Warum hallt meine iPhone-Aufnahme?

Das Muster kennt jede und jeder, die schon einmal in einer Küche, einem Besprechungsraum oder einer leeren Wohnung aufgenommen haben. Während des Gesprächs klang alles gewöhnlich. Bei der Wiedergabe klingt es hohl, kastig und weit entfernt, als hätte die Person am anderen Ende eines Flurs gestanden. Am Telefon hat sich zwischen diesen beiden Momenten nichts geändert — geändert hat sich, dass Sie mit zwei Ohren und einem Gehirn zugehört haben und die Aufnahme mit keinem von beidem entstanden ist.

Es ist Nachhall, kein Echo

Ein echtes Echo ist eine deutlich abgesetzte Wiederholung, weit genug hinter dem Original, um als eigenes Ereignis hörbar zu sein — so wie beim Rufen über ein Tal. Fast jede Innenaufnahme enthält stattdessen Nachhall: Hunderte Reflexionen von Wänden, Boden, Decke, Tisch und Fensterscheiben, jede wenige Tausendstelsekunden nach dem Direktschall eintreffend und jeweils etwas leiser als die vorige. Sie liegen zu dicht beieinander, um als Wiederholungen wahrgenommen zu werden, und summieren sich zu einer Fahne, die jede Silbe in die nächste verschmiert.

Die Unterscheidung ist wichtig, weil sie auf die Lösung zeigt. Ein einzelnes Echo lässt sich manchmal vermeiden, indem man sich ein wenig von einer Wand wegdreht. Nachhall kommt aus allen Richtungen gleichzeitig; am Winkel des Telefons ändert sich deshalb nichts. Es zählen nur der Abstand zur sprechenden Person und wie weich der Raum ist.

Warum der Raum in dem Moment normal klang

Das Gehör ist sehr gut darin, Reflexionen zu ignorieren. Zwei Ohren im Abstand einer Kopfbreite, dazu ein Gehirn, das die zuerst eintreffende Kopie als die echte nimmt und die folgenden unterdrückt, ergeben ein System, das gebaut ist, um eine Person zu hören und den Raum drumherum wegzurechnen. Sie haben den größten Teil des Nachhalls tatsächlich nicht wahrgenommen.

Ein Telefonmikrofon hat davon nichts. Es ist eine einzelne kugelförmig aufnehmende Kapsel, die alles Eintreffende zu einem Signal addiert, Direktschall und Reflexionen zusammen, ohne die beiden später noch trennen zu können. Die Aufnahme gibt also getreu wieder, was in der Luft war — sie deckt sich nur nicht mit Ihrer Erinnerung an das Gespräch, weil diese Erinnerung bereits gefiltert war.

Was einen Raum so klingen lässt

Harte, nackte Flächen

Fliesen, Glas, Putz, Beton, Laminat und blanke Tischplatten werfen nahezu die gesamte auftreffende Schallenergie zurück. Bäder und Küchen sind der Extremfall und deshalb der klassische Ort, an dem eine Aufnahme misslingt. Ein Raum mit Vorhängen, Teppich, Polstermöbeln, Mänteln oder einem gefüllten Bücherregal schluckt einen großen Teil und klingt spürbar trockener.

Größe und Leere

Ein größerer Raum gibt den Reflexionen längere Wege, die Hallfahne dauert also länger und fällt stärker auf. Ein leerer Raum ist schlechter als derselbe Raum möbliert — deshalb klingt eine Wohnung am Umzugstag wie eine Höhle und eine Woche später normal. Ein großer, leerer Konferenzraum ist eine wirklich schwierige Aufnahmeumgebung, und keine Vorbereitung am Telefon ändert daran etwas.

Raumhöhe und parallele Wände

Hohe Decken und lange, harte, parallele Wände lassen den Schall viele Male hin und her laufen, bevor er verklingt. Treppenhäuser, Atrien, Kirchenräume und Hörsäle klingen genau deswegen, wie sie klingen. Das ist eine Eigenschaft des Raums, nichts, was sich umgehen ließe.

Der Abstand ist der Hebel, der wirklich zählt

Dieser Zusammenhang lohnt sich zu verinnerlichen: Je weiter das Mikrofon von der sprechenden Person entfernt ist, desto schneller wird der Direktschall leiser, während der reflektierte Schall im ganzen Raum ungefähr gleich laut bleibt. Der Nachhall ist ja bereits herumgelaufen und verteilt sich einigermaßen gleichmäßig. Das Verhältnis von Stimme zu Raum verschlechtert sich deshalb mit dem Abstand rasch — und verbessert sich ebenso rasch, sobald man ihn verkürzt.

Darum kann ein Telefon in einem halben Meter Abstand sauber klingen, während dasselbe Telefon drei Meter entfernt im selben Raum nach Schwimmbad klingt. Näher heranrücken ist keine kleine Verbesserung gegenüber dem Anpassen von Einstellungen — es ist die einzige Änderung, die das Verhältnis von Stimme und Raum überhaupt verschiebt.

• Das Telefon zwischen die Sprechenden auf den Tisch legen, nicht ans andere Ende.
• Bei einer einzelnen Person eine Armlänge oder näher, mit dem Mikrofonende in ihre Richtung.
• In der Gruppe näher an die leiseste Person als in die geometrische Mitte.
• Wenn möglich nicht auf die blanke Tischplatte: ein gefaltetes Tuch oder ein Heft unter dem Telefon nimmt dem Tisch die Rolle einer weiteren reflektierenden Fläche — und dämpft nebenbei das Poltern.

Den Raum weicher machen, ohne Geld auszugeben

Akustikplatten braucht es dafür nicht. Der Nachhall geht hörbar zurück, sobald ein Teil der harten Fläche nicht mehr reflektiert, und gewöhnliche Gegenstände erledigen das durchaus.

• Vorhänge oder Jalousien schließen; Glas ist in den meisten Räumen der größte Übeltäter.
• In der möblierten Hälfte des Raums aufnehmen, nicht in der leeren.
• Einen Mantel, eine Tasche oder ein paar Kissen auf den Tisch oder einen Stuhl in der Nähe legen.
• Wenn die Wahl besteht, den kleineren Raum nehmen. Für Sprache schlägt ein enges Büro jeden repräsentativen Saal.
• Nicht mitten auf einer freien Fläche stehen; in der Nähe eines Regals, eines Sofas oder eines Vorhangs ist der Unterschied messbar.

Ein anderes Problem, das genauso klingt

Wenn Sie einen Anruf oder eine Videokonferenz aufnehmen, die im selben Raum über einen Lautsprecher läuft, kann ein echtes, klar abgesetztes Echo entstehen statt Raumhall: Die Gegenseite kommt aus dem Lautsprecher, das Mikrofon nimmt sie auf, und wenn die Software das ebenfalls zurückschickt, wiederholt sich die Schleife. Das Erkennungszeichen: Die Wiederholung ist zeitlich deutlich abgesetzt und betrifft meist nur die entfernten Stimmen, nicht die Person neben Ihnen. Kopfhörer auf der Wiedergabeseite beseitigen das vollständig — beim Raumhall würde das nichts ändern.

Warum sich das hinterher nicht wegputzen lässt

Ist der Nachhall einmal in der Datei, liegt er nicht als Schicht über der Stimme, die man abheben könnte. Die Reflexionen sind die Stimme: dieselben Worte, nur später und leiser eingetroffen und in denselben einen Kanal summiert. Es gibt keine getrennte Spur zum Entfernen und keine Information darüber, welcher Teil der Wellenform direkt kam und welcher von einer Wand.

Deshalb ist Rauschunterdrückung hier auch das falsche Werkzeug. Sie arbeitet mit Schall, der gleichmäßig und sprachunähnlich ist — Lüfterbrummen, Verkehr, Klimaanlage —, indem sie lernt, wie dieser stabile Hintergrund aussieht, und ihn absenkt. Nachhall ist Sprache und fällt damit durch jeden Test, mit dem eine Rauschunterdrückung entscheidet, was unterdrückt werden soll. Spezialisierte Enthallung gibt es in professioneller Audiosoftware, und selbst dort erkauft sie Klarheit mit Artefakten. Die praktische Antwort bleibt dieselbe: am Mikrofon beheben, bevor es aufgenommen ist.

Was das mit einem Transkript macht

Spracherkennung tut sich in einem halligen Raum aus demselben Grund schwer wie Ihr Ohr am Ende eines Saals: Die Fahne jedes Lauts überlagert den Beginn des nächsten, und die Konsonanten, die ähnliche Wörter unterscheiden, sind der leiseste und kürzeste Teil der Sprache. Vokale überstehen das Verschmieren; die Laute „t“, „p“, „k“ und „s“, die den größten Teil des Unterschieds zwischen Wörtern tragen, nicht.

Das ist zu wissen, bevor man die Transkription verantwortlich macht. Ein Text mit richtigem Rhythmus und falschen Wörtern, oder einer, der zu früh abbricht, ist oft ein Raumproblem und kein Erkennerproblem — dieselbe Aufnahme aus einem halben Meter näher wäre besser transkribiert worden.

Wie Voice Studio dazu passt

Die Qualitätsstufen von Voice Studio — Standard mit 22,05 kHz, Hoch mit 44,1 kHz, Ultra mit 48 kHz, alle in AAC mono — legen fest, wie fein die Abtastrate das misst, was am Mikrofon ankommt. Sie ändern nicht, was dort ankommt, also klingt ein halliger Raum auf allen drei Stufen gleich hallig. Was hilft, ist das Problem zu hören, solange man noch handeln kann: Pro bündelt Live-Mithören mit Rauschunterdrückung, sodass Sie über Kopfhörer hören können, was das Mikrofon tatsächlich aufnimmt, und das Telefon vor Beginn der Besprechung näher rücken, statt den Raum erst hinterher zu bemerken. Die Rauschunterdrückung aus diesem Paar zielt auf gleichmäßige Hintergrundgeräusche und entfernt aus dem genannten Grund keinen Nachhall.

Häufige Fragen

Warum klang der Raum für mich normal und die Aufnahme hallt?

Zwei Ohren und das Gehirn dahinter unterdrücken Reflexionen und halten sich an den zuerst eintreffenden Schall, sodass Sie den Nachhall kaum wahrnehmen. Ein einzelnes Mikrofon addiert Direktschall und sämtliche Reflexionen zu einem Signal, ohne sie trennen zu können, und nimmt damit genau das auf, was Ihr Gehör bereits herausgefiltert hatte.

Reduziert eine höhere Qualitätsstufe den Hall?

Nein. Standard, Hoch und Ultra ändern die Abtastrate, mit der aufgenommen wird, nicht das, was physisch ans Mikrofon gelangt. Der Raum klingt auf jeder Stufe gleich — es hilft nur, das Mikrofon näher an die sprechende Person zu bringen oder den Raum weniger reflektierend zu machen.

Kann Rauschunterdrückung den Hall aus einer Aufnahme entfernen?

Nicht nennenswert. Rauschunterdrückung zielt auf gleichmäßigen, sprachunähnlichen Schall wie Lüfterbrummen oder Verkehr. Nachhall ist die Sprache selbst, die wenige Millisekunden später von den Wänden zurückkommt — sie sieht für das Verfahren nach dem aus, was geschützt werden soll, nicht nach dem, was weg soll.

Verschlechtert ein halliger Raum die Transkription?

In der Regel ja. Die Hallfahne legt jeden Laut über den nächsten und verwischt die kurzen, leisen Konsonanten, die ähnliche Wörter unterscheiden — genau die Information, auf die Spracherkennung am stärksten angewiesen ist.

Was hilft am meisten, wenn nur eine Sache möglich ist?

Der Abstand. Die direkte Stimme wird mit wachsender Entfernung schnell leiser, während der reflektierte Schall im Raum ungefähr gleich bleibt. Den Abstand zur sprechenden Person zu halbieren verbessert das Verhältnis mehr als jede Einstellung, jede Raumbehandlung und jede spätere Bearbeitung.