Wie funktionieren Audiocodecs? Psychoakustisches Modell und Bitratenlogik

Eine WAV-Datei belegt etwa 10 MB pro Minute; derselbe Klang schrumpft als MP3 auf 1 MB. Die Datenmenge sinkt auf ein Zehntel, doch die meisten Menschen hören keinen Unterschied. Wie ist das möglich? Die Antwort liegt weniger in der Mathematik der Kompression als in der Funktionsweise des menschlichen Ohrs. In diesem Beitrag erklären wir die Logik verlustbehafteter Audiocodecs und was Ihre Umwandlungsentscheidungen bestimmen sollte.

Was rohe Audiodaten sind

Ein Mikrofon wandelt die Schwankung des Luftdrucks in ein elektrisches Signal um. Bei der Digitalisierung dieses Signals werden zwei Parameter festgelegt:

Abtastrate (Sample Rate): Wie viele Messungen pro Sekunde erfasst werden. Der CD-Standard liegt bei 44.100 Hz. Diese Zahl ist nicht willkürlich: Nach dem Nyquist-Theorem muss man ein Signal mit der doppelten Rate seiner höchsten Frequenz abtasten, um es korrekt zu erfassen. Weil das menschliche Ohr bis etwa 20.000 Hz hört, bietet 44.100 eine ausreichende Obergrenze.

Bittiefe (Bit Depth): Mit wie vielen Bits jede Messung ausgedrückt wird. Auf der CD werden 16 Bit verwendet, was 65.536 verschiedenen Amplitudenstufen entspricht. In Studioaufnahmen sind 24 Bit verbreitet.

Die Rechnung ist einfach: 44.100 Samples × 16 Bit × 2 Kanäle = 1.411.200 Bit pro Sekunde, also rund 1.411 kbps. Eine Minute Stereoton belegt unkomprimiert etwa 10 MB.

Das WAV-Format speichert genau diese rohen Daten. FLAC führt dieselben Daten mit verlustfreier Kompression in etwa halber Größe – beim Entpacken kehren exakt dieselben Samples zurück.

Der Grundgedanke der verlustbehafteten Kodierung

Verlustbehaftete Encoder wie MP3 stellen eine andere Frage: Wie viel von diesen Daten hören wir tatsächlich?

Die Antwort: weit weniger, als man denkt. Das menschliche Gehör ist kein perfektes Aufnahmegerät; unter bestimmten Bedingungen nimmt es bestimmte Klänge überhaupt nicht wahr. Der Encoder findet diese Lücken und verwirft die entsprechenden Informationen.

Das geschieht mithilfe einer Berechnung, die man psychoakustisches Modell nennt.

Maskierung: die Klänge, die wir nicht hören

Die Grundlage des psychoakustischen Modells ist das Phänomen der Maskierung, und es gibt zwei Arten davon.

Frequenzmaskierung (simultane Maskierung). Ein lauter Anteil macht leisere Anteile in benachbarten Frequenzen unhörbar. So, wie Sie in einer lauten Umgebung ein Flüstern nicht hören – nur geschieht das auf der Frequenzachse in weit feinerem Maßstab.

Ein konkretes Beispiel: Liegt bei 1000 Hz ein kräftiger Ton an, ist ein Ton bei 1100 Hz unterhalb einer bestimmten Schwelle nicht zu hören. Der Encoder kann diesen Anteil verwerfen oder sehr grob kodieren; das Ohr bemerkt den Unterschied nicht.

Zeitliche Maskierung. Schwache Klänge unmittelbar vor (etwa 20 ms) und unmittelbar nach (etwa 100–200 ms) einem lauten Moment werden nicht wahrgenommen. Das Ohr bleibt nach einem starken Reiz kurze Zeit "taub".

Der Encoder nutzt beide Phänomene gemeinsam und berechnet für jeden Moment eine Maskierungsschwelle: welche Information unterhalb welchen Pegels in welcher Frequenz verworfen werden kann.

Der Kodiervorgang Schritt für Schritt

Was ein MP3-Encoder tut, grob umrissen:

1. Den Ton in Blöcke zerlegen. Meist Fenster von einigen Hundert bis tausend Samples. Die Blockgröße ist wichtig: Lange Blöcke bringen Frequenzauflösung, kurze Blöcke Zeitauflösung. Bei plötzlichen Übergängen (etwa einem Trommelschlag) wechselt der Encoder auf kurze Blöcke.

2. In den Frequenzbereich transformieren. Die Daten der Zeitachse werden in Frequenzanteile zerlegt (in MP3 durch Teilbandfilterung plus MDCT, in AAC unmittelbar durch MDCT).

3. Das psychoakustische Modell ausführen. Für jedes Frequenzband wird die Maskierungsschwelle berechnet.

4. Das Bitbudget verteilen. Das verfügbare Bitratenbudget wird darauf verteilt, welches Band mit wie vielen Bits kodiert wird. Maskierten Bändern werden wenige oder gar keine Bits zugewiesen.

5. Quantisierung. Jeder Anteil wird entsprechend der ihm zugewiesenen Bitzahl vergröbert. Genau hier entsteht der Verlust – statt des exakten Originalwerts wird ein Näherungswert gespeichert.

6. Entropiekodierung. Auf die verbleibenden Daten wird eine verlustfreie Kompression (etwa Huffman) angewendet.

Beim Dekodieren werden diese Schritte rückwärts ausgeführt, doch die in Schritt 5 verworfene Information kehrt nicht zurück. Die Quantisierung ist unumkehrbar.

Bitrate: wie eng das Budget wird

Die Bitrate ist das Budget, das Sie dem Encoder geben. Bei niedriger Bitrate muss er mehr Information verwerfen, und der Verlust beginnt hörbar zu werden.

Was bei niedriger Bitrate am stärksten leidet:

| Problem | Wo es hörbar ist | |---|---| | Abschneiden hoher Frequenzen | Becken, hohe Instrumente und Zischlaute wirken matt | | Vorechos (Pre-Echo) | Ein leichtes "Rauschen" vor einem Trommelschlag | | Stereoverfälschung | Das breite Stereobild schrumpft | | Metallischer Klang | Applaus und Menschenmengen klingen "wässrig" | | Quantisierungsrauschen | Hintergrundrauschen in leisen Passagen |

Ein grober Anhaltspunkt (für MP3, mit einem guten Encoder):

| Bitrate | Wahrgenommene Qualität | |---|---| | 64 kbps | Für Sprache akzeptabel, bei Musik deutliche Verfälschung | | 96 kbps | Für Podcast und Hörbuch ausreichend | | 128 kbps | Für allgemeines Hören, aufmerksamen Ohren fällt es auf | | 192 kbps | Für die meisten Zwecke gut | | 256 kbps | Für die meisten Hörer nahezu transparent | | 320 kbps | Praktische Obergrenze, für die meisten Ohren transparent |

Der Begriff "Transparenz" bedeutet, dass sich der kodierte Klang im Blindtest nicht vom Original unterscheiden lässt. Das ist von Person zu Person, von Inhalt zu Inhalt und von Gerät zu Gerät verschieden.

Konstante und variable Bitrate

CBR (konstante Bitrate): Jede Sekunde wird dieselbe Datenmenge verwendet. Einfach und vorhersehbar; beim Streaming ist das von Vorteil.

VBR (variable Bitrate): Der Encoder weist jedem Moment so viele Bits zu, wie er benötigt. Bei einer leisen Klavierpassage spart er, in einem dichten Orchesterabschnitt gibt er aus.

VBR ist meist besser, weil die Komplexität von Musik nicht konstant ist. Bei gleicher durchschnittlicher Bitrate liefert VBR eine bessere wahrgenommene Qualität als CBR. Seine einzigen Nachteile sind, dass sich die Dateigröße nicht vorab abschätzen lässt und dass es in manchen älteren Playern Probleme mit Dauer und Vorspulen geben kann.

ABR (durchschnittliche Bitrate) ist ein Kompromiss zwischen beiden.

Warum Codecs unterschiedlich effizient sind

Bei gleicher Bitrate klingt AAC besser als MP3. Die Gründe:

• Flexiblere Blockgrößen. Es bewältigt plötzliche Übergänge besser, Vorechos verringern sich.
• Bessere Stereokodierung. Es nutzt die Ähnlichkeit zwischen den Kanälen effizienter.
• Effizientere Entropiekodierung.
• Fortgeschritteneres psychoakustisches Modell.
• Gestaltungsfreiheit. MP3 wurde unter Zwängen der Abwärtskompatibilität entworfen; AAC begann bei null.

Opus geht noch weiter und ist besonders bei niedrigen Bitraten (32–64 kbps) deutlich besser; es enthält eigens für Sprachanrufe und Podcasts ausgelegte Komponenten.

Die praktische Entsprechung: AAC mit 128 kbps wird etwa wie MP3 mit 160–192 kbps wahrgenommen. Das erklärt, warum bei einer Umwandlung die Wahl der Zielbitrate vom Quellformat abhängt.

Warum sich Transkodierungsverluste summieren

Wandeln Sie eine verlustbehaftete Datei in ein anderes verlustbehaftetes Format um, geschieht Folgendes:

1. Die Quelldatei wird dekodiert. Der so gewonnene Klang ist eine bereits verlustbehaftete Näherung des Originals.
2. Der neue Encoder wendet auf diesen Klang sein eigenes psychoakustisches Modell an und verwirft erneut Informationen.

Das Problem: Der zweite Encoder weiß nicht, was der erste verworfen hat. Er entscheidet nach seinem eigenen Modell, und diese Entscheidungen decken sich nicht mit denen des ersten. Am Ende überlagern sich zwei verschiedene "Verwerfungen".

Zudem erscheint das vom ersten Kodiervorgang hinterlassene Quantisierungsrauschen dem zweiten Encoder wie "echter Klang", und er verbraucht Budget, um es zu bewahren.

Deshalb verfallen verkettete Umwandlungen rasch. Auf einem Weg wie MP3 → AAC → MP3 → OGG verblassen bei jedem Schritt die hohen Frequenzen ein wenig mehr und werden die Übergänge etwas unschärfer.

Die Regel: Gehen Sie stets von der besten verfügbaren Quelle in einem einzigen Schritt zum Ziel.

Die Rückkehr zu verlustfreien Formaten

Ein MP3 in FLAC umzuwandeln ist ein verbreitetes Missverständnis. FLAC ist verlustfrei, doch das bedeutet "es bewahrt unbeschädigt, was ihm übergeben wird" – nicht "es holt Verlorenes zurück".

Die beim MP3-Kodieren verworfenen Frequenzanteile sind dauerhaft verschwunden. Wandeln Sie nach FLAC um, speichern Sie diesen unvollständigen Klang verlustfrei. Das Ergebnis: eine Datei in MP3-Qualität, die fünfmal größer ist.

Die einzige berechtigte Ausnahme: wenn Sie eine Datei bearbeiten wollen. Damit bei Schnitten, Zusammenführungen und Effekten nicht bei jedem Speichern neu kodiert wird, ist es sinnvoll, sie vorübergehend nach WAV zu wandeln. Ist die Arbeit fertig, kodieren Sie einmal ins Zielformat.

Zusammengefasst

Verlustbehaftete Audiocodecs nutzen die Maskierungseigenschaften des menschlichen Ohrs und verwerfen unhörbare Informationen; der Verlust entsteht im Schritt der Quantisierung und ist unumkehrbar. Die Bitrate ist das Budget dieses Vorgangs – bei knappem Budget werden zuerst hohe Frequenzen, Stereobreite und die Klarheit der Übergänge geopfert. Verschiedene Codecs sind unterschiedlich effizient; AAC und Opus liefern bei gleicher Bitrate bessere Ergebnisse als MP3, weshalb man bei einer Umwandlung die Zielbitrate eine Stufe über der Quelle ansetzen sollte. Und die wichtigste praktische Folgerung: Verlustbehaftete Umwandlungen summieren sich, und die Rückkehr zu einem verlustfreien Format bringt keine Qualität – gehen Sie stets von der besten Quelle in einem einzigen Schritt zum Ziel.