Warum entstehen beim Zusammenführen von Audio Lücken und Abtastratenprobleme?

Wenn Sie zwei Audiodateien zusammenführen, hören Sie an der Übergangsstelle womöglich entweder eine kurze Stille oder ein störendes "Knacken". Das sind keine zufälligen Fehler, sondern strukturelle Folgen von Audioformaten und digitaler Klangverarbeitung. In diesem Beitrag erklären wir, warum sie entstehen und wie sie sich vermeiden lassen.

Problem 1: Encoder-Verzögerung und Füllung

Verlustbehaftete Audiocodecs verarbeiten Ton in Blöcken. In MP3 umfasst ein Block 1152 Samples (bei 44,1 kHz etwa 26 Millisekunden); in AAC sind es meist 1024 Samples.

Diese Blockstruktur erzeugt zwei Arten von Lücken:

Encoder-Verzögerung (Encoder Delay). Bauartbedingt entsteht am Anfang der Ausgabe eine Verzögerung von einigen Hundert Samples. In MP3 sind das typischerweise 576 oder 1105 Samples. Eine in der Quelle nicht vorhandene Stille wird dem Dateianfang hinzugefügt.

Füllung (Padding). Lässt sich die Tondauer nicht restlos durch die Blockgröße teilen, bleibt der letzte Block unvollständig, und der Encoder füllt ihn mit Stille auf. Eine Aufnahme von 3 Minuten und 12,3 Sekunden etwa ergibt keine ganze Blockzahl, und am Ende kommen einige Hundert Samples Stille hinzu.

Das Ergebnis: Am Anfang und Ende jeder MP3-Datei liegt kurze Stille, die in der Quelle nicht vorhanden war. Beim Hören einer einzelnen Datei fällt das nicht auf. Doch wenn Sie zehn Titel hintereinanderhängen, ist diese Lücke an jedem Übergang hörbar.

Wie die lückenlose Wiedergabe das löst

Weil dieses Problem bekannt ist, wurde den Formaten eine Lösung hinzugefügt: Der Encoder hält fest, wie viel Verzögerung und Füllung er hinzugefügt hat.

In MP3 steckt diese Information im LAME-Tag (beziehungsweise im Xing-/Info-Header). Sie liegt im ersten Frame der Datei und trägt Werte wie "am Anfang 576 Samples Verzögerung, am Ende 1234 Samples Füllung".

In AAC/M4A findet sich eine entsprechende Information im Metadatenfeld iTunSMPB.

Player, die das lesen können, überspringen diese Samples bei der Wiedergabe und ermöglichen so eine lückenlose (gapless) Wiedergabe.

Doch hier gibt es eine Uneinheitlichkeit: Nicht jeder Player liest diese Information. Dasselbe Album kann in einem Player lückenlos laufen und in einem anderen mit einer Lücke zwischen jedem Titel. Zudem bewahren oder aktualisieren manche Konverter und Editoren dieses Tag nicht.

Was das beim Zusammenführen bedeutet

Beim Zusammenführen von Audiodateien gibt es zwei Ansätze, die sich im Lückenverhalten unterscheiden.

Zusammenführen durch Kopieren: Die kodierten Daten werden unverändert aneinandergehängt. Die Qualität bleibt erhalten, doch auch die Verzögerungs- und Füllungslücken bleiben erhalten. An jedem Übergang entsteht eine kurze Stille.

Zusammenführen durch Neukodierung: Alle Dateien werden nach PCM dekodiert, aneinandergehängt und anschließend in einem Durchgang kodiert. Die Lücken dazwischen verschwinden vollständig, weil es nur einen einzigen Kodiervorgang gibt – Verzögerung und Füllung entstehen nur am Anfang und Ende der endgültigen Datei.

Qualitativ ist das ein Zugeständnis: Bei verlustbehafteten Quellen fügt die Neukodierung einen zusätzlichen Verlust hinzu.

Die sauberste Methode: Bereiten Sie die Quelldateien in einem verlustfreien Format (WAV, FLAC) auf, führen Sie sie verlustfrei zusammen (es entsteht keine Lücke, weil PCM keine Blockstruktur kennt) und kodieren Sie die fertige Datei ein einziges Mal in das Zielformat.

Das ist der übliche Arbeitsablauf beim Erstellen von Hörbüchern und Alben.

Problem 2: Abweichende Abtastraten

Die Abtastrate gibt an, wie viele Klangmessungen pro Sekunde erfasst werden. Verbreitete Werte:

| Rate | Typische Verwendung | |---|---| | 44.100 Hz | CD-Standard, Musik | | 48.000 Hz | Video, professioneller Ton | | 32.000 Hz | Manche Rundfunkanwendungen | | 22.050 Hz | Sprache in niedriger Qualität | | 96.000 Hz | Hochauflösender Ton |

Dateien mit unterschiedlichen Raten ohne saubere Umrechnung zusammenzuführen führt zu einem ernsten Problem: Die zweite Datei läuft in falscher Geschwindigkeit.

Der Grund ist einfach: Ist eine Datei mit "48.000 Samples pro Sekunde" aufgenommen und spielt der Player sie mit "44.100 Samples pro Sekunde" ab, wird der Ton um etwa 9 % langsamer und die Tonhöhe sinkt. Sprache klingt tiefer, Musik verstimmt.

In die andere Richtung gilt dasselbe: Eine 44,1-kHz-Datei mit 48 kHz abzuspielen beschleunigt den Ton und hebt die Tonhöhe an.

Neuabtastung

Saubere Werkzeuge lösen dieses Problem durch Neuabtastung (Resampling): Die Samplefolge der Datei wird mathematisch in die neue Rate überführt.

Das ist ein Vorgang, der die Berechnung von Zwischenwerten erfordert. Um aus 44.100 Samples 48.000 zu erzeugen, werden die dazwischenliegenden Werte per Interpolation berechnet.

Eine gut ausgeführte Neuabtastung ist nahezu verlustfrei, aber nicht vollständig verlustfrei. Je nach Güte des verwendeten Filters kann es bei sehr hohen Frequenzen kleine Veränderungen geben.

Ein praktischer Rat: Versuchen Sie, die zusammenzuführenden Dateien in derselben Abtastrate vorzubereiten. Können Sie das schon bei der Aufnahme steuern, erübrigt sich die spätere Umrechnung.

Problem 3: Abweichende Kanalzahl

Ist eine Datei mono und die andere stereo, braucht es zum Zusammenführen eine gemeinsame Struktur.

Mono nach Stereo wandeln: Dasselbe Signal wird auf zwei Kanäle kopiert. Es entsteht kein Verlust, doch die Dateigröße verdoppelt sich, und ein echtes Stereobild entsteht nicht.

Stereo nach Mono wandeln: Die beiden Kanäle werden addiert und halbiert. Die Stereoinformation geht dauerhaft verloren. Zudem kann bei Aufnahmen mit Phasenproblemen (wenn ein Kanal die Umkehrung des anderen ist) der Ton schwächer werden oder verschwinden.

Bei Sprachinhalten ist ein Zusammenführen nach Mono meist sinnvoll – die Datei halbiert sich, und der Verlust ist verschwindend gering. Bei Musik sollte Stereo erhalten bleiben.

Problem 4: Nulldurchgang und Knacken

Eine Schallwelle schwingt im Zeitverlauf über und unter der Nulllinie. Der Nulldurchgang ist der Moment, in dem die Welle genau den Wert null hat.

Wenn zwei Audioteile aufeinandertreffen, gilt:

• Sind beide im Nulldurchgang: Der Übergang ist nahtlos.
• Wurde einer auf einem Wellenberg abgeschnitten: An der Verbindungsstelle entsteht ein plötzlicher Wertesprung.

Ein plötzlicher Sprung enthält mathematisch sehr hohe Frequenzanteile und ist im Ohr als scharfes "Knacken" zu hören.

Das begegnet einem häufig, wenn man Aufnahmen von Hand schneidet und zusammenfügt. Absolute Stille ist in Aufnahmen selten; selbst Hintergrundgeräusch ist eine Wellenform und wird an einem beliebigen Punkt abgeschnitten.

Die Lösung: Überblendung

Eine Überblendung (Crossfade) blendet das Ende des ersten Teils kurz aus, während der Anfang des zweiten kurz eingeblendet wird. Statt eines plötzlichen Sprungs entsteht so eine weiche Übergabe.

Die Wahl der Dauer ist wichtig:

| Dauer | Wirkung | |---|---| | 5–20 ms | Verhindert Knacken, ist nicht wahrnehmbar | | 50–200 ms | Weicher Übergang, leicht wahrnehmbar | | 1–3 Sekunden | Musikalischer Übergang, ein bewusster Effekt |

Wollen Sie nur das Knacken verhindern, genügen 10–20 Millisekunden, und diese Dauer ist für das menschliche Ohr nicht wahrnehmbar. Sie verlieren nichts vom Inhalt.

Erstellen Sie ein Mixtape, liefern Übergänge von 2–5 Sekunden ein professionelles Ergebnis – doch das ist keine technische Korrektur mehr, sondern eine künstlerische Entscheidung.

Problem 5: Pegelunterschiede

Das Zusammenführen tastet die Lautstärke nicht an. Liegen Aufnahmen aus verschiedenen Quellen auf unterschiedlichen Pegeln, muss der Hörer an jedem Übergang die Lautstärke nachregeln.

Bei der Pegelmessung gibt es zwei Ansätze:

Spitzenpegel (Peak): Der höchste Wert, den die Wellenform erreicht. Ein einfaches Maß, das die wahrgenommene Lautheit jedoch nicht abbildet. Eine leise Aufnahme mit einem kurzen Geräuschimpuls kann einen hohen Spitzenwert haben und dennoch leise klingen.

LUFS (Loudness Units Full Scale): Ein Maß, das die Frequenzempfindlichkeit des menschlichen Gehörs und eine zeitliche Mittelung berücksichtigt. Das ist die in Rundfunk- und Podcaststandards verwendete Methode.

Verbreitete Zielwerte:

| Umfeld | Ziel | |---|---| | Podcast | -16 LUFS (Stereo), -19 LUFS (Mono) | | Musikstreamingdienste | -14 LUFS | | Fernsehausstrahlung | -23 LUFS |

Die zusammenzuführenden Teile auf denselben LUFS-Zielwert zu normalisieren sorgt dafür, dass an den Übergängen keine Pegelsprünge entstehen.

Der richtige Arbeitsablauf

Eine Reihenfolge, die alle genannten Probleme vermeidet:

1. Wandeln Sie alle Quellen in ein verlustfreies Format (WAV oder FLAC). Bei verlustbehafteten Quellen fügt das keinen Verlust hinzu; es bereitet nur den Arbeitsbereich vor.

2. Gleichen Sie Abtastrate und Kanalzahl an. Alle in 44,1 kHz Stereo oder alle in 48 kHz Mono.

3. Normalisieren Sie die Pegel. Legen Sie einen gemeinsamen LUFS-Zielwert fest.

4. Führen Sie zusammen. Weil verlustfreie Formate keine Blockstruktur haben, entstehen keine Lücken.

5. Wenden Sie bei Bedarf kurze Überblendungen an. 10–20 ms verhindern das Knacken.

6. Kodieren Sie die fertige Datei einmal in das Zielformat. Eine Kodierung, ein Verlust.

7. Ergänzen Sie Tags und, falls vorhanden, Kapitelmarken.

Dieser Ablauf wirkt mühsam, macht aber bei Arbeiten, bei denen Sie ein hochwertiges Ergebnis wollen – Hörbuch, Album oder langer Podcast –, einen Unterschied.

Zusammengefasst

Die beim Zusammenführen auftretenden Lücken und Knackser rühren vom Aufbau der Formate her. Weil verlustbehaftete Codecs blockbasiert arbeiten, liegen am Anfang und Ende jeder Datei Verzögerungs- und Füllsamples; Player können sie anhand einer Tag-Information überspringen, doch nicht jeder Player tut das. Eine Abweichung der Abtastrate führt unkorrigiert zur Wiedergabe in falscher Geschwindigkeit. Teile, die nicht am Nulldurchgang geschnitten wurden, erzeugen an der Verbindungsstelle einen plötzlichen Sprung, der als "Knacken" hörbar wird – eine Überblendung von 10–20 Millisekunden löst das vollständig. Der sauberste Ansatz besteht darin, in einem verlustfreien Format zusammenzuführen und die fertige Datei in einem einzigen Durchgang zu kodieren.