angegeben, wenn die Aufnahme ruhig genug ist (mindestens 30 dB zwischen den lauten und den leisen Frames) und 20 Zyklenpaare enthält, sonst null. Die klinische Norm von etwa 4 Prozent gilt für einen gehaltenen Vokal; in fließender Sprache liest die Zahl etwa das Doppelte.

Warum Unruhe der Stimme auf der Ebene einzelner Zyklen: Eine behauchte oder angestrengte Stimme liest hoch.

Status Am 13. Oktober 2026 an Daten getestet, an denen sie nicht entwickelt wurde, mit vorab festgelegten Kriterien (scripts/validatie/pitch/PREREG-PITCH.md und RESULT-PITCH.md). Bei konstruierten gehaltenen Vokalen mit 16 kHz und über eine Telefonleitung las sie das 1,04- und 1,07-Fache der Wahrheit bei Spearman 0,90, aber mit einem mittleren Fehler von 0,66 und 0,75 Punkten (Kriterium 0,6). In konstruierter laufender Sprache las sie das 1,35- und 1,46-Fache der Wahrheit mit einem mittleren Fehler von 1,6 und 2,0 Punkten (Kriterium 2 Punkte) bei Spearman 0,94 und 0,88. Bei Rauschen mit 20 dB gab sie für keinen Vokal einen Wert aus und las bei Sätzen das 1,3-Fache zu hoch. Sie bleibt in Beta und wird nicht über die API oder den MCP-Server angeboten, bis ein späterer Test an neuen Daten die Kriterien erfüllt.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Eine echte Stimme mit bekannter Perturbation, eine klinische Bewertung und Stottern (Shimmer sagt darüber nichts). Eine Aufnahme, die nicht ruhig ist (unter 30 dB zwischen den lauten und den leisen Frames), bekommt keinen Wert. Bei echter gelesener Sprache las die Messgröße 6,8 / 8,2 / 9,9 Prozent (10. Perzentil / Median / 90. Perzentil der 35 von 40 Ablesungen, die einen Wert bekamen), etwa das Doppelte der klinischen Norm von etwa 4 Prozent, die für einen gehaltenen Vokal gilt.

Was es nicht ist Keine Messgröße für Stottern und kein klinisches Urteil.

Tonhöhe im Zeitverlauf Proxy

pitch.f0Track

Tonhöhe und Stimmqualität

Was gemessen wird Die Tonhöhe alle 10 ms ab Zeit 0, in Hz, null, wo der Frame stimmlos ist.

So liest du den Wert Ein Wert pro 10 ms. Eine Serie: in einer Zusammenfassung ausgelassen.

Warum Die Kontur: wo die Stimme steigt und fällt, für Plots, für die Intonation und für den Gesangscoach.

Getestet gegen Die Frames des Trackers hinter pitch.f0Hz, Frame für Frame an der Konstruktion beurteilt: keine groben Fehler bei sauberen Aufnahmen, ein Feinfehler von 8 bis 9 Cent bei Stimmen mit Jitter, keine verpassten stimmhaften Frames und keine falschen bei sauberen Aufnahmen. Bei Rauschen lesen 6 bis 19 Prozent der Frames ohne Stimme als stimmhaft (ein Brummen ist ebenfalls periodisch).

So funktioniert es Klassische Signalverarbeitung.

Was die Pausen füllt (eine Maschine, ein Programm, nichts) und ob man der Stimme im Vordergrund noch folgen kann. Die Verständlichkeitszahl ist ein Proxy und sagt das auch.

Was die Pausen füllt Proxy

scene.background

Stimme & PodcastUmgebungDataset-QA

Was gemessen wird Ein Wort für den Hintergrund, gelesen in den Sprachpausen nach den ersten 0,4 s jeder Pause: quiet, stationary, program oder unsteady.

So liest du den Wert Stationary ist ein Pegel und Spektrum, die sich kaum bewegen: ein stetes Brummen oder Zischen oder eine dichte Menschenmenge; Maschinen, die die Drehzahl ändern oder zyklisch laufen, lesen unsteady. Program ist ein Pegel, der sich im Takt von Sprache bewegt: ein Fernseher, ein Radio, eine zweite Person, auch Musik mit Beat. Unsteady bewegt sich ohne Takt: Verkehr, Geklapper. Null, wenn weniger als eine Sekunde Pause zum Lesen übrig bleibt.

Warum Ein Tonmann muss vor dem nächsten Take wissen, ob er den Fernseher oder die Lüftung ausschalten soll, und ein Pegelmesser kann die beiden nicht unterscheiden.

Getestet gegen Synthetische Szenen: leise, Lüftungsanlage liest stationär, ein Fernseher liest Programm. An echten Umgebungsaufnahmen (SC-1, 12. Oktober 2026) lesen Maschinenumgebungen meist unstetig (Waschmaschine 41 von 48, Auto 39 von 48 bei 20 dB), Stimmengewirr und ein Wohnzimmer lesen oft Programm, und leise kam in keiner Umgebung vor.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Stationär heißt gleichbleibender Pegel und gleichbleibendes Spektrum, nicht Maschine. Keine verlässliche Auslesung dessen, was der Hintergrund ist.

Programm im Hintergrund Proxy

scene.programScore

Stimme & PodcastUmgebungDataset-QA

Was gemessen wird Wie stark die Pausen ein Programm tragen: Bewegung im Pegel mal entweder der 2- bis 8-Hz-Takt von Sprache oder eine Tonhöhe (eine zweite Stimme, Musik), 0 bis 1.

So liest du den Wert Ein stetes Zischen erreicht 0: Sein Pegel bewegt sich nicht. Der eigene Atem eines Sprechers bewegt sich, hat aber weder einen Takt über der Grundlinie flachen Rauschens noch eine Tonhöhe, bleibt also niedrig. Über 0,5 liest das Label program.

Warum Das ist die Zahl, die „da läuft ein Fernseher“ sagt, was kein Grundrauschen in dB sagen kann.

Getestet gegen Synthetische Szenen.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Nicht an echten Aufnahmen getestet.

Stimmen oder Noten in den Pausen Proxy

scene.gapHarmonicShare

Stimme & PodcastUmgebungDataset-QA

Was gemessen wird Anteil der 40-ms-Pausenframes mit einer klaren, sich bewegenden Tonhöhe zwischen 70 und 400 Hz, gelesen aus der normalisierten Autokorrelation nach den ersten 0,4 s jeder Pause.

So liest du den Wert Atem, Publikumsgemurmel und Lüftung haben keine Tonhöhe; eine zweite Stimme hat eine, und Musik mit klaren Noten auch. Über etwa 0,35 liest der Programmwert es als Programm. Dichte oder basslastige Musik kann hier niedrig bleiben und stattdessen als gleichbleibender Boden lesen: gemessen 0,07 bei einem Clubtrack mit 18 dB unter einem Vortrag, den das Label dann stationary nannte. Eine Tonhöhe, die sich nicht bewegt, ist ein Ton, keine Stimme, und wird gesondert gemeldet.

Warum Bei echten Aufnahmen trennte der Modulationstakt allein einen Fernseher kaum vom eigenen Rest des Sprechers; eine sich bewegende Tonhöhe in den Pausen tut es.

Getestet gegen Findet eine zweite Stimme an ihrer Tonhöhe in den Pausen, in synthetischen Szenen.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Sagt, dass eine Stimme oder Musik vorhanden ist, nicht wessen.

Spektrale Bewegung in den Pausen Proxy

scene.gapSpectralFlux

Stimme & PodcastUmgebung

Was gemessen wird Wie stark sich die Form des Pausenspektrums von einem 0,4-s-Fenster zum nächsten ändert, 0 bis 1: acht logarithmische Bänder von 60 Hz bis 4 kHz, zuerst gemittelt, damit sich das Flackern gleichmäßigen Rauschens aufhebt.

So liest du den Wert Unter 0,06 steht die Form still (ein Lüfter, ein Kühlschrank, Zischen); über 0,2 ändert sie sich ständig (Musik, Sprache, Verkehr). Stationary braucht sowohl einen stillen Pegel als auch eine stille Form; ein Clubtrack mit 18 dB unter einem Vortrag hielt seinen Pegel auf 1,7 dB genau und las sich als Maschine, bis diese Zahl etwas anderes sagte.

Warum Der Pegel allein kann eine gleichmäßige Basslinie nicht von einem gleichmäßigen Kompressor unterscheiden; die Form des Spektrums kann es.

Getestet gegen Musik gegen eine Maschine, in synthetischen Szenen.

So funktioniert es Klassische Signalverarbeitung.

Stehender Ton in den Pausen Proxy

scene.gapTone

Stimme & PodcastUmgebung

Was gemessen wird Eine feste Tonhöhe, die die Pausen füllt: mehr als 80 % der tonhaltigen Pausenframes innerhalb von 4 % einer Frequenz.

So liest du den Wert Ein Lüfterblatt, ein Transformator, ein Kompressor. Null, wenn die Pausen keine oder eine sich bewegende Tonhöhe tragen. Lies sie mit der Messgröße zum Netzbrummen: 50 oder 60 Hz und ihre Oberwellen sind Brummen, alles andere ist eine Maschine.

Warum Ein fester Ton hat eine Tonhöhe wie eine Stimme, und ohne diese Trennung las sich ein Vortrag mit einem 120-Hz-Lüfter dahinter als Programm im Hintergrund.

Getestet gegen Ein fester Ton mit 180 Hz in den Pausen wird innerhalb von 4 Prozent gefunden, und reines Rauschen ergibt null. Nur konstruierte Teppiche. Die Pausen stammen aus dem Sprachdetektor. Gemessen an Wortalignments (40 gelesene Aufnahmen, 17 Rauschbedingungen) sind etwa 95 Prozent der als Pause verwendeten Frames bei sauberem Audio und bei gleichmäßigem Rauschen mit 20 dB wirklich keine Sprache, und bei 10 dB 80 bis 91 Prozent; leise Sprache, die hineinragt, hebt den Pegel eines sehr leisen Hintergrunds um etwa 3 dB an.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Echte Maschinen (Lüfter, Transformatoren, Kompressoren), hinter Sprache aufgenommen.

Gleichbleibendes Hintergrundrauschen Proxy

scene.stationaryScore

Stimme & PodcastUmgebungDataset-QA

Was gemessen wird Wie still der Pausenpegel steht, 0 bis 1: 1, wenn er weniger als 0,75 dB schwankt, 0 über 3,5 dB.

So liest du den Wert Lies ihn zusammen mit dem Tiefbandanteil: Ein gleichbleibender Hintergrund mit dem größten Teil seiner Leistung unter 500 Hz dröhnt (ein Brummen, Lüftung); einer ohne zischelt (Zischen, eine dichte Menschenmenge). Er kann eine Maschine nicht von einer Menschenmenge unterscheiden: Eine Waschmaschine oder ein Auto, das die Drehzahl ändert, erreicht einen niedrigen Wert.

Warum Stationäres Rauschen ist die eine Art, die ein Denoiser gut entfernt und die ein Hörer nicht mehr hört; zu wissen, dass es stationär ist, ändert, was du dagegen tust.

Getestet gegen Synthetische Szenen. An echten Umgebungsaufnahmen getestet (SC-1, 12. Oktober 2026, ein Durchlauf, 1.344 Dateien): Er misst, ob Pegel und Spektrum in den Pausen stillstehen, nicht, ob eine Maschine läuft. Echte Maschinenaufnahmen (Waschmaschine, Auto) lesen 0,10 bis 0,35, dichtes Stimmengewirr (Restaurant, Bahnhof) 0,5 bis 0,7 und weißes Rauschen 0,996; Maschine gegen Stimmengewirr erreichte eine AUC von 0,23 bei 20 dB und 0,27 bei 10 dB, wo die Latte bei 0,80 lag, er funktioniert also genau verkehrt herum.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Kein Maschinendetektor. Lies ihn als gleichbleibenden Hintergrund (ein stetes Brummen oder Rauschen oder eine dichte Menschenmenge), nicht als Maschine.

Dröhnen in den Pausen Proxy

scene.gapLowBandShare

Stimme & PodcastUmgebung

Was gemessen wird Anteil der Pausenleistung unter 500 Hz.

So liest du den Wert Über 0,5 ist der Hintergrund überwiegend Dröhnen: Lüftung, Verkehr, ein Kompressor. Sprache und das meiste Fernsehen liegen höher.

Warum Wo der Hintergrund in der Frequenz sitzt, entscheidet, ob ein Hochpassfilter hilft oder die Stimme zerstört.

Getestet gegen Weißes Rauschen liest 0,02 (500 von 24000 Hz) innerhalb von 0,03 und ein Teppich unter 250 Hz liest über 0,9. Nur konstruierte Teppiche. Die Pausen stammen aus dem Sprachdetektor. Gemessen an Wortalignments (40 gelesene Aufnahmen, 17 Rauschbedingungen) sind etwa 95 Prozent der als Pause verwendeten Frames bei sauberem Audio und bei gleichmäßigem Rauschen mit 20 dB wirklich keine Sprache, und bei 10 dB 80 bis 91 Prozent; leise Sprache, die hineinragt, hebt den Pegel eines sehr leisen Hintergrunds um etwa 3 dB an. An echten Umgebungsaufnahmen getestet (SC-1, 12. Oktober 2026, ein Durchlauf, 1.344 Dateien: neun DEMAND-Umgebungen mit eingemischter synthetischer Sprache bei 20, 10 und 5 dB): Auto gegen Stimmengewirr, AUC 0,81 bei 20 dB (untere Grenze 0,74) und 0,92 bei 10 dB (0,87). Mit dem K2-Detektor (siehe Sprachanteil) ergibt derselbe Test 0,90 bei 20 dB (0,85) und 0,97 bei 10 dB (0,93).

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Echtes Dröhnen (Lüftung, Verkehr, ein Kompressor) hinter echter Sprache oder echtem Fernsehen; SC-1 nutzte synthetische Sprache.

Was es nicht ist Eine Rangmessgröße für Gruppen von Umgebungen, kein Urteil über eine einzelne Aufnahme.

Sprachband in den Pausen Proxy

scene.gapSpeechBandShare

Stimme & PodcastUmgebung

Was gemessen wird Anteil der Pausenleistung zwischen 300 und 3400 Hz, wo Sprache ihre Worte trägt.

So liest du den Wert Hoch zusammen mit einem Programmwert heißt, dass der Hintergrund im selben Band spricht wie der Vordergrund und ihn maskiert; hoch mit einem Stationär-Wert heißt ein breitbandiges Zischen.

Warum Ein Hintergrund im Sprachband kostet Verständlichkeit bei einem weit niedrigeren Pegel als ein Dröhnen.

Getestet gegen Ein Teppich von 1 bis 3 kHz liest über 0,9, weißes Rauschen 0,13 (3100 von 24000 Hz) innerhalb von 0,05, und ein Teppich unter 250 Hz liest unter 0,05. Nur konstruierte Teppiche. Die Pausen stammen aus dem Sprachdetektor. Gemessen an Wortalignments (40 gelesene Aufnahmen, 17 Rauschbedingungen) sind etwa 95 Prozent der als Pause verwendeten Frames bei sauberem Audio und bei gleichmäßigem Rauschen mit 20 dB wirklich keine Sprache, und bei 10 dB 80 bis 91 Prozent; leise Sprache, die hineinragt, hebt den Pegel eines sehr leisen Hintergrunds um etwa 3 dB an. An echten Umgebungsaufnahmen getestet (SC-1, 12. Oktober 2026, ein Durchlauf, 1.344 Dateien: neun DEMAND-Umgebungen mit eingemischter synthetischer Sprache bei 20, 10 und 5 dB): Stimmengewirr (Restaurant, Cafeteria) hat in den Pausen einen höheren Anteil im Sprachband als Maschinenrauschen (Waschmaschine, Auto), AUC 0,80 bei 20 dB (untere Grenze 0,74) und 0,87 bei 10 dB (0,80). Mit dem K2-Detektor (siehe Sprachanteil) ergibt derselbe Test 0,88 bei 20 dB (0,81) und 0,94 bei 10 dB (0,90).

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Echte Sprache oder echtes Fernsehen hinter einem Sprecher; SC-1 nutzte synthetische Sprache und kein Fernsehen und keine Musik.

Was es nicht ist Eine Rangmessgröße für Gruppen von Umgebungen, kein Urteil über eine einzelne Aufnahme.

Streuung des Pausenpegels Proxy

scene.gapStabilityDb

Stimme & PodcastUmgebung

Was gemessen wird Standardabweichung in dB der leiseren Hälfte der Pausenframes (je 20 ms).

So liest du den Wert Unter etwa 1 dB steht der Hintergrund still; über 3,5 dB bewegt er sich. Die Stationär- und Programmwerte sind auf dieser Zahl gebaut.

Warum Sie ist die Rohmessung hinter dem Label, sichtbar gehalten, damit sich das Label daran prüfen lässt.

Getestet gegen Ein flacher Teppich liest unter 0,5 dB. Ein Teppich, der um 6 dB auf und ab schwankt, liest 1,85 dB innerhalb von 0,6, den Wert, den die Definition für die leisere Hälfte der Pausen-Frames ergibt. Die Grenzen von 1 dB und 3,5 dB im Leseleitfaden wurden von Hand gewählt. Die Pausen stammen aus dem Sprachdetektor. Gemessen an Wortalignments (40 gelesene Aufnahmen, 17 Rauschbedingungen) sind etwa 95 Prozent der als Pause verwendeten Frames bei sauberem Audio und bei gleichmäßigem Rauschen mit 20 dB wirklich keine Sprache, und bei 10 dB 80 bis 91 Prozent; leise Sprache, die hineinragt, hebt den Pegel eines sehr leisen Hintergrunds um etwa 3 dB an.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Echte Hintergründe, und ob die Grenzen einen stillen Hintergrund von einem bewegten trennen.

Sprache über Hintergrund Proxy

scene.speechToBackground

Stimme & PodcastUmgebungDataset-QA

Was gemessen wird Mittlerer Sprachpegel minus mittlerer Pausenpegel, dB.

So liest du den Wert Über 45 dB gelten die Pausen als leise, was sonst noch in ihnen steckt. Bei etwa 20 dB muss ein Hörer sich anstrengen; bei etwa 10 dB verpasst er Wörter.

Warum Die einfachste ehrliche Zahl für „wie weit vorn ist die Stimme“, und die, die man zitiert, wenn der segmentale SNR für den Leser zu fein ist.

Getestet gegen Sprachpegel minus Pausenpegel liest bei konstruierten Aufnahmen innerhalb von 2 dB (35 dB bei einem Teppich von minus 55 dBFS, 10 dB bei minus 30). Die Pausen stammen aus dem Sprachdetektor. Gemessen an Wortalignments (40 gelesene Aufnahmen, 17 Rauschbedingungen) sind etwa 95 Prozent der als Pause verwendeten Frames bei sauberem Audio und bei gleichmäßigem Rauschen mit 20 dB wirklich keine Sprache, und bei 10 dB 80 bis 91 Prozent; leise Sprache, die hineinragt, hebt den Pegel eines sehr leisen Hintergrunds um etwa 3 dB an. Gegenüber dem Signal-Rausch-Abstand, der echter gelesener Sprache hinzugefügt wurde, ist er verzerrt: etwa 1 bis 3 dB zu niedrig bei 20 dB, nah dran bei 10 dB mit gleichmäßigem Rauschen, 2 bis 8 dB zu hoch bei 5 und 0 dB und etwa 7 dB zu niedrig bei einem sehr leisen Hintergrund. Mit dem K2-Detektor (siehe Sprachanteil) verschiebt sich die Auslesung um +1,9 dB bei sauberem Audio, +0,2 dB bei 20 dB und um 0,8 bis 1,4 dB nach unten bei Rauschen mit 10 dB und darunter (mittlere Verschiebung an 680 Testmischungen; die Verzerrung gegenüber dem hinzugefügten Verhältnis wurde für K2 nicht gemessen). An den 12 Beispielaufnahmen der Website (synthetische Stimmen mit digitaler Stille zwischen den Phrasen) liest er 6 bis 47 dB höher, und bei 2 davon ist er leer, weil kein Pausen-Frame übrig bleibt.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Echte Aufnahmen mit bekanntem Pegelunterschied.

Was es nicht ist Ein Pegelunterschied, keine Verständlichkeit.

Verständlichkeit (Proxy) Proxy

scene.intelligibility

Stimme & PodcastUmgebungDataset-QABroadcast & Filmpost

Was gemessen wird Clear, borderline oder buried: ob dem Vordergrundsprecher voraussichtlich gefolgt werden kann, aus der Aufnahme selbst gelesen.

So liest du den Wert Ein Proxy, kein Speech Transmission Index: Dafür braucht es ein Testsignal. Die schwächere von zwei Ablesungen, das schlechteste Zehntel des SNR pro Phrase und der Sprachpegel über dem mittleren Pausenpegel (3 dB lesen 0, 18 dB lesen 1, bei beiden), dann reduziert für einen halligen Raum und für Clipping. Kein Abzug für ein schmales Band: Telefonsprache ist verständlich. Null unter zwei messbaren Phrasen.

Warum Die eine Frage hinter einer Sprachnachricht in einem lauten Raum ist, ob sie noch zu verstehen ist; das beantwortet es, soweit eine Aufnahme es kann, und sagt, dass es ein Proxy ist.

Getestet gegen Synthetische Szenen: begraben, wenn ein Fernseher fast so laut ist.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Genauigkeit der Spracherkennung und menschliche Hörer. in unserem eigenen Test vom 10. Oktober 2026: 16 erfundene niederländische Bürgermeldungen (Straße und Hausnummer, Ort, Nachname, Telefon, E-Mail), gelesen von 3 synthetischen Stimmen in 13 Bedingungen (sauber, Telefonband, Straßenlärm und Stimmengewirr bei 10 und 5 dB, Fernseher, vier gemessene Nachhallzeiten, Kombinationen): 624 Aufnahmen, 1.248 Transkriptionen von Whisper small und large-v3-turbo, 48 pro Bedingung und Modell, Spielraum etwa 13 Punkte. Die Messgröße markierte „nicht klar“ (borderline oder buried) bei 100 Prozent der Aufnahmen mit Straßenlärm bei 10 und 5 dB und bei 94 bis 100 Prozent mit Stimmengewirr, während Whisper small den Ort weiterhin bei 58 bis 67 Prozent richtig hatte (sauber 69) und large-v3-turbo bei 71 bis 85 Prozent (sauber 81). Über alle Aufnahmen markierte sie 58 Prozent; von den Markierungen hatten 47 Prozent (small) oder 25 Prozent (large) einen echten Fehler beim Ort. Synthetische Stimmen, nur Whisper, simuliertes Telefonband, niederländischer Text; echte Sprecher, andere Erkenner und Sprachen sind ungetestet.

Was es nicht ist Kein Prädiktor für die Genauigkeit der Spracherkennung und kein STI. Ein aus Pegeln gebauter Proxy dafür, wie gut ein Hörer der Stimme folgen könnte; das ist selbst nicht an Hörern getestet.

Verständlichkeitswert (Proxy) Proxy

scene.intelligibilityScore

Stimme & PodcastDataset-QA

Was gemessen wird Der Verständlichkeits-Proxy als Zahl, 0 bis 1.

So liest du den Wert 0,65 und mehr liest clear, 0,35 bis 0,65 borderline, darunter buried. Dieselben Eingaben wie das Label.

Warum Lässt ein Dataset danach sortieren, wie gut seiner Sprache zu folgen ist, statt nach einem Grundrauschen, das nicht weiß, wo die Stimme ist.

Getestet gegen Derselbe Proxy.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Genauigkeit der Spracherkennung und menschliche Hörer. in unserem eigenen Test vom 10. Oktober 2026: 16 erfundene niederländische Bürgermeldungen (Straße und Hausnummer, Ort, Nachname, Telefon, E-Mail), gelesen von 3 synthetischen Stimmen in 13 Bedingungen (sauber, Telefonband, Straßenlärm und Stimmengewirr bei 10 und 5 dB, Fernseher, vier gemessene Nachhallzeiten, Kombinationen): 624 Aufnahmen, 1.248 Transkriptionen von Whisper small und large-v3-turbo, 48 pro Bedingung und Modell, Spielraum etwa 13 Punkte. Die Messgröße markierte „nicht klar“ (borderline oder buried) bei 100 Prozent der Aufnahmen mit Straßenlärm bei 10 und 5 dB und bei 94 bis 100 Prozent mit Stimmengewirr, während Whisper small den Ort weiterhin bei 58 bis 67 Prozent richtig hatte (sauber 69) und large-v3-turbo bei 71 bis 85 Prozent (sauber 81). Über alle Aufnahmen markierte sie 58 Prozent; von den Markierungen hatten 47 Prozent (small) oder 25 Prozent (large) einen echten Fehler beim Ort. Synthetische Stimmen, nur Whisper, simuliertes Telefonband, niederländischer Text; echte Sprecher, andere Erkenner und Sprachen sind ungetestet.

Was es nicht ist Kein Prädiktor für die Genauigkeit der Spracherkennung und kein STI. Ein aus Pegeln gebauter Proxy dafür, wie gut ein Hörer der Stimme folgen könnte; das ist selbst nicht an Hörern getestet.

SNR der schlechtesten Phrasen Validiert

scene.worstPhraseSnr

Stimme & PodcastDataset-QA

Was gemessen wird Das zehnte Perzentil des SNR pro Phrase: was die schwächsten Phrasen gegen das Rauschen neben ihnen messen.

So liest du den Wert Der Median sagt dir etwas über den Take; das hier sagt dir etwas über den Satz, der verloren geht. Unter 8 dB verpasst ein Hörer dort Wörter.

Warum Ein unhörbarer Satz genügt, um eine Nachricht zu verpassen, also ist der Proxy auf die schwachen Phrasen gebaut und nicht auf den Durchschnitt.

Getestet gegen Folgt aus dem SNR pro Phrase.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Vorhersage von Fehlern der Spracherkennung: in unserem eigenen Test vom 10. Oktober 2026: 16 erfundene niederländische Bürgermeldungen (Straße und Hausnummer, Ort, Nachname, Telefon, E-Mail), gelesen von 3 synthetischen Stimmen in 13 Bedingungen (sauber, Telefonband, Straßenlärm und Stimmengewirr bei 10 und 5 dB, Fernseher, vier gemessene Nachhallzeiten, Kombinationen): 624 Aufnahmen, 1.248 Transkriptionen von Whisper small und large-v3-turbo, 48 pro Bedingung und Modell, Spielraum etwa 13 Punkte. Die Messgröße sagte Fehler bei Straße, Nummer und Ort nicht voraus (AUC 0,52 bis 0,55; 0,50 ist ein Münzwurf). Synthetische Stimmen, nur Whisper, simuliertes Telefonband, niederländischer Text; echte Sprecher, andere Erkenner und Sprachen sind ungetestet.

Was es nicht ist Kein Prädiktor für die Genauigkeit der Spracherkennung.

Dieselben Fragen, jeweils für einen Satz.

Phrasenpegel Validiert

segment.level

Stimme & PodcastDataset-QA

Was gemessen wird Sprachpegel nur dieser Phrase.

So liest du den Wert Vergleiche Phrasen untereinander, um einen Sprecher zu erkennen, der vom Mikrofon wegdriftet.

Warum Ein Take kann im Durchschnitt perfekt sein, während die Hälfte der Phrasen zu leise ist.

Getestet gegen Stimmt mit dem berechneten RMS pro Phrase überein.

So funktioniert es Klassische Signalverarbeitung.

Clipping pro Phrase Validiert

segment.clipFraction

Stimme & PodcastDataset-QA

Was gemessen wird Anteil geclippter Samples innerhalb dieser Phrase.

So liest du den Wert Alles über null zeigt auf die Phrase, die neu aufgenommen werden muss.

Warum Macht aus „diese Datei clippt“ die Frage, welcher Satz.

Getestet gegen Zeigt auf die eine geclippte Phrase von dreien.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Leichtes Clipping: Es liest niedrig, aus demselben Grund wie die Messgröße zu geclippten Samples, denn es zählt nur Reihen von mindestens drei Samples am Peak der Datei.

Energie nach dieser Phrase Proxy

segment.decayScore

Stimme & PodcastDataset-QA

Was gemessen wird Wie viel Energie nach dieser Phrase nachklingt, relativ zur Phrase selbst. Rauschen oder Nachhall, nicht getrennt.

So liest du den Wert Null (kein Wert), wenn nichts Brauchbares folgt: ehrlicher als eine 0.

Warum Die Version der Dateizahl pro Phrase, mit derselben Grenze: Sie steigt mit einer verrauschten Pause ebenso wie mit einem lebendigen Raum. Nützlich, um die eine Phrase zu finden, die sich vom Rest unterscheidet, nicht, um den Raum zu beurteilen.

Getestet gegen Steigt in einem synthetischen Test mit Nachhall hinter der Phrase. Am 12. Oktober 2026 an 24 echten Räumen mit gemessenen Nachhallzeiten getestet (0,18 bis 1,71 s; 120 saubere Sätze, synthetische Stimmen, über gemessene Raumimpulsantworten abgespielt, ohne Rauschen; ein Durchlauf, nichts abgestimmt): Spearman-Rangkorrelation mit der Nachhallzeit 0,30 (95-%-Intervall -0,20 bis 0,71). Ein Zusammenhang mit der Nachhallzeit ist nicht gezeigt.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Rauschen (eine verrauschte Pause hebt sie ebenso an wie ein lebendiger Raum), echte Sprecher (die Sätze sind synthetisch) und die Nutzung pro Phrase. 24 Räume sind wenig für eine Rangkorrelation, weshalb das Intervall breit ist.

Was es nicht ist Keine Nachhallzeit und keine Messgröße des Raums: Lies sie als die Energie nach dieser Phrase. Gleiche Familie wie der zurückgezogene Nachhall-Score (Rangkorrelation 0,06 im selben Satz).

Abklingsteilheit Proxy

segment.tailDecay

Stimme & PodcastDataset-QA

Was gemessen wird Wie schnell der Klang nach dieser Phrase abfällt, in dB pro Sekunde.

So liest du den Wert Steiler ist trockener, flacher klingt nach. Braucht eine leise Lücke hinter der Phrase, die über einen Korpus nur etwa eine Phrase von zehn hat; lies es als Stichprobe, nicht als Durchschnitt. Pro Phrase streut es weit (im trockensten der 24 Testräume liefen einzelne Phrasen von etwa -146 bis -30 dB/s, 10. bis 90. Perzentil, und nur 48 Prozent der Phrasenenden dort ergaben einen Wert), nimm also den Median über viele Phrasen, nicht eine.

Warum Eine Steilheit in dB pro Sekunde hinter der Phrase. Sie ordnet Räume grob danach, wie stark sie nachklingen, und ist nicht auf eine Nachhallzeit kalibriert: Die Zahlen stehen in ihrem Status.

Getestet gegen Eine Steilheit bei Nachhall, null ohne Ausklang. Am 12. Oktober 2026 an 24 echten Räumen mit gemessenen Nachhallzeiten getestet (0,18 bis 1,71 s; 120 saubere Sätze, synthetische Stimmen, über gemessene Raumimpulsantworten abgespielt, ohne Rauschen; ein Durchlauf, nichts abgestimmt): Spearman-Rangkorrelation mit der Nachhallzeit 0,56 (95-%-Intervall 0,12 bis 0,81) und ein Wert für 119 der 120 Dateien. Er erfüllte sein vorab registriertes Kriterium nicht (Korrelation von 0,70 oder mehr mit einer unteren Grenze von 0,50 oder mehr).

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Rauschen, echte Sprecher und Dateien, in denen die Pause hinter einer Phrase kurz oder verrauscht ist: Bei echten Aufnahmen hat nur etwa eine Phrase von zehn eine brauchbare Lücke. 24 Räume sind wenig für eine Rangkorrelation, weshalb das Intervall breit ist.

Was es nicht ist Ordnet Räume grob nach Nachhall, ist aber nicht auf RT60 kalibriert. Die gemessene Steilheit geteilt durch die theoretische Steilheit -60/RT60 beträgt 0,20 bei 0,18 s, 0,41 bei 0,26 s, 0,73 bei 0,70 s und 0,87 bei 1,71 s; trockene Räume lesen also viel zu flach, und Räume zwischen 0,5 und 1,0 s überlappen sich.

Charakter des Hintergrunds Proxy

segment.flankFlatness

Stimme & PodcastDataset-QAUmgebung

Was gemessen wird Spektrale Flachheit der Pausen um diese Phrase.

So liest du den Wert Hoch ist breitbandiges Raumrauschen; niedrig heißt, darunter spielt etwas Tonales.

Warum Zwei Phrasen mit demselben schlechten SNR brauchen verschiedene Lösungen, und das sagt, welche welche ist.

Getestet gegen Trennt Raumrauschen von etwas Tonalem darunter.

So funktioniert es Klassische Signalverarbeitung.

Die Spitze im Verhältnis zur wahrgenommenen Lautheit; sie übersteht die Normalisierung, der Crest-Faktor nicht.

Peak-zu-Loudness-Verhältnis Validiert

dynamics.plr

Mix & MasterBroadcast & Filmpost

Was gemessen wird True Peak minus integrierte Loudness.

So liest du den Wert Über 12 LU ist dynamisch, unter 8 LU stark limitiert. Anders als der Crest-Faktor nutzt es die Loudness, die Menschen hören.

Warum Es überlebt die Normalisierung: Eine Plattform verschiebt beide Zahlen gemeinsam, also ist PLR das, was dem Hörer bleibt.

Getestet gegen Genau der Abstand, den der Name verspricht.

So funktioniert es Klassische Signalverarbeitung.

Peak-zu-Short-Term-Verhältnis Validiert

dynamics.psr

Mix & Master

Was gemessen wird True Peak minus das lauteste 3-Sekunden-Fenster.

So liest du den Wert Liest die lauteste Passage statt der ganzen Datei, ist also niedriger als PLR und näher an dem, was ein Limiter getan hat.

Warum Die Zahl, die Mastering-Ingenieure beim Limitieren im Blick haben, weil der Durchschnitt den Abschnitt versteckt, der zerquetscht wurde.

Getestet gegen Genau der Abstand, den der Name verspricht.

So funktioniert es Klassische Signalverarbeitung.

Was jede Plattform mit der Datei macht und ob die Spitze danach unter der Obergrenze bleibt.

Plattform-Normalisierung Validiert

platform.normalisation

Mix & Master

Was gemessen wird Pro Plattform: die Verstärkung, die sie anwendet, der True Peak, der daraus entsteht, und ob er die Obergrenze einhält.

So liest du den Wert Lies den True Peak NACH der Verstärkung, nicht den gemessenen. Ein leiser Master wird angehoben und nimmt seinen Peak mit.

Warum Der häufige Fehler ist, den gemessenen Peak gegen die Obergrenze zu prüfen, womit eine Datei durchgeht, die clippt, sobald die Plattform sie normalisiert.

Getestet gegen Gibt das von Spotify selbst veröffentlichte Beispiel wieder; sagt nichts, wo eine Plattform ihr Verhalten nicht veröffentlicht; jedes Ziel nennt eine Quelle.

So funktioniert es Klassische Signalverarbeitung.

Knackst es beim Wiederholen, liegt es im Raster, ist es eine ganze Zahl von Takten.

Nahtverhältnis Validiert

loop.seamRatio

Loop- & Samplepack-QCDataset-QA

Was gemessen wird Der Sprung zwischen dem letzten und dem ersten Sample, geteilt durch den durchschnittlichen Schritt von Sample zu Sample in der Datei. Schlechtester Kanal.

So liest du den Wert Unter etwa 3 hörst du beim Umbruch nichts; über 10 ist es ein hörbares Ticken. Null bei weniger als drei Samples.

Warum Der rohe Sprung ist nutzlos (0,03 ist Stille im Rauschen und ein gewöhnlicher Schritt in einem Basston); das Verhältnis fand vier echte Klicks in sechzig Loops, für die man zwanzig Wiederholungen brauchte, um sie zu hören.

Getestet gegen Nahe null bei einem Loop, der dort endet, wo er begann, ein Klick beim selben Loop, wenn er verkürzt wird.

So funktioniert es Klassische Signalverarbeitung.

Stille am Anfang Validiert

loop.edgeSilenceStartMs

Loop- & Samplepack-QCDataset-QABroadcast & Filmpost

Was gemessen wird Millisekunden unter -60 dBFS vor dem ersten Klang.

So liest du den Wert Eine Zahl, kein Urteil: Eine Off-Beat-Hi-Hat oder ein Reverse-Effekt soll leise beginnen.

Warum Stille am Anfang verschiebt einen Loop vom Raster, sobald er in eine DAW gezogen wird, und ist in der Wellenform bei Zoom auf Fenstergröße unsichtbar.

Getestet gegen 120 ms Stille am Anfang, auf das Sample genau.

So funktioniert es Klassische Signalverarbeitung.

Stille am Ende Validiert

loop.edgeSilenceEndMs

Loop- & Samplepack-QCDataset-QABroadcast & Filmpost

Was gemessen wird Millisekunden unter -60 dBFS nach dem letzten Klang.

So liest du den Wert Stille am Ende eines Loops ist bei jeder Wiederholung eine Lücke; in einer Sendedatei ist sie Sendepause.

Warum Der klassische Exportfehler ist ein Takt Nichts am Ende, und jeder Player spielt ihn ab.

Getestet gegen 120 ms Stille am Ende, auf das Sample genau.

So funktioniert es Klassische Signalverarbeitung.

Taktpassung Geplant

loop.barFit

Loop- & Samplepack-QC

Was gemessen wird Ob die Dauer bei der erkannten oder angegebenen BPM eine ganze Zahl von Takten ist.

So liest du den Wert on-grid innerhalb von 5 ms; off-grid mit der Abweichung; unknown, wenn das Tempo nicht sicher ist.

Warum Das war der einzige Beleg, der zählte, als sechzig Loops gefragt wurden, ob sie sind, was sie behaupten.

Getestet gegen Im Register wie geplant.

So funktioniert es Klassische Signalverarbeitung.

Ist diese Datei das, was sie vorgibt zu sein: die Wand, die ein Codec hinterlässt, die tatsächlich genutzten Bits, eine neu abgetastete Quelle, ein Schnitt.

Bandbreite Validiert

provenance.bandwidthHz

HerkunftDataset-QAMix & Master

Was gemessen wird Wo das Spektrum endet, als Median über die nicht stillen Halbsekundenblöcke der Datei.

So liest du den Wert Eine saubere 44,1-kHz-Aufnahme reicht bis 19 bis 20 kHz. Eine Wand weit darunter ist ein Codec, ein Resampler oder eine dunkle Quelle; die Messgrößen darunter sagen, welche.

Warum Diese eine Zahl trägt den größten Teil der Herkunftsgeschichte, und sie kommt aus derselben Funktion, die das Raster als Spur zeichnet; der Index liest bis Nyquist, wo das Raster bei 20 kHz aufhört.

Getestet gegen Testdateien mit bekannter Grenzfrequenz. Außerdem explorativ und nicht als vorab registrierter Test ausgelesen an 168 Aufnahmen gelesener Sprache, die durch sieben Sprachcodecs liefen (15. Oktober 2026, je 24 Sätze, V03-ENG): Durch die 8-kHz-Codecs (A-law, AMR Narrowband mit 4,75 und 12,2 kbit/s, GSM) und Opus mit 8 kbit/s liest sie 3,8 bis 4,9 kHz, durch AMR Wideband und Opus mit 16 kbit/s 6,1 bis 8,0 kHz, und bei den unkodierten Sätzen 6,3 bis 8,0 kHz, sodass sich die Schmalband- und die Breitbandgruppe nicht überlappen.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Tonales Material und sehr kurze Dateien. Echte Telefonate: Die Codec-Messungen nutzten einen Satz gelesener englischer Sätze, und ein Codec außerhalb dieser sieben ist ungetestet.

Verlustbehaftete Quelle Validiert

provenance.lossySource

HerkunftDataset-QAMix & MasterBroadcast & Filmpost

Was gemessen wird Ob das Spektrum die Wand trägt, die ein verlustbehafteter Encoder hinterlässt: lossless, lossy ~64k, ~128k, ~256k oder unknown.

So liest du den Wert Braucht eine Brickwall (von -30 bis -60 dB innerhalb von 3 % der Frequenz) an einer Codec-Position zwischen 10 kHz und 0,9 der Nyquist-Frequenz, bei breitbandigem Material von mindestens einer Sekunde. Ein breiter Roll-off ist lossless, egal welche Bandbreite; ein filterförmiger ist unknown, denn ein Resampler und eine sehr niedrige Bitrate sehen gleich aus. Eine Kollision ist nicht aufzulösen: Eine 64-kbit/s-Wand (11,2 kHz) und eine scharf resamplete 22,05-kHz-Quelle (11,1 kHz) lesen sich gleich, und beide bekommen unknown.

Warum Eine WAV, die früher eine MP3 war, ist die häufigste Lüge in einer Lieferung, und der Container kann es dir nicht sagen.

Getestet gegen Eine Testdatei pro Label (MP3 mit 64k bis 256k), und sauberes PCM wird als verlustfrei gelesen.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Telefonband-Sprache und Sprachcodecs. Am 10. Oktober 2026 mit einem erzeugten Sample durch G.711, Opus (16 kHz) und MP3 (8 kHz) geprüft: Alle lesen lossless, weil die Codec-Wand, nach der sie sucht, zwischen 10 kHz und 0,9 der Nyquist-Frequenz liegt. Am 15. Oktober 2026 (V03-ENG) erneut geprüft an 168 Aufnahmen gelesener Sprache durch sieben Sprachcodecs (A-law, AMR Narrowband mit 4,75 und 12,2 kbit/s, AMR Wideband, GSM, Opus mit 8 und 16 kbit/s; je 24 Sätze): Keine las lossy, 141 lasen lossless und 27 unknown. Lossless heißt hier, dass keine solche Wand gefunden wurde, nicht, dass kein Codec im Spiel war.

Effektive Bittiefe Validiert

provenance.effectiveBitDepth

HerkunftDataset-QABroadcast & Filmpost

Was gemessen wird Tatsächlich genutzte Bits: 24 minus die wenigsten abschließenden Nullen in der 24-Bit-Ganzzahlform der Samples.

So liest du den Wert 16 in einem 24-Bit-Container heißt aufgefüllt, nicht neu gemastert. 24 heißt, die Samples lagen nie auf einem Ganzzahlraster: ein Float-Render oder eine verlustbehaftete Datei, die im Vorbeigehen decodiert wurde; eine verlustbehaftete Datei, die in 16-Bit-PCM gerendert wurde, liest 16 wie jedes andere PCM, nimm dafür also die Messgröße zur verlustbehafteten Quelle. Ein Host, der beim Decodieren resampelt (ein Browser mit der Rate des Geräts), liest ebenfalls 24. Null bei unter tausend nicht stillen Samples.

Warum Der Container nennt eine Bittiefe; die Samples belegen eine. Wenn beide nicht übereinstimmen, wurde die Datei neu verpackt, und das will man wissen, bevor jemand für die zusätzlichen Bits zahlt.

Getestet gegen 16 bei 16-Bit- und 24 bei 24-Bit-Samples, egal was der Container angibt.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Ob das Audio durch einen Codec lief. Die Ausgabe von Sprachcodecs, in 16-Bit-PCM decodiert, liest 16 wie jede andere 16-Bit-Datei: Alle 168 Aufnahmen einer Lesung am 15. Oktober 2026 (V03-ENG; A-law, AMR, GSM und Opus, wobei A-law vor dem Decodieren 8 Bit pro Sample hat) lasen 16.

Hochgerechnet von Validiert

provenance.upsampled

HerkunftDataset-QA

Was gemessen wird Die wahrscheinliche ursprüngliche Samplerate, wenn ein resamplerförmiger Roll-off bei der Hälfte einer niedrigeren Standardrate beginnt. Sonst Null.

So liest du den Wert 22050 unter einem 48-kHz-Container heißt, dass jemand eine 22,05-kHz-Quelle resampelt hat; über 11 kHz war nie etwas. Gelesen wird dort, wo der Roll-off beginnt, gegen den Pegel knapp darunter, damit die Neigung des Materials sie nicht verschiebt. Eine Brickwall bei einer halben Rate bleibt unknown (es kann ein 64-kbit/s-Codec sein), ein breiter natürlicher Roll-off wird nie Upsampling genannt, und ein Codec mit sehr niedriger Bitrate (lame 48k, aac 96k) kann einen Resampler trotzdem nachahmen.

Warum Hochrechnen fügt keine Information hinzu, und die Metadaten geben nie zu, dass es geschehen ist.

Getestet gegen Findet die ursprüngliche Rate hinter einem Resampler für jede Standardrate.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Hat ein erzeugtes Sample von 8-kHz-Telefonsprache, auf 48 kHz hochgerechnet, nicht markiert (geprüft am 10. Oktober 2026). Am 15. Oktober 2026 (V03-ENG) fand sie an 96 Aufnahmen gelesener Sprache durch vier 8-kHz-Sprachcodecs (A-law, AMR Narrowband mit 4,75 und 12,2 kbit/s, GSM), zurück auf 16 kHz decodiert, den 8-kHz-Ursprung in 4, alle davon GSM.

Bandbreiten-Schnitte Validiert

provenance.spliceCount

Herkunft

Was gemessen wird Wie oft die Bandbreite pro Block von einem Block zum nächsten um mehr als 3 kHz springt und mindestens zwei Sekunden lang so bleibt.

So liest du den Wert 0 ist eine gleichbleibende Quelle. Eine Zahl ist eine Verbindung zwischen Material verschiedener Herkunft ODER ein Arrangementwechsel innerhalb eines Stücks (ein Breakdown, in dem die Hi-Hats wegfallen); die Bandbreiten-Spur im Raster zeigt, wo, und das Ohr entscheidet, was es ist.

Warum Zwei zusammengeklebte Quellen sehen für jedes Werkzeug, das den Header liest, wie eine Datei aus, und das ist die einzige Zahl, die es bemerkt.

Getestet gegen Eine Verbindung zwischen zwei Quellen mit unterschiedlicher Bandbreite.

So funktioniert es Klassische Signalverarbeitung.

Wie lange ein Raum nachklingt, Band für Band, gemessen an einem Klatschen, einem Ballonknall, einer Impulsantwort oder einem Sweep.

Nachhallzeit (Mitten) Validiert

room.rt60Mid

Raumakustik

Was gemessen wird Wie lange der Schall im Raum braucht, um 60 dB abzufallen, als Median der Oktavbänder bei 500 Hz, 1 kHz und 2 kHz, gelesen aus dem Schroeder-Rückwärtsintegral eines Klatschens, eines Ballonknalls oder einer Impulsantwort (die Methode nach ISO 3382, T30, wenn der Abklang 45 dB Umfang hat, sonst T20).

So liest du den Wert Sekunden. Ein Sprachraum liegt bei etwa 0,4 bis 0,8 s, ein Wohnzimmer bei 0,3 bis 0,6 s, eine Kirche bei mehreren Sekunden. Null, wenn kein Band einen geraden Abklang mit genug Umfang hatte: lauter oder näher klatschen oder in einem leiseren Raum. Lies die Konfidenz pro Band in room.rt60Bands: Unter 35 dB Abklang ist die Zahl ein Hinweis.

Warum Es ist die Zahl, nach der ein Raum beurteilt wird, und das Eine, was die Stimm-Messgrößen nur annähern können. Aus einem Impuls gemessen, steht sie auf der Normmethode statt auf dem Ausklang einer gesprochenen Phrase.

Getestet gegen Konstruierte Räume mit bekannter Nachhallzeit pro Band (0,3 bis 2,0 s): Eine Klatschaufnahme liest den Mittenwert innerhalb von 12 Prozent (test/room.test.ts). Am 13. Oktober 2026 an 385 echten Impulsantworten getestet (MIT Reverb Survey und EchoThief, scripts/validatie/room-ir/RESULT.md): Jede wurde mit einem Klatschspektrum und niedrig gewichtetem Raumrauschen angeregt und als Aufnahme gemessen, gegen dieselbe Methode an der nackten Impulsantwort. In 155 Räumen lag der Mittenwert im Median 3,9 Prozent daneben (86 Prozent innerhalb von 10 Prozent, 98 Prozent innerhalb von 20 Prozent, dieselben Bänder auf beiden Seiten). Auslesungen, die sich selbst hohe Konfidenz gaben (mindestens 35 dB Abklingen, 278 Bandauslesungen), lagen im Median 1,5 Prozent daneben. Gegen eine unabhängige numpy-Implementierung an 167 gemessenen Impulsantworten stimmte die Schroeder-Kurve in allen 112 Räumen mit 35 dB Abklingen oder mehr innerhalb von 5 Prozent überein (Median 0,3 Prozent). Die Messgröße ist ein Port der RoomLab-App und stimmt an allen 385 Impulsantworten exakt mit ihr überein.

Marge ±10 percent. Von 278 Bandauslesungen mit hoher Konfidenz lagen 91 Prozent innerhalb von 10 Prozent und 97 Prozent innerhalb von 20 Prozent der Ablesung an der bloßen Impulsantwort. Bei niedriger Konfidenz (unter 35 dB Abklang) lagen 74 Prozent innerhalb von 10 Prozent und 90 Prozent innerhalb von 20 Prozent.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Sprache oder Musik anstelle eines Klatschens (das ist nicht die Schätzung aus dem Ausklang einer gesprochenen Phrase), ein echtes Handy und ein echtes Klatschen (das Klatschen wurde mit einem Klatsch-Spektrum und Raumrauschen simuliert), und 125 und 250 Hz aus einem Klatschen, was die Messgröße ablehnt. Bei weniger als 35 dB Abklang ist die Ablesung ein Hinweis: 210 Bandauslesungen mit niedriger Konfidenz lagen im Median 5,7 Prozent daneben, 74 Prozent innerhalb von 10 Prozent und 90 Prozent innerhalb von 20 Prozent.

Was es nicht ist Kein Schallpegel und kein Urteil über den Raum. Nicht die Schätzung aus dem Ausklang einer gesprochenen Phrase (segment.tailDecay), die eine schwächere Messgröße für etwas Verwandtes ist.

Nachhallzeit pro Band Validiert

room.rt60Bands

Raumakustik

Was gemessen wird Pro Oktavband von 125 Hz bis 4 kHz (Bänder an der Nyquist-Frequenz bleiben weg): die Nachhallzeit, das Grundrauschen in diesem Band, welcher Schätzer den Wert lieferte (T20 oder T30), wie viel Abklangumfang er hatte, eine Konfidenz und die Abklingkurve selbst.

So liest du den Wert Ein Klatschen liefert 500 Hz bis 4 kHz; die tieferen Bänder sagen „clap does not reach that low“, statt zu raten. Eine Impulsantwort-Datei liefert jedes Band. Konfidenz „high“ heißt mindestens 35 dB Abklangumfang, die Forderung der ISO; „low“ heißt einen knapperen Umfang, lies es als Hinweis.

Warum Nachhall ist nicht eine Zahl: Eine nackte Decke klingt in den Höhen nach, und ein dünner Teppich erreicht die Tiefen nicht, und eine Breitbandzahl versteckt diesen Unterschied. Welches Band lang ist, entscheidet, was zu beheben ist.

Getestet gegen Wie room.rt60Mid, pro Band. Aus einem Klatschen, 500 Hz bis 4 kHz gegen dieselbe Methode an der nackten Impulsantwort von 168 echten Räumen, bei hoher Konfidenz: im Median 1,8 Prozent daneben bei 500 Hz (13 Auslesungen), 1,0 Prozent bei 1 kHz (46), 1,3 Prozent bei 2 kHz (89) und 1,9 Prozent bei 4 kHz (130); bei niedriger Konfidenz 10, 6,0, 3,6 und 3,8 Prozent. Ein konstruierter Raum liest in jedem Band ab 500 Hz innerhalb von 20 Prozent. 125 und 250 Hz aus einer Impulsantwort verwenden dieselbe Methode und lesen einen konstruierten Raum von 0,6 s innerhalb von 0,15 s. Aus einem Sweep (jeder der 168 echten Räume gefaltet mit dem Sweep der Engine und mit Raumrauschen bei -65 dBFS aufgenommen) lag jedes Band von 125 Hz bis 4 kHz im Median 0,0 bis 0,2 Prozent neben derselben Methode an der nackten Antwort, 97 bis 100 Prozent innerhalb von 10 Prozent.

Marge ±10 percent. 1 bis 4 kHz bei hoher Konfidenz: 87 bis 97 Prozent der Ablesungen innerhalb von 10 Prozent. 500 Hz ist schwächer: 85 Prozent innerhalb von 10 Prozent bei hoher Konfidenz (13 Ablesungen) und 50 Prozent bei niedriger Konfidenz. Bänder unter 500 Hz brauchen eine Impulsantwort.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert 125 und 250 Hz aus einer Impulsantwort gegen eine unabhängige Referenz pro Band (nur eine breitbandige existiert), eine Impulsantwort, die endet, während der Raum noch nachklingt (das Grundrauschen wird dann aus dem Signal gelesen, und der Abbruch kommt zu früh), ein Klatschen anderswo als in einem ruhigen Raum, und ein Sweep, der über einen echten Lautsprecher gespielt und mit einem echten Mikrofon aufgenommen wurde (die Sweep-Aufnahmen waren konstruiert: linear, mit gleichmäßigem Rauschen). 500 Hz ist das schwächste Band aus einem Klatschen: bei niedriger Konfidenz im Median 10 Prozent daneben und 72 Prozent innerhalb von 20 Prozent.

Was es nicht ist Kein Schallpegel. Die Abklingkurve dient zum Zeichnen, nicht zum Rechnen.

Stärke des Flatterechos Proxy

room.flutterStrength

Raumakustik

Was gemessen wird Wie stark der Abklang über 500 Hz sich bei einer festen Verzögerung zwischen 3 und 50 ms wiederholt, wie es das Hin und Her zwischen zwei parallelen harten Wänden tut. 0 bis 1.

So liest du den Wert Konstruiertes Flatterecho liest 0,47 bis 0,68, und konstruierte Räume ganz ohne Echo 0,10 bis 0,28. Lies 0,4 und mehr als Flatterecho, unter 0,3 als keines und dazwischen als unklar.

Warum Ein Raum kann eine gute Nachhallzeit haben und trotzdem wie eine Feder klingen, wo zwei harte parallele Wände einander gegenüberstehen; keine Nachhallzahl zeigt das, und ein Klatschen macht es als Ticken hörbar.

Getestet gegen Konstruierte Echos zwischen zwei Wänden (5, 9, 20 und 35 ms) lesen 0,47 bis 0,68, und konstruierte Räume ohne Echo lesen 0,10 bis 0,28 (test/room.test.ts, test/fixtures/room-parity.json). Die Schwellen von 0,2 und 0,3 wurden von Hand gewählt.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Echte Räume: 47 von 384 gemessenen Impulsantworten melden eine Flatterecho-Periode, und es gibt keine Liste, welche davon wirklich flattern. Ein konstruierter Raum mit stark ungleichmäßigem Abklang las 0,26, und ein geclipptes Klatschen 0,28, ohne jedes Echo.

Was es nicht ist Nicht, wie laut oder wie störend das Flatterecho ist: die Stärke der Wiederholung in der Abklinghüllkurve über 500 Hz.

Periode des Flatterechos Proxy

room.flutterPeriodMs

Raumakustik

Was gemessen wird Die Verzögerung zwischen den Echos, in ganzen Millisekunden von 3 bis 50, wenn die Stärke des Flatterechos über 0,2 liegt.

So liest du den Wert Null, wenn es kein nennenswertes Flatterecho gibt. Der Abstand zwischen den Wänden ist 0,343 m pro ms mal die Periode, geteilt durch zwei: 9 ms sind etwa 1,5 m. Unter einer Stärke von 0,3 ist die Periode nicht verlässlich.

Warum Macht aus „da ist Flatterecho“ ein Wo: Die Periode gibt den Abstand zwischen den beiden Wänden an, die zu behandeln sind.

Getestet gegen Konstruierte Echos von 5, 9, 20 und 35 ms wurden exakt gefunden (test/room.test.ts).

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Perioden in echten Räumen. Unter einer Flatterecho-Stärke von 0,3 ist die Periode nicht verlässlich: Zwei konstruierte Räume ohne jedes Echo meldeten 9 und 3 ms bei Stärken von 0,26 und 0,28.

Raum-Grundrauschen Validiert

room.noiseFloor

Raumakustik

Was gemessen wird Das Breitbandrauschen in der Ruhe vor dem Klatschen (oder im Ausklang einer Impulsantwort): der Median des Frame-Pegels.

So liest du den Wert Bezogen auf Vollaussteuerung, kein kalibrierter Schallpegel. Pro Oktavband steht es in room.rt60Bands. Über etwa -50 dBFS entscheidet der Hintergrund die Messung, und ein Klatschen darin ergibt einen kurzen Abklangumfang.

Warum Es entscheidet, wie viel Abklang es zu messen gibt: Ein verrauschter Raum kürzt den nutzbaren Umfang und damit die Konfidenz, und die Lösung ist, die Quelle abzuschalten, nicht den Raum zu behandeln.

Getestet gegen Konstruiertes Rauschen mit bekanntem Pegel: gleichverteiltes Rauschen mit Amplitude 0,0005 (RMS -70,8 dBFS) liest innerhalb von 0,5 dB, auch in einer Aufnahme mit einem Klick kurz nach dem Anfang (test/room.test.ts).

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Ein kalibrierter Schalldruckpegel: Die Zahl ist auf Vollaussteuerung bezogen.

Was es nicht ist Kein Schallpegel in dB(A) oder dB SPL.

Position des Klatschens Validiert

room.clapAt

Raumakustik

Was gemessen wird Wo das Klatschen oder der Knall in der Aufnahme gefunden wurde.

So liest du den Wert Null bei einer Impulsantwort-Datei. Eine Position ganz am Anfang der Aufnahme heißt meist, dass ein Klick des Recorders für das Klatschen gehalten wurde.

Warum Zeigt, worauf die Messung eingerastet ist, damit sich ein falsches Einrasten sehen lässt, statt als seltsame Nachhallzeit gelesen zu werden.

Getestet gegen Konstruierte Klatscher bei 1,5 s und 2 s werden innerhalb von 0,05 s gefunden, auch mit einem Klick 30 ms nach dem Beginn der Aufnahme (test/room.test.ts).

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Ein echtes Klatschen auf einem echten Handy, und eine Tür oder ein Tippen auf das Handy nahe am Klatschen.

Prominenz des Klatschens Proxy

room.clapProminence

Raumakustik

Was gemessen wird Wie weit das Klatschen über der Ruhe der Aufnahme stand: der lauteste 10-ms-Frame gegen das 20. Perzentil der Frame-Pegel.

So liest du den Wert Mindestens 20 dB sind nötig, 30 dB oder mehr sind komfortabel. Null bei einer Impulsantwort-Datei.

Warum Ein Klatschen, das den Raum kaum übertrifft, hinterlässt einen kurzen Abklangumfang und eine Zeit mit niedriger Konfidenz; das sagt es, bevor die Zeit gelesen wird.

Getestet gegen Ein konstruierter Klatscher liest mehr als 20 dB über der Ruhe der Aufnahme (test/room.test.ts); der dB-Wert selbst hat keine externe Referenz.

So funktioniert es Klassische Signalverarbeitung.

Übersteuerung beim Klatschen Validiert

room.clipped

Raumakustik

Was gemessen wird Ob das Mikrofon beim Klatschen oder beim Knall übersteuert hat: drei Samples bei Vollaussteuerung oder darüber.

So liest du den Wert True markiert jedes Band mit niedriger Konfidenz: Die ersten Millisekunden sind verzerrt, und die Lage des -5-dB-Punkts verschiebt sich.

Warum Ein lautes Klatschen nah an einem Handy clippt leicht, und eine ordentliche Zahl aus einem geclippten Klatschen zu zeigen, ist der Fehler, der zu vermeiden ist.

Getestet gegen Ein konstruierter Klatscher bei Vollaussteuerung wird markiert, konstruierte Klatscher bei normalem Pegel nicht (test/room.test.ts).

So funktioniert es Klassische Signalverarbeitung.

Messbereich des Sweeps Proxy

room.sweepRange

Raumakustik

Was gemessen wird Bei einer Sweep-Aufnahme: wie weit der Peak der entfalteten Impulsantwort über dem Rauschen steht, in dB.

So liest du den Wert Mehr ist besser; ein sauberer Sweep in einem ruhigen Raum hinterlässt weit über 40 dB. Null bei einem Klatschen, einem Ballon oder einer Impulsantwort-Datei. Der Abklangumfang pro Band, der eine Nachhallzeit begrenzt, steht in room.rt60Bands.

Warum Sagt in einer Zahl, ob der Sweep laut genug gespielt wurde und der Raum leise genug war, bevor die Ergebnisse pro Band gelesen werden.

Getestet gegen Ein sauberer konstruierter Sweep lässt mehr als 40 dB zwischen Peak und Rauschen, und die anderen Quellen ergeben null (test/room.test.ts); der dB-Wert hat keine externe Referenz.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Nicht der Abklingbereich eines Bandes: der steht in room.rt60Bands.

Direktschall gegen frühen Nachhall Proxy

room.directToReverb

Raumakustik

Was gemessen wird Bei einer Sweep-Aufnahme: der Direktschall des Lautsprechers gegen den Nachhall 50 bis 150 ms danach, in dB.

So liest du den Wert Ein paar dB bis 20 dB bei einem Mikrofon im Raum in normalem Abstand; über 30 dB heißt, das Mikrofon stand so nah am Lautsprecher, dass es den Lautsprecher gemessen hat und nicht den Raum. Null bei den anderen Quellen.

Warum Ein Handy, das den Sweep selbst abspielt oder am Lautsprecher steht, misst seinen eigenen direkten Weg, und der Raum liegt dann weit unter der Messung; das fängt es.

Getestet gegen Ein konstruierter Raum, der nachklingt, liest unter 30 dB, und einer, der in den ersten 150 ms trocken ist, liest darüber (test/room.test.ts). Die Schwelle von 30 dB wurde von Hand gewählt.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Ein echter Lautsprecher und ein echtes Handy in bekannten Abständen.

Mikrofon zu nah am Sprecher Proxy

room.tooCloseToSpeaker

Raumakustik

Was gemessen wird Bei einer Sweep-Aufnahme: true, wenn der Direktschall mehr als 30 dB über dem frühen Nachhall liegt.

So liest du den Wert True heißt, noch einmal messen, mit dem Mikrofon weiter vom Lautsprecher entfernt (und nicht in seinem Strahl). Null bei den anderen Quellen.

Warum Die Klartext-Version der Direktschall-gegen-Nachhall-Zahl, damit eine gescheiterte Messung mit dem einen kommt, was zu ändern ist.

Getestet gegen Genau dann wahr, wenn der Direktschall mehr als 30 dB über dem frühen Nachhall liegt (test/room.test.ts). Die Schwelle wurde von Hand gewählt.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Ein echter Lautsprecher und ein echtes Handy in bekannten Abständen.

Methode der Raummessung Validiert

room.method

Raumakustik

Was gemessen wird Wie die Impulsantwort gewonnen wurde: clap, balloon, sweep (die Aufnahme enthält den exponentiellen Sweep dieser Engine, wie der Raum ihn zurückgegeben hat) oder impulse (die Datei selbst ist eine Impulsantwort).

So liest du den Wert Ein Ballon ist lauter und rauer als ein Klatschen und wird wie eins gelesen. Ein Sweep und eine Impulsantwort-Datei messen jedes Band, das die Samplerate erlaubt, ab 125 Hz; ein Klatschen liefert 500 Hz und höher.

Warum Die Methode entscheidet, welche Bänder es gibt und wie weit man ihnen traut, also sagt die Antwort, welche dieser Ablesungen du in der Hand hast.

Getestet gegen Gibt die Quelle wieder, die der Aufrufer angefragt hat (test/room.test.ts).

So funktioniert es Klassische Signalverarbeitung.

Was auf dem Weg zur Datei verloren ging: Stücke digitaler Stille mitten im Klang, wo Pakete verloren gingen. Und eine verzögerte Kopie des Klangs (Slapback oder Echo), getestet an nachgebauten Kopien.

Slapback- oder Echo-Verzögerung Validiert

chain.slapbackDelayMs

Kettenprüfungen

Was gemessen wird Die Verzögerung einer verzögerten Kopie des Klangs in der Aufnahme, zwischen 40 und 800 ms: ein Slapback von einer harten Wand oder einem Delay-Effekt (60 bis 180 ms) oder ein Echo aus einem Anruf (200 ms und mehr).

So liest du den Wert Millisekunden, oder null, wenn keine Kopie hervortritt. Aus der Autokorrelation der spektral geweißten Aufnahme: Eine Kopie fügt bei ihrer Verzögerung einen scharfen Peak hinzu, und eine Kopie ist in jedem Abschnitt mit Klang vorhanden, womit sie sich von einer periodischen Struktur oder einer einmal wiederholten Phrase unterscheidet. Eine Aufnahme unter 6 s bekommt keine Ablesung.

Warum Eine Kopie der Stimme einen Bruchteil einer Sekunde später ist einer der häufigsten Fehler einer Aufnahme, die durch einen Raum, eine Freisprecheinrichtung oder einen Anruf lief, und einer, den eine Loudness-Zahl nie zeigt.

Getestet gegen Konstruierte verzögerte Kopien von Sprache mit bekannter Verzögerung und bekanntem Pegel, in drei Tests mit vorab festgelegten Kriterien (scripts/validatie/slapback: PREREG.md und RESULT.md am 13. Oktober 2026, PREREG-SB2.md und RESULT-SB2.md sowie PREREG-SB3.md und RESULT-SB3.md am 14. Oktober 2026). Der dritte Test an Daten, an denen er nicht entwickelt wurde: 180 neue Aufnahmen von neun synthetischen Stimmen in sechs Sprachen (drei davon mit dem 12,5-ms-Frame-Raster, das die Fehlalarme der ersten beiden Tests verursachte), jeweils mit und ohne digitale Kopie, und die Testhälfte des OV-Satzes (20 gelesene Aufnahmen aus LibriSpeech test-clean und 32 Clips von vier weiteren synthetischen Stimmen, jeweils mit einer einfachen Kopie, mit einer Kopie des Direktschalls in einer echten Halle und ohne). Er fand 282 der 284 konstruierten Kopien (die zwei verpassten sind ein Clip unter 6 Sekunden, der keine Auslesung bekommt), die Verzögerung in jeder gefundenen innerhalb von 2 ms (größter Fehler 1,1 ms, bei einer Kopie durch eine Halle; 0,00 ms bei den einfachen Kopien), und meldete keine Kopie in einer der 332 Aufnahmen ohne Kopie, 120 davon echte gelesene Sprache, darunter eine zweite Stimme über der ersten, eine Stimme, die durch einen Raum zurückkommt, Cafeteria-Stimmengewirr und Fernsehen. Die ersten beiden Tests meldeten bei 27 Prozent und 5 Prozent der Aufnahmen ohne Kopie eine Kopie, fast alle davon synthetische Stimmen: Alle diese Fehlalarme lagen auf einem Vielfachen von 12,5 ms, einer periodischen Struktur in manchen synthetischen Stimmen und keinem Echo, und der Test, dass in jedem Block der Aufnahme mit Klang eine Kopie vorhanden ist, schließt sie aus.

Marge ±2 ms. Alle 282 im dritten Test gefundenen Kopien hatten die Verzögerung auf 2 ms genau (größter Fehler 1,1 ms), bei Verzögerungen von 60, 120, 200, 350 und 500 ms.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Ein echter Slapback oder ein echtes Echo in einer echten Aufnahme mit bekannter Verzögerung (jede Kopie in den Tests ist gebaut; in 283 gemessenen Räumen stand das stärkste einzelne Echo 25 bis 40 dB unter dem Direktschall), Musik mit einem Loop oder einem Beat (sie wiederholt sich durchgehend und liest sich als Kopie: 4 von 40 Musikclips der Entwicklungssätze wurden gemeldet), ein Echo, dessen zweiter Abgriff die Hälfte des ersten oder mehr erreicht (es liest sich als periodische Struktur und wird nicht gemeldet), Sprecher auf getrennten Kanälen (die Kanäle werden gemischt) und jede Aufnahme unter 6 Sekunden oder mit weniger als 3 Ein-Sekunden-Blöcken Klang, die keine Ablesung bekommt.

Was es nicht ist Keine Messgröße des Raums: eine verzögerte Kopie des Klangs, egal ob sie von einer Wand, einem Delay-Effekt oder einem Anruf kommt. Keine Zählung von Echos: die Verzögerung des stärksten. Keine Kopie, die nur an wenigen Stellen sitzt: Eine Phrase, die einmal wiederholt wird, wird nicht gemeldet.

Slapback- oder Echo-Pegel Validiert

chain.slapbackLevelDb

Kettenprüfungen

Was gemessen wird Der Pegel dieser Kopie relativ zu dem Klang, den sie kopiert, in dB: -3 ist fast so laut, -20 ist schwach.

So liest du den Wert Relativ zur Aufnahme als Ganzes, Direktschall und Nachhall zusammen; gleichmäßiges Rauschen unter der Sprache lässt ihn niedriger lesen (etwa 1,5 dB bei 10 dB Signal-Rausch-Abstand). Null, wenn es keine Kopie gibt.

Warum Ob die Kopie zählt: Eine bei -6 dB macht Sprache schwer verständlich, eine bei -20 dB wird kaum gehört.

Getestet gegen Mit denselben Daten getestet wie chain.slapbackDelayMs. Bei einfachen digitalen Kopien mit -16, -10 und -4 dB las er in allen 231 im dritten Test gefundenen Kopien innerhalb von 2 dB den wahren Pegel (180 synthetische und 51 aus dem OV-Satz; größter Fehler 0,72 dB). Eine in einer echten Halle erzeugte Kopie (die Kopie des Direktschalls, mit der Halle verhallt) las niedriger: zwischen 0,4 und 3,5 dB unter dem Pegel gegenüber dem Direktschall, im Median 1,9 dB, und innerhalb von 2 dB in 28 von 51.

Marge ±2 dB. Bei reinen digitalen Kopien von -16 bis -4 dB: alle 231 innerhalb von 2 dB. Eine in einem Saal erzeugte Kopie liest 0,4 bis 3,5 dB niedriger.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Eine Kopie, die durch einen Raum lief (sie wird gegen Direktschall und Nachhall zusammen beurteilt und liest sich deshalb niedriger als der Pegel gegen den Direktschall allein), Pegel über -4 dB oder unter -16 dB, und echte Aufnahmen mit bekanntem Pegel.

Was es nicht ist Nicht relativ zum Direktschall allein, wenn die Kopie durch einen Raum lief. Der Status von chain.slapbackDelayMs sagt, woran die Messgröße getestet wurde.

Slapback- oder Echo-Wert Validiert

chain.slapbackScore

Kettenprüfungen

Was gemessen wird Um wie viele robuste Standardabweichungen die stärkste verzögerte Kopie über ihrer Umgebung in der Autokorrelation steht. Eine Kopie wird ab 12 gemeldet.

So liest du den Wert Echte Sprache, Rauschen und Brummen ohne Kopie blieben in unseren Tests unter 8, und konstruierte Kopien von -16 bis -4 dB erreichten ab 12,2 aufwärts (Median 57). Ab 12 wird eine Kopie gemeldet, darunter nicht. Ein Peak, der anderswo im Bereich seinesgleichen hat (eine periodische Struktur: das Frame-Raster mancher synthetischer Stimmen, ein Musik-Loop) oder der nur an wenigen Stellen sitzt (eine einmal wiederholte Phrase), ist keine Kopie: Der Wert bleibt dann unter 12. Null bei einer Aufnahme unter 6 s oder mit weniger als 3 Sekunden Klang.

Warum Zeigt, wie klar der Fall ist, und hält einen knappen Fehlversuch sichtbar, statt ihn auf „none“ zu runden.

Getestet gegen Mit denselben Daten getestet wie chain.slapbackDelayMs. Eine Kopie wird ab einem Wert von 12 gemeldet, wenn sie in der ganzen Aufnahme vorhanden ist. Die im dritten Test gefundenen Kopien erreichten ab 12,2 aufwärts (Median 57,5). Echte gelesene Sprache ohne Kopie erreichte höchstens 6,6 (Median 3,9). Bei 49 der 331 beurteilten Aufnahmen ohne Kopie, alle mit synthetischen Stimmen, erreichte der stärkste Peak 12, wurde aber als periodische Struktur oder als nur an wenigen Stellen vorhanden ausgesondert (sein Wert bleibt dann bei 11,9), und keine wurde gemeldet.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Keine Wahrscheinlichkeit. Musik mit einem Loop oder einem Beat wiederholt sich durchgehend und kann die Grenze erreichen (4 von 40 Clips der Entwicklungssätze taten das). Ein Peak, der in der Autokorrelation anderswo seinesgleichen hat oder der nur an wenigen Stellen sitzt, ist keine Kopie, und sein Wert bleibt unter 12.

Dropouts Validiert

chain.dropoutCount

Kettenprüfungen

Was gemessen wird Die Anzahl abrupter Lücken digitaler Stille, 8 bis 500 ms, innerhalb von Klang: verlorene Pakete, die durch nichts ersetzt wurden.

So liest du den Wert Eine Lücke, die den Klang schneidet, mit dem Pegel auf beiden Seiten innerhalb von 20 dB des aktiven Pegels, zählt; eine Pause oder ein Gate nicht. Eine untere Grenze: Ein Verlust in einer Pause oder einer leisen Passage lässt sich nicht von einer Pause unterscheiden, und ein Verlust, den der Codec verschleiert hat (Wiederholung, Interpolation, Comfort Noise), hinterlässt keine Lücke. Null bei einer Aufnahme unter 2 s.

Warum Verlorene Pakete lassen Sprache stottern und kosten einen Erkenner Ziffern und Namen, und nichts anderes in diesem Register sieht sie: Pegel, Rauschen und Spektrum sind in Ordnung.

Getestet gegen Konstruierte Lücken aus digitaler Stille, in gelesene Sprache geschnitten, jede mit bekannter Position und Länge. An LibriSpeech dev-clean entwickelt und am 13. Oktober 2026 an Daten getestet, an denen sie nicht entwickelt wurde, mit vorab festgelegten Kriterien (scripts/validatie/slapback/PREREG-DROPOUT.md und RESULT.md): LibriSpeech test-clean mit vier Arten Raumrauschen, 160 Aufnahmen mit 8.411 erzeugten Lücken, die in Klang schnitten. Sie fand 99,8 Prozent davon, und 99,9 Prozent der 8.406 gemeldeten Lücken waren echt (eine Lücke zählt, wenn Beginn und Länge innerhalb von 2 ms der erzeugten liegen); die Anzahl lag in allen 160 Aufnahmen innerhalb von 5 Prozent oder einer Lücke. Sie meldete keine Lücke in einer der 1.615 Aufnahmen ohne Lücke: 40 saubere, 40 mit natürlichen Pausen aus digitaler Stille und 1.535 Aufnahmen synthetischer Stimmen in 32 Situationen (Rauschen, Nachhall, Telefonband, Clipping, schnelle Sprache). In der Situation mit simuliertem Paketverlust (20-ms-Pakete auf null gesetzt, 47 Aufnahmen) fand sie alle 1.539 Lücken, die in Klang schnitten, und jede gemeldete Lücke war echt; die anderen 1.015 der 2.554 erzeugten Lücken lagen in Pausen und leisen Passagen und werden nicht gezählt.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Echte Aufnahmen von Anrufen mit bekannter Paketverlustmenge, Verlust, den ein Codec verschleiert hat (wiederholt, interpoliert oder mit Comfort Noise gefüllt, was keine Lücke hinterlässt), und Rauschen, das nach dem Verlust hinzugefügt wurde und die Lücke füllt. Die Stille, die ein Codec in Pausen setzt, wird als Pausen gelesen: 48 Aufnahmen durch AMR-NB mit 4,75 kbit/s enthielten 1.936 Reihen exakter Nullen von 8 bis 500 ms, keine mit Klang auf beiden Seiten, und keine wurde gezählt.

Was es nicht ist Nicht die Anzahl verlorener Pakete: Ein Verlust in einer Pause oder einer leisen Passage lässt sich nicht von einer Pause unterscheiden, und ein vom Codec verschleierter Verlust hinterlässt keine Lücke. Es ist eine untere Grenze: Im Paketverlust-Test schnitten 1.539 der 2.554 erzeugten Lücken in Klang.

Dropout-Dauer Validiert

chain.dropoutSec

Kettenprüfungen

Was gemessen wird Die Gesamtlänge der Dropouts, in Sekunden.

So liest du den Wert Setz sie ins Verhältnis zur Dauer, um den Anteil der Aufnahme zu sehen, der dort verloren ging, wo es zählte.

Warum Zehn Lücken von 20 ms und eine von einer Viertelsekunde sind verschiedene Fehler; die Anzahl allein unterscheidet sie nicht.

Getestet gegen Die Gesamtlänge der von chain.dropoutCount gezählten Lücken, bei denen Beginn und Länge in 99,9 Prozent von 8.406 gemeldeten Lücken innerhalb von 2 ms der erzeugten Lücke lagen (der Test ist dort beschrieben).

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Nicht der Anteil der Aufnahme, der verloren ging: Es werden nur Lücken aufsummiert, die in Klang schnitten, und ein Verlust in einer Pause oder einer leisen Passage zählt nicht.

Längster Dropout Validiert

chain.dropoutMaxMs

Kettenprüfungen

Was gemessen wird Die Länge des längsten Dropouts, in ms; null, wenn es keine gibt.

So liest du den Wert Ein verlorenes Paket sind meist 20 ms; 60 ms oder mehr sind mehrere hintereinander.

Warum Ein Verlustschub ist schlimmer als derselbe Verlust verteilt, und das ist die Zahl, die einen Schub zeigt.

Getestet gegen Die Länge der längsten von chain.dropoutCount gezählten Lücke, die in 99,9 Prozent von 8.406 gemeldeten Lücken innerhalb von 2 ms der erzeugten Lücke lag (der Test ist dort beschrieben). Bei konstruiertem Rauschen ist die Länge auf 0,1 ms genau (test/chain.test.ts).

Marge ±2 ms. Pro Lücke, wie getestet: 99,9 Prozent von 8.406 gemeldeten Lücken hatten Anfang und Länge auf 2 ms genau wie die erzeugte Lücke. Nur Lücken von 8 bis 500 ms.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Nicht der längste Verlust des Anrufs: Ein langer Verlust in einer Pause oder einer leisen Passage zählt nicht, und eine Lücke über einer halben Sekunde wird als Pause oder Schnitt gelesen.

Eine Spitze gegenüber dem Rauschen um sie herum, in den Worten der ISO 1996-2. Relativ, nie in dB(A).

Tonhaltigkeit Validiert

tone.prominenceDb

UmgebungDataset-QAHerkunft

Was gemessen wird Der markanteste Ton gegenüber dem Maskierungsrauschen in seinem kritischen Band, nach ISO 1996-2 Anhang C, aus einem 1-Hz-Spektrum der ganzen Datei.

So liest du den Wert Unter 4 dB wird er nicht als Ton gehört; über 10 dB ist er hervortretend, und die meisten Umweltlärm-Regelwerke schlagen einen Zuschlag auf. Null bei Sprache, wo der Ton die Stimme selbst ist, und unter 0,17 s. Bei Musik liest sie den gehaltenen Ton, der Inhalt ist, kein Fehler.

Warum Eine Wärmepumpe, ein Lüfter oder ein Transformator ist nicht laut, sondern tonal, und ein Breitbandpegel zeigt das nie. Das ist die Zahl, um die es bei der Beschwerde geht.

Getestet gegen ISO 1996-2 Anhang C: 0, 6 und 15 dB über dem Maskierungspegel sowie die Grenzen der Labels.

So funktioniert es Klassische Signalverarbeitung.

Tonfrequenz Validiert

tone.frequencyHz

Umgebung

Was gemessen wird Wo dieser markanteste Ton liegt.

So liest du den Wert 50 oder 100 Hz ist Netzbrummen, ein paar hundert Hz sind ein Motor oder eine Pumpe, ein paar kHz sind ein Schaltnetzteil oder ein Pfeifen.

Warum Die Frequenz benennt die Quelle, und die Quelle ist das, was jemand abschalten kann.

Getestet gegen Ein Ton mit bekannter Frequenz.

So funktioniert es Klassische Signalverarbeitung.

Tonalität Validiert

tone.label

UmgebungDataset-QA

Was gemessen wird Die Prominenz in den Worten der Norm: none, audible, prominent.

So liest du den Wert Grenzen bei 4 und 10 dB über dem Maskierungspegel.

Warum Berichte und Lärm-Regelwerke sprechen in diesen drei Worten; der dB-Wert dahinter ist für den Techniker.

Getestet gegen Die Labelgrenzen aus ISO 1996-2 Anhang C.

So funktioniert es Klassische Signalverarbeitung.

50 oder 60 Hz und ihre Harmonischen, nur gemessen, wo die Stimme pausiert.

Netzbrummen Validiert

hum.levelDb

Stimme & PodcastBroadcast & FilmpostDataset-QA

Was gemessen wird Energie bei 50 oder 60 Hz und ihren Oberwellen bis 500 Hz, nur in Sprachpausen gemessen, in dB über dem Grundrauschen des Bands von 30 bis 600 Hz.

So liest du den Wert Unter 6 dB gibt es keine Netzstruktur, die einen Namen verdient. Null, wenn in einer Pause kein Fenster von 0,34 s Platz hat: Dann ist es nicht gemessen, nicht abwesend.

Warum „Da ist 50-Hz-Brummen, 18 dB über deinem Grundrauschen“ ist etwas, womit ein Sprachtechniker arbeiten kann; ein breitbandiges Grundrauschen nicht.

Getestet gegen 6 dB mehr Brummen werden als 6 dB mehr angezeigt; null, wenn in einer Pause kein Fenster passt.

So funktioniert es Klassische Signalverarbeitung.

Netzfrequenz Validiert

hum.mainsHz

Stimme & PodcastBroadcast & Filmpost

Was gemessen wird 50 oder 60, je nachdem, welche Oberwellenreihe die Pausen tragen, oder Null, wenn das Brummen unter 6 dB bleibt.

So liest du den Wert 50 Hz gilt in Europa, den meisten Teilen Asiens und Afrikas; 60 Hz in Amerika und Teilen Japans.

Warum Sagt, zu welchem Notch-Filter man greift, und manchmal, wo eine Aufnahme entstanden ist.

Getestet gegen Nennt 50 oder 60 Hz bei einer Oberwellenreihe in den Pausen und bleibt stumm, wenn es keine gibt.

So funktioniert es Klassische Signalverarbeitung.

Welche Art von Audio das ist und wie sicher wir uns dabei sind.

Inhaltstyp Proxy

signal.contentType

Stimme & PodcastMix & MasterHerkunftDataset-QAUmgebungLoop- & Samplepack-QC

Was gemessen wird Ob das Stimme, Musik, gemischt, Rauschen oder Stille ist.

So liest du den Wert „Unknown“ ist eine echte Antwort: Die Hinweise stimmten nicht überein. Rauschen ist gleichmäßiges Hintergrundrauschen (Brummen, Zischen, Klimaanlage, eine Menschenmenge), nicht jedes Geräusch ohne Sprache oder Musik. Gemischt heißt, dass ein Teil der Datei als Sprache und ein Teil als Musik liest.

Warum Entscheidet, welche der anderen Messgrößen für diese Datei überhaupt etwas bedeuten.

Getestet gegen Zwei Modelle geben das Dateiurteil. Das erste (v1) liefert die API bis zum 15. Januar 2027: ein Frame-Klassifikator mit einem Dateiurteil: Gesang über einem Beat liest als gemischt, nie mehr als 0,85 Konfidenz. Ein kleines gelerntes Modell (multinomiale logistische Regression über acht Merkmale, 27 Zahlen) ist Teil des Dateiurteils. Es wurde an 57 gelabelten Dateien trainiert (30 Sprache, 15 Musik, 12 Rauschen) und stimmte im Leave-one-out zu 96 Prozent mit den Labels überein, gegen 77 Prozent für die Regel allein. Es spricht nur dort, wo die Regel sich enthält oder Rauschen wählt, und erscheint als model:v1 in der Evidenz. Diese 96 Prozent beziehen sich auf seine eigenen Trainingsdateien. Am 12. Oktober 2026 an 600 Ausschnitten von 20 Sekunden aus MUSAN getestet (200 Sprache, 200 Musik, 200 Rauschen; ein Durchlauf, nichts abgestimmt): Recall bei Sprache 0,82 und Precision 0,56, bei Musik Recall 0,46 und Precision 0,65, bei Rauschen Recall 0,015 (3 von 200). Es erfüllte sein vorab registriertes Kriterium (Recall und Precision von 0,80 oder mehr für alle drei Klassen) für keine Klasse. Hörbuchsprache (LibriVox) wird bei 98 von 100 Ausschnitten als Voice bezeichnet, Sprache von US-Behörden bei 66 von 100. Musik wird bei 55 von 200 Ausschnitten als Voice und bei 75 von 200 als Rauschen bezeichnet. Das zweite Modell (v2) ist ein zweistufiges gelerntes Modell über 25 einfache Merkmale pro 10-Sekunden-Fenster (Stimme, Musik oder Geräusch; dann gleichmäßiges Rauschen oder nicht), trainiert an MUSAN-Dateien außerhalb des ersten Tests, zehn DEMAND-Umgebungen und synthetischem Stimmengewirr und gleichmäßigem Rauschen. Die Tools der Website nutzen es jetzt, und die API bietet es als contentModel v2 an und liefert es ab dem 15. Januar 2027 standardmäßig. Es wurde an denselben 600 Ausschnitten plus 90 Ausschnitten aus drei Umgebungen getestet, die es nie gesehen hatte (ein Platz, Straßenverkehr, die Metro; 12. Oktober 2026, ein Durchlauf, nichts abgestimmt): Recall bei Sprache 0,99 und Precision 0,95, bei Musik 0,95 und 0,86, bei gleichmäßigem Rauschen Recall 0,44 (40 von 90; Straßenverkehr und die Metro lasen meist unbekannt) und Precision 1,00. Es erfüllt sein vorab registriertes Kriterium für Sprache und Musik, nicht für Rauschen.

So funktioniert es Signalverarbeitung mit einem kleinen gelernten Modell darin.

Nicht validiert Rauschen: v1 traf 3 von 200 MUSAN-Rauschausschnitten, und v2 fand 40 von 90 Ausschnitten dreier gleichmäßiger Umgebungen. MUSAN-Rauschen ist vielfältig (Umweltgeräusche, Maschinen, Töne, Effekte), weiter als gleichmäßiges Hintergrundrauschen, ein Teil des ersten Fehlers ist also ein Unterschied darin, was Rauschen bedeutet. Ebenfalls ungetestet: Sprache und Musik im selben Moment (das Label mixed von v1 wurde an konstruierten Mischungen getestet, MX-1, und v2 erkennt keine Sprache über Musik), andere Sprachen als Englisch, Telefon- und Konferenzaufnahmen und Dateien unter 3 Sekunden (v2 gibt dort kein Urteil ab, und v1 antwortet). Das Trainingsmaterial von v2 stammt aus denselben Sammlungen wie das Testmaterial (andere Dateien, andere Umgebungen), wie es sich bei anderen Aufnahmen schlägt, ist also nicht gezeigt. Ob MUSAN-Dateien im Trainingsset von v1 waren, ist unbekannt, weil kein Trainingsmanifest aufbewahrt wurde.

Was es nicht ist Kein Klassifikator, auf den man sich bei jeder Aufnahme verlassen sollte. Am Testmaterial liegt v2 bei Sprache und Musik richtig und gibt Rauschen nur bei gleichmäßigem Hintergrundrauschen aus, das er erkennt: Er fand 40 von 90 und nannte den Rest unbekannt. Rauschen bedeutet gleichmäßiges Hintergrundrauschen (Brummen, Zischen, Klimaanlage, eine Menschenmenge), nicht jedes Geräusch ohne Sprache oder Musik. Gemischt heißt, dass ein Teil der Datei als Sprache und ein Teil als Musik liest; er erkennt keine Sprache über Musik (bei 500 konstruierten Mischungen nannte v1 Sprache mit 6 dB leiser eingemischter Musik in 29 von 100 Fällen gemischt, MX-1, 12. Oktober 2026).

Konfidenz des Inhaltstyps Proxy

signal.contentConfidence

Dataset-QAHerkunft

Was gemessen wird Wie fest der Inhaltstyp gehalten wird.

So liest du den Wert Bei Dateien unter drei Sekunden bei 0,5 gekappt.

Warum Ein Urteil ohne seine Konfidenz ist eine Vermutung im Gewand einer Tatsache.

Getestet gegen Auf 0,85 begrenzt, und unter 3 Sekunden auf 0,5.

So funktioniert es Signalverarbeitung mit einem kleinen gelernten Modell darin.

Nicht validiert Teil des Dateiurteils, das ein kleines gelerntes Modell enthält, beschrieben unter signal.contentType. An den 600 MUSAN-Ausschnitten (12. Oktober 2026) lag die mittlere Konfidenz von v1 bei 0,76, wo das Urteil richtig war, und bei 0,62, wo es falsch war oder sich enthielt, sie trennte die beiden also kaum; bei v2 waren es 0,70 und 0,47, was besser trennt, aber noch keine Wahrscheinlichkeit ist.

Was es nicht ist Eine Konfidenz des Klassifikators, keine Wahrscheinlichkeit.

Evidenz Proxy

signal.contentEvidence

Dataset-QAHerkunft

Was gemessen wird Welche unabhängigen Prüfungen den Inhaltstyp stützen.

So liest du den Wert Eine Liste kurzer Fakten, etwa ein Beat-Raster oder ein zentriertes Stereobild.

Warum Macht das Urteil diskutierbar statt orakelhaft, und nur so traut man ihm ein zweites Mal.

Getestet gegen Die unabhängigen Prüfungen hinter dem Urteil.

So funktioniert es Signalverarbeitung mit einem kleinen gelernten Modell darin.

Nicht validiert Teil des Dateiurteils, das ein kleines gelerntes Modell enthält, beschrieben unter signal.contentType.

Beat-Stabilität Proxy

signal.beatStability

Mix & MasterDataset-QA

Was gemessen wird Anteil der 6-Sekunden-Fenster, die sich auf ein Tempo einigen.

So liest du den Wert Null unter 24 Sekunden, weil eine Aussage genug Fenster braucht, um sie zu treffen.

Warum Musik hält ein Raster und Sprache nicht, was der verlässlichste einzelne Trenner ist, den wir gefunden haben.

Getestet gegen Ein Click-Track mit 120 bpm liest über 0,9, unregelmäßige Clicks unter 0,7, und Dateien unter 24 s lesen null. Nur Clicks.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Musik.

Was es nicht ist Nicht nachgewiesen, dass sie ein echtes Tempo erkennt; dazu braucht es Musik.

Spektrale Flachheit (Anfang) Validiert

signal.tonality

UmgebungDataset-QA

Was gemessen wird Wie rauschartig der Anfang der Datei ist, 0 bis 1.

So liest du den Wert Nahe null ist ein reiner Ton: ein Alarm, ein Testsignal, ein Piepton. Nahe eins ist Breitbandrauschen.

Warum Sprache ist nie ein reiner Ton, ein Wert nahe null schließt sie also allein aus.

Getestet gegen Die spektrale Flachheit des Dateianfangs: Ein reiner Ton liest unter 0,01 und Rauschen über 0,9.

So funktioniert es Klassische Signalverarbeitung.

Helligkeit Proxy

signal.brightnessBucket

Mix & Master

Was gemessen wird Der Gesamtklang als Wort.

So liest du den Wert Dark, Balanced, Bright oder Very bright.

Warum Eine Bibliothek nach Gefühl zu sortieren braucht Worte, keine Hertz.

Getestet gegen Eine Stufe auf einer Messgröße des spektralen Schwerpunkts.

So funktioniert es Klassische Signalverarbeitung.

Dynamik Proxy

signal.dynamicsBucket

Mix & Master

Was gemessen wird Der Crest-Faktor als Wort.

So liest du den Wert Flat, Compressed, Modern oder Dynamic.

Warum Sagt dir auf einen Blick, ob eine Datei schon gemastert wurde.

Getestet gegen Eine Stufe auf einer Dynamik-Messgröße.

So funktioniert es Klassische Signalverarbeitung.

Grobes Bandlabel Proxy

signal.dominantBand

Mix & MasterUmgebungLoop- & Samplepack-QC

Was gemessen wird Ein grobes Label dafür, wo der Klang sitzt, aus der Nulldurchgangsrate genommen, nicht aus der Energie pro Band.

So liest du den Wert Benannt, von Sub bis Air. Ein lauter Bass mit etwas hochfrequentem Rauschen obendrauf kann als höheres Band lesen als das mit der meisten Energie; die Messgröße für die Spektralbänder gibt die echte Verteilung.

Warum Der kürzestmögliche Hinweis darauf, wie eine Datei klingt, der am Spektrum gegenzuprüfen ist.

Getestet gegen Es folgt der Nulldurchgangsrate: Töne bei 100, 1000, 3000 und 8000 Hz lesen Sub / bass, Mid, Upper-mid und High. Es ist nicht das Band mit der meisten Energie: Ein lauter Bass mit einem leisen 5-kHz-Ton darüber liest nicht als Bass.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Nicht das Band mit der meisten Energie; das liefert die Messgröße für die Spektralbänder.

Verkappter-Mono-Wert Validiert

signal.monophonic

HerkunftDataset-QA

Was gemessen wird Wie genau die beiden Kanäle übereinstimmen: ihre Korrelation, nie unter 0.

So liest du den Wert Nahe 1 heißt, die Stereo-Datei ist verkappt Mono. Es ist eine Korrelation, keine Wahrscheinlichkeit.

Warum Ein Stereo-Container beweist nichts; das fängt einen hochgemischten oder duplizierten Kanal.

Getestet gegen Identische Kanäle lesen über 0,999, unabhängiges Rauschen unter 0,05, gegenphasig 0, und Kanäle mit einer Korrelation von 0,5 lesen 0,5 innerhalb von 0,05.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Keine Wahrscheinlichkeit: Er ist die Links-Rechts-Korrelation, nie unter null.

DC-Offset Validiert

signal.dcOffset

Dataset-QAHerkunftBroadcast & FilmpostLoop- & Samplepack-QC

Was gemessen wird Konstante Verschiebung der Wellenform weg von null.

So liest du den Wert Alles deutlich über null deutet auf defekte Hardware.

Warum Kostet Headroom und zeigt sich sonst nirgends. Eine Zahl für die ganze Datei genügt.

Getestet gegen Ein um +0,05 und um -0,03 verschobener Ton liest die Verschiebung mit Vorzeichen, innerhalb von 0,002.

So funktioniert es Klassische Signalverarbeitung.

Hat Clipping Validiert

signal.clipping

Dataset-QAMix & MasterBroadcast & FilmpostLoop- & Samplepack-QC

Was gemessen wird Ob die Datei irgendwo clippt.

So liest du den Wert Ein Ja oder Nein für die Triage.

Warum Der erste Filter beim Sortieren eines Ordners mit Hunderten.

Getestet gegen Erkennung flacher Kuppen: still bei einem Sinus mit Vollaussteuerung und bei Rauschen, findet Clipping proportional, sieht es auch noch, nachdem die Datei leiser gedreht wurde.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Hochfrequentes Clipping ist für sie unsichtbar, absichtlich.

Clipping-Bereiche Validiert

signal.clippingRegions

Dataset-QAMix & MasterBroadcast & Filmpost

Was gemessen wird Wie viele getrennte Abschnitte clippen.

So liest du den Wert Ein Bereich ist ein Unfall; zwanzig sind ein Problem des Aufnahmepegels.

Warum Unterscheidet einen einzelnen lauten Moment von einem viel zu heiß aufgenommenen Take.

Getestet gegen Erkennung flacher Kuppen, siehe signal.clipping.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Keine Messgröße dafür, wie viel geclippt ist. Bei starkem Clipping verschmelzen die Abschnitte: Bei 24 gelesenen Sätzen lag der Median bei 20 Bereichen mit 5 Prozent geclippten Samples und bei 12 Bereichen mit 25 Prozent (15. Oktober 2026, V03-ENG).

Stille Bereiche Validiert

signal.silenceRegions

Dataset-QABroadcast & Filmpost

Was gemessen wird Wie viele getrennte stille Abschnitte es gibt.

So liest du den Wert Eine Zählung.

Warum Viele kurze Stillen sind ein stotternder Schnitt; eine lange ist Sendepause.

Getestet gegen Stillen von 1 s und 0,5 s zwischen Klangabschnitten lesen als zwei Bereiche; durchgehender Klang liest null Bereiche.

So funktioniert es Klassische Signalverarbeitung.

Gesamte Stille Validiert

signal.silenceTotalSec

Dataset-QABroadcast & FilmpostLoop- & Samplepack-QC

Was gemessen wird Wie viel der Datei still ist.

So liest du den Wert Sekunden.

Warum Sagt dir, wie viel von dem, was du speicherst und bezahlst, Nichts ist.

Getestet gegen Dieselben beiden Stillen (insgesamt 1,5 s) lesen zwischen 1,3 und 1,7 s; durchgehender Klang liest 0.

So funktioniert es Klassische Signalverarbeitung.

Zeitleisten-Bereiche Proxy

signal.regions

Stimme & PodcastHerkunftDataset-QAUmgebung

Was gemessen wird Die Datei in Abschnitte geschnitten, gelabelt als voice, silence, music, noise oder clipping.

So liest du den Wert Jeder Bereich trägt seine eigene Konfidenz.

Warum Die Karte, nach der du navigierst, und das, worauf ein Agent Bereich für Bereich reagieren kann.

Getestet gegen Derselbe Frame-Klassifikator: Voice, Stille, Musik, Rauschen, Clipping.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Nicht an einem gelabelten Korpus echter Aufnahmen validiert.

Tags Proxy

signal.tags

Dataset-QA

Was gemessen wird Kurze Stichwörter, die die Datei zusammenfassen.

So liest du den Wert Fürs Suchen gedacht, nicht fürs Lesen.

Warum Macht eine Bibliothek auffindbar, ohne etwas zu öffnen.

Getestet gegen Nur technische Tags (Inhalt, Helligkeit, Dynamik, Samplerate, Kanäle, Probleme, Hinweise).

So funktioniert es Signalverarbeitung mit einem kleinen gelernten Modell darin.

Nicht validiert Teil des Dateiurteils, das ein kleines gelerntes Modell enthält, beschrieben unter signal.contentType.

Was es nicht ist Keine personenbezogenen Merkmale: kein Geschlecht, Alter, keine Emotion und kein Sprecher.

Werte, die sich bewegen, als Kurven zurückgegeben.

Terzspektrum Validiert

series.thirdOctave

UmgebungMix & MasterHerkunft

Was gemessen wird Pegel pro Terzband nach IEC 61260, 20 Hz bis 20 kHz, dBFS RMS, aus demselben Spektrum wie die Tonmessung.

So liest du den Wert Weißes Rauschen steigt um 3 dB pro Band-Oktave, rosa Rauschen liest flach, ein Sinus mit Vollaussteuerung liest -3 dBFS in seinem Band. Bezogen auf Vollaussteuerung, nicht auf ein kalibriertes Mikrofon.

Warum Die Sprache aller, die mit einem Schallpegelmesser arbeiten, und die Grundlage für einen Check der tonalen Balance gegen eine Referenzkurve.

Getestet gegen IEC 61260: Ein Sinus mit Vollaussteuerung zeigt in seinem eigenen Band -3,01 dBFS, weißes Rauschen steigt um 3 dB pro Oktave, nominale Mittenfrequenzen.

So funktioniert es Klassische Signalverarbeitung.

Loudness im Zeitverlauf Validiert

series.shortTermLufs

Mix & MasterStimme & PodcastBroadcast & Filmpost

Was gemessen wird Short-Term-Loudness: ein 3-Sekunden-Fenster, ein Wert alle 100 ms.

So liest du den Wert Flach = gleichmäßig laut; gezackt = der Pegel bewegt sich.

Warum Zeigt, woher der Loudness Range kommt, statt nur, wie groß er ist.

Getestet gegen Dieselbe Berechnung wie beim Short-Term-Maximum.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Kein eigener Test.

Wellenform Validiert

series.waveform

Stimme & PodcastMix & MasterHerkunftDataset-QAUmgebungBroadcast & FilmpostLoop- & Samplepack-QC

Was gemessen wird Heruntergerechnete Hüllkurve des Signals.

So liest du den Wert Die vertraute Form; laut ist hoch.

Warum Orientierung. Alles andere lässt sich leichter lesen, wenn man weiß, wo man ist.

Getestet gegen Ein Ton, dessen Amplitude von 0,2 auf 0,8 springt: Jeder der 480 Punkte liegt höchstens 5 Prozent unter dem wahren Peak seines Abschnitts und nie darüber.

So funktioniert es Klassische Signalverarbeitung.

Stimmhüllkurve Validiert

series.rmsEnvelope

Stimme & Podcast

Was gemessen wird Pegel über die Zeit mit etwa 50 Frames pro Sekunde.

So liest du den Wert Die Form des Sprechens, feiner als die Wellenformansicht.

Warum Fein genug, um einzelne Silben zu sehen, und dort leben Tempo und Clipping.

Getestet gegen Etwa 50 Frames pro Sekunde (95 bis 105 bei einer Datei von 2 s). Der Wert ist der RMS pro Frame: Töne mit Amplitude 0,2 und 0,02 lesen ihren RMS innerhalb von 3 und 5 Prozent.

So funktioniert es Klassische Signalverarbeitung.

Maske der Sprachaktivität Proxy

series.voicedMask

Stimme & PodcastDataset-QA

Was gemessen wird Sprache oder nicht, für jeden Hüllkurven-Frame.

So liest du den Wert Eins zu eins an der Hüllkurve ausgerichtet.

Warum Leg sie über jede andere Messgröße, und jede Messung teilt sich in „während der Sprache“ und „zwischen der Sprache“.

Getestet gegen Die Maske des Sprachdetektors, gemessen an Wortalignments: Frame-F1 0,92 bei sauberem Audio, aber sie markiert nur die lauteren Teile der Phrasen, sodass leise Wortanfänge und Wortenden unmaskiert bleiben. Mit dem K2-Detektor (siehe Sprachanteil) reicht die Maske bis zu 100 ms weiter in Wortanfänge und Wortenden hinein: Frame-F1 0,941 gegen 0,878 bei sauberem Audio und Rauschen mit 20 und 10 dB (test-clean).

So funktioniert es Klassische Signalverarbeitung.

Energiehüllkurve Validiert

series.energyEnvelope

HerkunftDataset-QAUmgebung

Was gemessen wird Pegel über die Zeit, feste Auflösung unabhängig von der Dateilänge.

So liest du den Wert Die Übersichtsform.

Warum Vergleichbar zwischen Dateien verschiedener Länge, was die Wellenform nicht ist.

Getestet gegen Die vierfache Amplitude liest den vierfachen Wert, innerhalb von 8 Prozent, und die Reihe deckt die ganze Datei bei 6, 12 und 40 s ohne Zero-Padding ab. Dieser Test fand einen Fehler (die Reihe endete nach den ersten 480 Frames und kurze Dateien endeten in Nullen), behoben am 11. Oktober 2026.

So funktioniert es Klassische Signalverarbeitung.

Helligkeitshüllkurve Validiert

series.centroidEnvelope

HerkunftUmgebung

Was gemessen wird Nulldurchgangsrate über die Zeit, eine grobe Helligkeitsspur in derselben Auflösung wie die Energiehüllkurve. Sie ist kein spektraler Schwerpunkt in Hz.

So liest du den Wert Steigend heißt, das Material wurde höher oder heller. Ein Sinus liest 2f/fs.

Warum Die Helligkeit bewegt sich dort, wo der Pegel es nicht tut: eine EQ-Änderung, ein anderes Mikrofon, eine ganz andere Quelle.

Getestet gegen Der Wert ist die Nulldurchgangsrate pro Frame: Ein Sinus liest 2f/fs innerhalb von 8 Prozent bei 500 und 4000 Hz, und der Wert steigt mit der Tonhöhe.

So funktioniert es Klassische Signalverarbeitung.

Was es nicht ist Kein spektraler Schwerpunkt in Hz; sie folgt der Nulldurchgangsrate.

Blockweise Messungen, die du auf einer Zeitachse übereinanderlegen kannst.

Spektrum-Spur Validiert

grid.terrain

Stimme & PodcastMix & MasterHerkunftDataset-QAUmgebung

Was gemessen wird Energie pro Frequenzband über die Zeit, 48 logarithmisch verteilte Bänder.

So liest du den Wert Hell ist laut. Senkrechte Streifen sind Schläge; waagerechte Balken sind gehaltene Töne.

Warum Die Form des Klangs auf einen Blick, und die Ebene, gegen die jede andere Spur gelesen wird.

Getestet gegen Bei einem 1-kHz-Ton ist das lauteste der 48 Bänder in jedem Block das um 1 kHz (innerhalb eines logarithmischen Bandes, 15,5 Prozent), und das Maximum liest 0 dB.

So funktioniert es Klassische Signalverarbeitung.

Pegel-Spur Validiert

grid.level

Stimme & PodcastMix & MasterDataset-QABroadcast & Filmpost

Was gemessen wird RMS-Pegel pro Block.

So liest du den Wert Höher ist lauter; eine flache Linie ist komprimiertes oder gleichmäßiges Material.

Warum Findet die lauten und leisen Abschnitte, ohne durch die Datei zu scrubben.

Getestet gegen Töne mit Amplitude 0,5 und 0,05 lesen ihren RMS in dBFS (Amplitude durch Quadratwurzel aus 2) in jedem Block innerhalb von 0,1 dB.

So funktioniert es Klassische Signalverarbeitung.

Peak-Spur Validiert

grid.peak

Mix & MasterDataset-QA

Was gemessen wird Höchster Sample pro Block.

So liest du den Wert Wer 0 dBFS berührt, markiert die Blöcke, die clippen.

Warum Ergänzt die Pegel-Spur und gibt dem Crest-Faktor seine zwei Hälften.

Getestet gegen Töne mit Amplitude 0,5 und 0,05 lesen ihren Peak in dBFS in jedem Block innerhalb von 0,1 dB.

So funktioniert es Klassische Signalverarbeitung.

Dynamik-Spur Validiert

grid.crest

Mix & MasterHerkunft

Was gemessen wird Crest-Faktor pro Block.

So liest du den Wert Über 14 dB atmet es; unter 8 dB wurde es zerquetscht.

Warum Ein flacher Abschnitt in einer sonst dynamischen Datei ist fast immer eine andere Quelle.

Getestet gegen Ein Sinus liest 3,01 dB innerhalb von 0,1 und eine Rechteckwelle 0 dB innerhalb von 0,15, in jedem Block.

So funktioniert es Klassische Signalverarbeitung.

Helligkeits-Spur Validiert

grid.centroid

Mix & MasterHerkunftUmgebung

Was gemessen wird Spektraler Schwerpunkt pro Block.

So liest du den Wert Steigend ist heller, fallend ist dunkler oder stumpfer.

Warum Folgt tonalen Änderungen, die die Spektrum-Spur zeigt, aber nicht zusammenfasst.

Getestet gegen Ein Ton liest seine eigene Frequenz in jedem Block innerhalb von 2 Prozent, bei 1000 und 4000 Hz.

So funktioniert es Klassische Signalverarbeitung.

Bandbreiten-Spur Validiert

grid.bandwidth

HerkunftDataset-QA

Was gemessen wird Wo das Spektrum endet, Block für Block. Null, wenn zu leise zum Messen.

So liest du den Wert Gemessen: 64 kbit/s liegen bei etwa 11 kHz, 128 bei etwa 16,5, 256 bei etwa 19.

Warum Liest die Geschichte der Datei: wie stark sie komprimiert wurde und genau, wo zwei Quellen zusammengespleißt wurden.

Getestet gegen Terrain-Spuren: Das Grundrauschen trifft den wahren Pegel von stationärem Rauschen, Brummen lässt sich von Zischen trennen, der Flux erreicht an einem Schnitt seine Spitze, die Headroom liest nie über dem Pegel.

So funktioniert es Klassische Signalverarbeitung.

Grundrauschen-Spur Validiert

grid.noiseFloor

Stimme & PodcastDataset-QAUmgebung

Was gemessen wird Die leisesten Frames um jeden Block, als 25. Perzentil über ein Fenster von ±3 Blöcken.

So liest du den Wert Ein Sprung nach oben heißt, Rauschen ist gekommen. Digitale Stille liegt bei etwa −120 dB.

Warum Rauschen unter Sprache macht ihr schwerer zu folgen, und das zeigt die Sekunde, in der es beginnt. Es beschreibt das Signal; es sagt keine Fehler der Spracherkennung voraus.

Getestet gegen Terrain-Spuren: Das Grundrauschen trifft den wahren Pegel von stationärem Rauschen, Brummen lässt sich von Zischen trennen, der Flux erreicht an einem Schnitt seine Spitze, die Headroom liest nie über dem Pegel.

So funktioniert es Klassische Signalverarbeitung.

Stereo-Spur Validiert

grid.correlation

Mix & Master

Was gemessen wird Links gegen rechts pro Block, auf einer festen Skala von −1 bis +1.

So liest du den Wert +1 ist Mono, niedriger ist breiter, unter 0 arbeiten die Kanäle gegeneinander.

Warum Fängt ein Phasenproblem in einer Passage, das der Durchschnitt über die Datei wegwäscht.

Getestet gegen Gleiche Kanäle lesen über 0,999, gegenphasige Kanäle unter minus 0,999, und unabhängiges Rauschen liegt innerhalb von 0,05 um null.

So funktioniert es Klassische Signalverarbeitung.

Breiten-Spur Validiert

grid.width

Mix & Master

Was gemessen wird Stereobreite pro Block.

So liest du den Wert Als Fläche hinter der Korrelationslinie gezeichnet.

Warum Zeigt, wo ein Mix aufgeht und wo er in die Mitte zusammenfällt.

Getestet gegen Mono liest 0, gegenphasig 1 und unabhängiges Rauschen 2/3 (innerhalb von 0,04), dieselbe Side/Mid-Regel wie bei der Stereobreite der ganzen Datei.

So funktioniert es Klassische Signalverarbeitung.

Flachheits-Spur Validiert

grid.flatness

UmgebungHerkunft

Was gemessen wird Wie rauschartig jeder Block ist, 0 bis 1.

So liest du den Wert Niedrig ist eine klare Tonhöhe; hoch ist breitbandig.

Warum Trennt einen Piepton von einer Stimme und Brummen von Raumrauschen, über die Zeit.

Getestet gegen Terrain-Spuren: Das Grundrauschen trifft den wahren Pegel von stationärem Rauschen, Brummen lässt sich von Zischen trennen, der Flux erreicht an einem Schnitt seine Spitze, die Headroom liest nie über dem Pegel.

So funktioniert es Klassische Signalverarbeitung.

Clipping-Spur Validiert

grid.clipFraction

Mix & MasterDataset-QABroadcast & Filmpost

Was gemessen wird Anteil der Samples bei oder über Vollaussteuerung pro Block.

So liest du den Wert Ein Balken heißt, dort wurde geclippt.

Warum Schaden, den du nicht rückgängig machen kannst, auf die Sekunde genau lokalisiert.

Getestet gegen Ein bei 1 geclippter Sinus von 1,5 liest den geclippten Anteil der Samples, 0,54, in jedem Block innerhalb von 0,02; ein ungeclippter Sinus liest 0.

So funktioniert es Klassische Signalverarbeitung.

DC-Spur Validiert

grid.dcOffset

Herkunft

Was gemessen wird Verschiebung der Wellenform weg von null pro Block.

So liest du den Wert Sollte für die ganze Datei flach bei null liegen.

Warum Eine Stufe heißt, die Hardware hat sich mitten in der Aufnahme geändert, was hier nichts anderes verraten würde.

Getestet gegen Ein um 0,1 verschobener Ton liest 0,1 in jedem Block innerhalb von 0,005.

So funktioniert es Klassische Signalverarbeitung.

Kombinationen der obigen Lanes: Headroom, Neuheit, Veränderung, Rauschcharakter.

Headroom-Spur Validiert

derived.headroom

Stimme & PodcastDataset-QAUmgebungBroadcast & Filmpost

Was gemessen wird Abstand zwischen dem Inhalt und dem lokalen Grundrauschen, Block für Block.

So liest du den Wert Über 30 dB liest sich als sauber, unter 15 dB als verrauscht. Es beschreibt das Signal; es sagt keine Fehler der Spracherkennung voraus.

Warum Das ist die Zahl, die entscheidet, ob Audio brauchbar ist, und im Moment ist sie auf zwei Spuren verteilt, die der Leser mit dem Auge voneinander abziehen muss.

Getestet gegen Terrain-Spuren: Das Grundrauschen trifft den wahren Pegel von stationärem Rauschen, Brummen lässt sich von Zischen trennen, der Flux erreicht an einem Schnitt seine Spitze, die Headroom liest nie über dem Pegel.

So funktioniert es Klassische Signalverarbeitung.

Novelty-Spur Proxy

derived.novelty

HerkunftDataset-QA

Was gemessen wird Wie stark sich das Material in jedem Moment ändert, indem die zwei Sekunden davor mit den zwei danach verglichen werden, über Bandbreite, Grundrauschen, Helligkeit, Crest und Stereokorrelation zusammen.

So liest du den Wert Peaks markieren Grenzen. Lies alle, nicht nur den höchsten; bei dichter Musik ist der höchste Peak nicht immer der, den du gesucht hast. Verglichen werden nur Blöcke, die mindestens 6 dB über ihrem eigenen Grundrauschen und über -70 dBFS liegen, eine Datei mit einem gleichbleibenden Pegel liest also überall 0.

Warum Zeigt, wo sich etwas ändert, ohne dass man sagen muss, wonach man sucht. Sie enthält die Stereokorrelation und ist deshalb die, die einen Kanalkollaps fängt; die Änderungs-Spur liest das Mono-Terrain und fängt stattdessen einen Schnitt. Zusammen decken sie die fünf Testfälle ab. So skaliert, dass sie nie sättigt: Das obere Ende der Spur bleibt für das wirklich Außergewöhnliche frei.

Getestet gegen Identisches Material liest 0 (unter 0,02 abseits der Änderung), und eine Änderung ergibt innerhalb von 2 s einen Peak über 0,2. Es zählen nur Blöcke, die mindestens 6 dB über ihrem eigenen Grundrauschen und über minus 70 dBFS liegen, sodass eine Datei mit gleichbleibendem Pegel überall 0 liest.

So funktioniert es Klassische Signalverarbeitung.

Nicht validiert Echte Schnitte und Übergänge, bei denen der richtige Peak nicht im Voraus bekannt ist.

Änderungs-Spur Validiert

derived.flux

Mix & MasterHerkunft

Was gemessen wird Wie stark sich das Spektrum von einem Block zum nächsten ändert.

So liest du den Wert Peaks sind Einsätze, Schnitte und Übergänge.

Warum Das Terrain ist schon da und wird nie differenziert, und in seiner Ableitung leben die Schnittpunkte. Sie fand den Schnitt bei genau 15,0 s in der Testdatei, den die Novelty übersehen hat. Blind für eine Stereoänderung, schon im Aufbau, denn das Terrain ist Mono.

Getestet gegen Terrain-Spuren: Das Grundrauschen trifft den wahren Pegel von stationärem Rauschen, Brummen lässt sich von Zischen trennen, der Flux erreicht an einem Schnitt seine Spitze, die Headroom liest nie über dem Pegel.

So funktioniert es Klassische Signalverarbeitung.

Rauschcharakter-Spur Validiert

derived.bandFlatness

UmgebungStimme & Podcast

Was gemessen wird Tonalität getrennt gemessen unter 250 Hz, von 250 Hz bis 4 kHz und darüber.

So liest du den Wert Tonal tief ist Brummen, flach hoch ist Zischen, tonal in der Mitte ist Musik oder ein Fernseher. Drei Linien, eine pro Bandgruppe.

Warum Eine Flachheitszahl pro Block kann sagen, wie viel Rauschen da ist, aber nie, welche Art, und die Lösung hängt ganz von der Art ab.

Getestet gegen Terrain-Spuren: Das Grundrauschen trifft den wahren Pegel von stationärem Rauschen, Brummen lässt sich von Zischen trennen, der Flux erreicht an einem Schnitt seine Spitze, die Headroom liest nie über dem Pegel.

So funktioniert es Klassische Signalverarbeitung.