Audio schneiden und zusammenfügen, ohne Knacken an der Nahtstelle

Ein Knacken ist eine Stufe, und eine Stufe ist alle Frequenzen zugleich

Eine digitale Audiodatei ist keine Welle. Sie ist eine Liste von Zahlen, von denen jede beschreibt, wo die Lautsprechermembran in einem Augenblick sein soll. Bei 44,1 kHz — der Rate der CD und des meisten, was aus einem Telefon oder einem Rekorder kommt — gibt es 44 100 solcher Augenblicke pro Sekunde, jede Zahl regiert also 22,68 Mikrosekunden Welt. Eine Datei mit 48 kHz, wie Video und die meiste moderne Hardware sie nutzen, gibt jeder Zahl 20,83 Mikrosekunden.

Schneiden heißt Zahlen löschen. Löschst du alles nach einem bestimmten Punkt, wird die Zahl, die dort zufällig stand, zur letzten Anweisung an den Lautsprecher, und danach soll er in Ruhe stehen. Lag diese letzte Zahl nahe am Wellenscheitel, soll die Membran in 22,68 Mikrosekunden von einem Extrem zur Mitte reisen. Nichts in der Aufnahme hat sich so schnell bewegt; nichts in der Natur tut das. Das Ohr hört keinen Ton, denn ein Ton ist periodisch und dies ist ein einzelnes Ereignis. Es hört ein Ticken.

Warum ein Ticken breitbandig und nicht hoch ist, verdient einen Satz, denn es erklärt, warum kein Filter es sauber beseitigt. Ein vollkommen glatter Ton besetzt eine Frequenz. Eine Stufe besetzt alle: je schärfer die Ecke, desto breiter die Streuung. Das ist keine Metapher, das ist messbar. Nimm einen 440-Hz-Ton bei 44,1 kHz, schneide ihn am Wellenscheitel, und die Energie oberhalb von 5 kHz — wo ein 440-Hz-Ton im Grunde nichts zu sagen hat — landet rund 29 dB unter dem Ton. Schneide denselben Ton stattdessen dort, wo er die Null kreuzt, und dasselbe Band fällt auf etwa 54 dB darunter. Sonst hat sich nichts geändert. Der einzige Unterschied ist die Höhe der Stufe.

Die zwei Stellen, an denen ein Schnitt sauber sein kann

Die erste ist Stille, und sie ist bei weitem die nützlichere von beiden. Liegt die Abtastung beiderseits des Schnitts schon nahe null, gibt es keine Stufe zu erzeugen. Deshalb sind Sprachschnitte leicht und Musikschnitte schwer: Sprache besteht großenteils aus Lücken. Zwischen zwei Wörtern liegen typischerweise Dutzende Millisekunden, in denen das Signal nur Raumgeräusch ist, und jede Abtastung in diesem Bereich taugt. Audio zuschneiden bietet ein schlichtes Zeitfeld statt einer Wellenform, die praktische Technik lautet also: hören, die Sekunde notieren, dann in Hundertsteln nachrücken — eine Hundertstelsekunde enthält bei 44,1 kHz 441 mögliche Positionen, mehr als genug, um eine leise zu finden.

Die zweite ist ein Nulldurchgang — der Augenblick, in dem der Wellenverlauf die Mitte durchquert, auf dem Weg von positiv nach negativ oder zurück. Schneidest du dort, ist die Stufe per Definition null, und genau deshalb bieten Editoren überhaupt einen Befehl zum Einrasten auf Nulldurchgänge. Die obige Messung sagt, das ist rund 25 dB wert, ein Faktor von etwa achtzehn in der Amplitude. Das ist eine große Verbesserung und keine Heilung. Was ein Nulldurchgang beseitigt, ist der Sprung in der Position; was bleibt, ist der Sprung in der Steigung, denn die Welle war mit einer gewissen Geschwindigkeit unterwegs und nach dem Schnitt ist sie es gar nicht mehr. Das Ohr hört den Rest als dumpferen Schlag statt als scharfes Ticken.

Es gibt außerdem eine Grenze, die niemand erwähnt, bis sie zubeißt: eine Stereodatei hat zwei Wellenverläufe, und die kreuzen die Null fast nie bei derselben Abtastung. Das Audacity-Handbuch sagt es unumwunden — in Stereospuren können die Nulldurchgänge im linken und im rechten Kanal an verschiedenen Stellen liegen, sodass in einem Kanal ein Knacken bleiben kann. Ein Nulldurchgang ist eine Eigenschaft eines Kanals, nicht eines Zeitpunkts. Stille dagegen ist eine Eigenschaft des Zeitpunkts, und das ist der zweite Grund, sie vorzuziehen.

Was dieses Werkzeug an der Grenze tatsächlich tut

Nichts. Das ist die ehrliche Antwort, und sie sollte ausdrücklich stehen, denn die meiste Software, mit der man dieses Werkzeug vergleicht, legt eine kurze Blende an, ohne es zu sagen. Audio zuschneiden nimmt deine Startzeit, multipliziert sie mit der Abtastrate und rundet ab; nimmt die Endzeit, multipliziert und rundet auf; und kopiert die Zahlen zwischen diesen beiden Indizes direkt in eine neue Datei. Es gibt keine Blende, keine Überblendung, keine Nulldurchgangssuche und keine Stilleerkennung. Die Grenze, die du nennst, ist die Grenze, die du bekommst, auf die Abtastung genau.

Das ist eine vertretbare Entscheidung für ein Browser-Werkzeug ohne Wellenformanzeige: eine Blende, die man nicht sieht, ist eine Blende, die man nicht steuert, und ein Werkzeug, das die ersten fünf Millisekunden jedes Clips heimlich weichzeichnete, würde genau den häufigsten Zweck ruinieren — eine musikalische Phrase punktgenau herauszunehmen. Aber es heißt, dass die Grenze deine Verantwortung ist, und dass der Grund, warum dein letzter Clip knackte, erkennbar statt rätselhaft ist. Er knackte, weil dort eine Zahl stand.

Eine Folge, die man vorher kennen sollte: der Clip kommt womöglich nicht mit der Abtastrate zurück, die du hineingegeben hast. Dekodiert wird über die Web-Audio-Engine des Browsers, und die Spezifikation sagt, der Dekoder resample das Audio auf die Rate des Audiokontexts, wenn beide voneinander abweichen. Der Kontext übernimmt die Rate deines Ausgabegeräts, auf den meisten aktuellen Geräten 48 kHz. Eine Podcast-Folge mit 44,1 kHz, auf so einem Rechner zugeschnitten, kommt also als 48-kHz-WAV heraus, vom Browser umgerechnet. Der Klang ist unversehrt; nur die Zahl im Dateikopf ist nicht mehr die vom Anfang.

Zusammenfügen: zwei Dateien, die nie füreinander gedacht waren

Zusammenfügen wirft ein Problem auf, das Schneiden nicht hat. Zwei Aufnahmen können sich in Abtastrate und Kanalzahl unterscheiden, und keiner der beiden Unterschiede überlebt in einer einzigen Datei — ein WAV-Kopf trägt eine Rate und eine Kanalzahl für das Ganze. Audio zusammenfügen löst das, indem es die höchste Rate unter den Dateien und die höchste Kanalzahl nimmt und dann alles umrechnet, was nicht schon passt, über ein Offline-Rendering, also den hochwertigen Resampler und Upmixer des Browsers selbst. Eine Mono-Sprachnotiz, an eine Stereoaufnahme gehängt, wird demnach auf zwei Kanäle hochgemischt; ein 22,05-kHz-Telefonclip an einem 48-kHz-Interview wird hochgerechnet.

Hochrechnen erfindet keine Details — eine 22,05-kHz-Aufnahme enthält nichts oberhalb von 11 kHz und wird auch nach der Umrechnung nichts enthalten — aber es macht die Dateien kompatibel, und darum geht es. Mono nach Stereo hochzumischen kopiert den einen Kanal in beide, das Ergebnis hat also die Form von Stereo, ohne nach Stereo zu klingen: die Stimme sitzt genau in der Mitte, während das Material daneben Breite hat. Dieser Kontrast an der Naht wird oft für ein Knacken gehalten, und er ist keines. Er ist ein Wechsel des Klangbilds, und keine Blende verdeckt ihn.

Die Naht selbst ist ein Stumpfstoß: auf die letzte Abtastung der einen Datei folgt unmittelbar die erste der nächsten, nichts dazwischen, nichts überlappt. Alles oben über einen einzelnen Schnitt Gesagte gilt hier doppelt, denn nun treffen zwei beliebige Zahlen aufeinander. Praktische Folge: die Arbeit liegt weiter oben. Schneide jedes Stück so zu, dass es bereits in Stille beginnt und endet, dann ist die Naht bauartbedingt still. Gib dem Zusammenfügen zwei Clips, die irgendwo geschnitten wurden, und du hörst die Stelle, an der sie sich treffen.

Verlustbehaftete Dateien werden dekodiert, bearbeitet und neu kodiert — und das verschiebt die Naht

Ein MP3 ist keine Liste von Abtastungen. Es ist eine Liste von Rahmen, von denen jeder einen Block von 1 152 Abtastungen im Frequenzbereich beschreibt — 26,12 Millisekunden bei 44,1 kHz, 24,00 bei 48 kHz. Nichts im Format erlaubt einen Schnitt innerhalb eines Rahmens, jeder Editor, der auf Abtastungen arbeitet, muss also zuerst alles dekodieren, und jeder Editor, der dir ein MP3 zurückgibt, muss neu kodieren. Diese zweite Kodierung ist eine zweite Verlustgeneration, angewandt auf Material, das schon eine hinter sich hat.

Es gibt eine feinere Folge, und sie ist der Grund, warum lückenlose Wiedergabe ein Jahrzehnt brauchte, um zu funktionieren. Kodierer setzen am Anfang des Stroms Stille davor, weil die verwendete Transformation Anlauf braucht, und diese Menge wird nirgends festgehalten, wo der Standard es vorsähe. Die Referenztabelle von Hydrogenaudio setzt die LAME-Verzögerung auf 576 Abtastungen — 13,06 Millisekunden bei 44,1 kHz — und hält fest, dass MP3 keinen standardisierten Weg bietet, Verzögerung oder Auffüllung für ein späteres Entfernen zu notieren. Ein MP3, das du schneidest und neu kodierst, deckt sich mit dem Original also nicht auf den Bruchteil eines Rahmens genau: es deckt sich versetzt um eine Verzögerung, die verschiedene Kodierer verschieden wählen.

Die Audiowerkzeuge dieser Seite umgehen die ganze Frage, indem sie dir ein WAV zurückgeben. Es wird nicht neu kodiert, also gibt es keine Generationsverluste und keine Kodiererverzögerung, über die nachzudenken wäre — die Abtastungen aus dem Dekoder sind die Abtastungen in deiner Datei. Das kostet Größe, und dieser Handel wird unten besprochen, aber fürs Bearbeiten ist es die richtige Richtung: das Zwischenergebnis unkomprimiert halten, einmal am Ende komprimieren und nie zweimal komprimieren, wenn es sich vermeiden lässt.

Warum der Clip ein WAV ist und was das kostet

Die Datei, die du zurückbekommst, ist lineares 16-Bit-PCM mit einem 44-Byte-Kopf. Bei 44,1 kHz in Stereo sind das 176 400 Byte pro Sekunde oder 1 411 kbit/s — eine Minute wiegt 10,09 MiB, drei Minuten wiegen 30,3 MiB. Gegen ein MP3 mit 128 kbit/s ist das WAV rund elfmal größer, gegen 320 kbit/s etwa viereinhalbmal. Mono halbiert alles: 88 200 Byte pro Sekunde, 706 kbit/s, 5,05 MiB pro Minute — deshalb ist eine hier zugeschnittene Sprachnotiz weit kleiner, als das Wort unkomprimiert befürchten lässt.

Brauchst du den Clip klein, ist die richtige Reihenfolge: zuerst schneiden, zuletzt konvertieren. Wandle das WAV einmal, am Ende, mit dem Audio-Konverter in MP3, M4A oder OGG — so findet die Komprimierung genau einmal statt, am Material, das du wirklich behalten willst, und nicht einmal an der Quelle und noch einmal am Schnitt. Der Clip ist außerdem bereit, in einen Videoschnitt oder einen Sampler gezogen zu werden, ohne dass einer von beiden etwas dekodieren müsste — deshalb überlebt WAV trotz seiner Größe als Austauschformat.

Häufige Fragen

Ich habe in einer Stille geschnitten und höre trotzdem ein Knacken. Was ist schiefgegangen?

Die Stille war keine. Was zwischen zwei Wörtern nach nichts klingt, ist meist Raumgeräusch — die Lüftung, die Straße, das Rauschen des Vorverstärkers — und kann bei einigen Prozent der Vollaussteuerung liegen, weit mehr als nötig für eine hörbare Stufe. Schlimmer noch: manche Aufnahmen tragen einen Gleichanteil, der ganze Wellenverlauf ist von der Null weg verschoben, sodass selbst die leiseste Passage einen konstanten Wert ungleich null hat und ein Schnitt an beliebiger Stelle eine Stufe in Höhe dieses Versatzes erzeugt. Überlebt das Knacken mehrere Versuche, die Grenze zu verschieben, verdächtige den Gleichanteil statt das Pech, und suche in deinem Editor einen Hochpass oder eine Funktion zum Entfernen des Gleichanteils. Zwei weitere Verdächtige gehören ausgeschlossen: das Knacken kann schon in der Quelle stecken, dann hat der Schnitt nur deine Aufmerksamkeit darauf gelenkt, und manche Abspieler setzen zwischen Dateiende und Stille ihre eigene Lücke, was identisch klingt und mit deinem Schnitt nichts zu tun hat.

Reicht ein Schnitt auf einem Nulldurchgang, oder brauche ich eine Blende?

Ein Nulldurchgang ist rund 25 dB wert, eine Fünf-Millisekunden-Blende rund 47 dB, beides gegen denselben harten Schnitt gemessen. Bei Sprache ist ein Nulldurchgang in einem ruhigen Moment meist unhörbar und völlig ausreichend. Bei einem gehaltenen lauten Ton, einer Basslinie oder allem mit starkem Tieftonanteil oft nicht: im Bass bewegt sich der Wellenverlauf schnell durch die Null, auch wenn er gerade auf null steht, und dieser Sprung in der Steigung ist es, den man weiter hört. Die Blende gewinnt, weil ihr egal ist, wo im Zyklus du bist. Sie hat auch einen Boden: jenseits von fünf Millisekunden kaufst du kaum noch etwas — zehn bringen nur 3 dB mehr — während du den Einsatz des Folgenden zu verlieren beginnst. Fünf Millisekunden ist genau deshalb die Voreinstellung der meisten Editoren.

Warum ist mein Clip ein WAV, das zehnmal größer ist als das MP3, das ich hineingegeben habe?

Weil dir ein MP3 zurückzugeben hieße, es ein zweites Mal zu kodieren. Abtastungen zu bearbeiten erfordert zuerst Dekodieren, und das Ergebnis neu zu kodieren komprimiert Material, das schon einmal komprimiert wurde — eine zweite Verlustgeneration über der ersten, bei jedem Zugriff auf die Datei. Ein unkomprimiertes WAV zu schreiben heißt dagegen, dass die Abtastungen in deinem Clip genau die sind, die der Dekoder erzeugt hat, und dass nichts, was du danach tust, einen hier gemachten Fehler erbt. Die Größe ist der ehrliche Preis: 1 411 kbit/s für 44,1 kHz in Stereo gegen 128 bis 320 bei einem üblichen MP3. Die Abhilfe heißt einmal komprimieren, ganz am Ende, mit dem Audio-Konverter — nicht bei jedem Schritt.

Meine Quelle hat 44,1 kHz, der Clip kam aber mit 48 kHz heraus. Ist etwas kaputt?

Es ist nichts kaputt. Dekodiert wird über die Web-Audio-Engine des Browsers, und die Web-Audio-Spezifikation sagt, der Dekoder resample das Audio auf die Abtastrate des Audiokontexts, sobald beide voneinander abweichen. Der Kontext übernimmt die Rate deiner Tonausgabe, auf den meisten heutigen Rechnern 48 kHz — eine 44,1-kHz-Quelle wird also beim Einlesen umgerechnet, und das WAV wird mit der herausgekommenen Rate geschrieben. Die Umrechnung erledigt der Resampler des Browsers und ist für jedes normale Hören transparent. Musst du unbedingt 44,1 kHz erhalten — für ein CD-Master oder um eine zusätzliche Wandlung in einer Kette zu vermeiden, die du nicht kontrollierst — schneide auf einem Rechner oder Ausgabegerät mit 44,1 kHz zu, oder wandle den Clip danach zurück und nimm hin, dass du dann zweimal resampelt hast.

Kann ich eine Mono-Sprachnotiz an eine Stereoaufnahme hängen?

Ja, und das Zusammenfügen erledigt das ohne Rückfrage: es nimmt die höchste Kanalzahl unter deinen Dateien und rechnet die übrigen hoch, sodass aus einer Mono-Datei zwei identische Kanäle werden und die Ausgabe durchgehend Stereo ist. Das Audio nimmt keinen Schaden. Was sich ändert, ist das Stereobild — der Mono-Abschnitt sitzt exakt in der Mitte, ganz ohne Breite, während das Stereomaterial ringsum das ganze Feld einnimmt, und der Übergang ist als plötzliches Zusammenschnurren hörbar. Stört dich das, liegt die Abhilfe nicht im Zusammenfügen. Wandle das ganze Gebilde nach Mono, damit alles zusammenpasst, oder nimm den fehlenden Abschnitt neu auf, oder akzeptiere es — was für einen Podcast oder eine Reihe Sprachnotizen die meisten vernünftigerweise tun. Prüfe dasselbe bei den Abtastraten: eine 22,05-kHz-Telefonaufnahme an ein 48-kHz-Interview zu hängen funktioniert, aber der Telefonteil klingt weiter nach Telefon, denn Hochrechnen fügt kein Detail hinzu, das nie aufgenommen wurde.