Pegel und Clipping: was AudioLab liest und was es kostet

Was es einen Spracherkenner kostet: nichts, was wir zeigen konnten. Keine der sechs Bedingungen machte für eines der beiden Modelle einen klaren Unterschied, nicht einmal mit einem Viertel geclippter Samples (für ein klar schlechteres Ergebnis braucht es ein Intervall über null und eine Änderung von mindestens 2 Punkten). Whisper gleicht die Aufnahme selbst im Pegel an, und das Clipping ist hier digital: ein harter Clip bei Vollaussteuerung.

Was AudioLab liest: das Clipping, und den Pegel bis zu einem gewissen Punkt. Clipping wurde in 22 von 24 Aufnahmen bei +12 dB gefunden, in 24 von 24 bei +20 dB und in 24 von 24 bei +30 dB, und in keiner der 96 Aufnahmen ohne Clipping. Die beiden, die es bei +12 dB nicht markierte, enthalten keine Folge geclippter Samples: Eine hat kein Sample bei Vollaussteuerung und die andere nur zwei einzelne, und die Messgröße zählt Folgen von mindestens drei hintereinander. Über die 72 geclippten Dateien folgt die Zählung dem wahren Anteil mit einer Rangkorrelation von 0,96. Leichtes Clipping wird aus demselben Grund zu niedrig gelesen: Bei bis zu 1 Prozent geclippter Samples zählte sie etwa 0,7 der Samples bei Vollaussteuerung (Median). Die Zahl der geclippten Bereiche ist kein Maß dafür, wie viel geclippt ist: Der Median lag bei 20 Bereichen bei 5 Prozent geclippter Samples und bei 12 bei 25 Prozent, weil starkes Clipping die Abschnitte verschmelzen lässt.

Spitzenpegel, RMS-Pegel und Crest-Faktor stimmen mit unserer eigenen Zählung der Samples überein (größte Abweichung 0,000 dB). Der Sprachpegel folgt der Verstärkung: Bei einer Absenkung um 14 dB las er eine Änderung von 14,0 dB und bei 24 dB von 23,8 dB (Median). Bei -60 dBFS behält der Sprachdetektor nur etwa 9 Prozent der Sprache, und in 2 der 24 Aufnahmen keine, sodass der Pegel nur der Durchschnitt der lautesten Teile ist und 5,4 dB zu hoch liest (Median über die 22 Aufnahmen, die einen haben).

Also: AudioLab sieht das Clipping und, bis -50 dBFS, den Pegel, und die beiden Spracherkenner störte beides ebenfalls nicht. Die Messgrößen dienen dazu, den Schaden in deinen Aufnahmen zu finden, nicht dazu, vorherzusagen, was er deinen Spracherkenner kostet. Die meisten der Audiofehler, die wir messen, kosten diese beiden Modelle nichts; entscheidend ist, es für deinen zu wissen, und dafür ist der Stresstest da.

Vorgelesene englische Sprache, 24 Sätze pro Bedingung, Whisper small und large-v3-turbo auf einer CPU, daher sind die Intervalle breit: Eine Änderung unter etwa 2 Punkten lässt sich nicht von keiner Änderung unterscheiden. Die Pegel sind eine reine Verstärkung auf sauberen Aufnahmen, und das Clipping ist ein harter Clip bei Vollaussteuerung an lauter gestellten sauberen Aufnahmen.

• Streaming-Spracherkenner und Voice-Agents, die live zuhören: Sie reagieren womöglich anders auf den Pegel.
• Andere Spracherkenner als die beiden offenen sowie andere Sprachen.
• Clipping an einem Mikrofon oder in einer analogen Stufe, weiches Clipping und Kompressoren.
• Aufnahmen, die leise sind, weil das Mikrofon weit weg ist: Dabei kommt mehr Rauschen dazu.
• Wir haben vorab festgehalten, dass das stärkste Clipping einen Spracherkenner klar etwas kosten würde. Das tat es nicht.