I Tested 6 Noise Reduction Tools on the Same Terrible Audio

# Ich habe 6 Werkzeuge zur Rauschunterdrückung an demselben schrecklichen Audio getestet

Dasselbe 60-Sekunden-Clip mit AC-Brummen, Tastaturklicks und Raumhall. 6 Werkzeuge. Ich habe die Verbesserung des SNR, die Einführung von Artefakten und die Verarbeitungszeit gemessen.

Ich habe das letzte Jahrzehnt damit verbracht, Audio zu bereinigen, das die meisten Leute sofort löschen würden. Gerichtsaufzeichnungen, bei denen der einzige Zeuge von der anderen Seite eines Lagers sprach. Podcast-Interviews, die in Cafés während der Hauptverkehrszeit aufgezeichnet wurden. Sprachmemos, die auf Telefonen in Jackentaschen während Sturmwetter aufgenommen wurden. Die Arbeit hat mich etwas gelehrt, das die meisten Audioingenieure nicht zugeben werden: teuer bedeutet nicht effektiv, und "sauber" ist oft ein Code für "den ganzen Charakter zusammen mit dem Lärm zerstört."

Letzten Monat schickte mir ein Podcaster eine Datei, die mich zusammenzucken ließ. Sie hatte ein Interview in ihrer Wohnung mit eingeschaltetem AC, ihrer mechanischen Tastatur in Reichweite und genug Raumhall aufgezeichnet, um es so klingen zu lassen, als ob sie aus einem Versandcontainer sendete. "Kannst du das retten?" fragte sie. "Das Interview war unglaublich, aber ich kann es so nicht veröffentlichen."

Ich hätte es durch meinen üblichen Workflow laufen lassen und es zurückschicken können. Stattdessen machte ich etwas anderes. Ich duplizierte diesen 60-Sekunden-Abschnitt sechs Mal und verarbeitete jeden durch ein anderes Rauschunterdrückungswerkzeug - vom kostenlosen Plugin, das ich seit Jahren benutze, bis zur $400-Software-Suite, die "forensische Wiederherstellung" verspricht. Dann maß ich alles.

Methodik: Wie ich diese Werkzeuge tatsächlich getestet habe

Die meisten Bewertungen von Audiowerkzeugen sind nutzlos. Jemand öffnet die Software, zieht eine Datei hinein, bewegt einige Regler, bis es "besser klingt", und erklärt einen Gewinner. Das ist kein Test. Das ist Raten mit teurer Ausrüstung.

Ich benötigte objektive Messungen, also begann ich mit den Eigenschaften der Quelldatei. Mithilfe eines Spektrumanalysators identifizierte ich drei verschiedene Rauscharten: ein 60Hz AC-Brummen mit Harmonischen bei 120Hz und 180Hz, transienten Tastaturklicks im Bereich von 2kHz bis 8kHz und Raumhall mit einer Nachhallzeit von etwa 0.8 Sekunden. Das ursprüngliche Signal-Rausch-Verhältnis lag bei 8.2 dB – technisch hörbare Sprache, aber ermüdend mehr als dreißig Sekunden zuzuhören.

Für jedes Werkzeug maß ich vier Kennzahlen. Die Verbesserung des Signal-Rausch-Verhältnisses sagte mir, wie viel sauberer das Audio numerisch wurde. Die Einführung von Artefakten zählte neue Probleme, die die Verarbeitung erzeugte – metallisches Klingeln, Unterwasser-Effekte oder diesen charakteristischen "verarbeiteten" Klang, der schreit "Ich habe versucht, das nachträglich zu beheben." Die Verarbeitungszeit war wichtig, denn wenn ein Werkzeug zwanzig Minuten benötigt, um sechzig Sekunden Audio zu verarbeiten, ist das für jeden, der unter Zeitdruck arbeitet, nicht praktikabel. Und die subjektive Qualität, denn Zahlen sagen dir nicht alles – ich ließ fünf Personen mit normalem Gehör und zwei mit professioneller Audioausbildung jede Version hören, ohne zu wissen, welches Werkzeug es bearbeitet hatte.

Die Testdatei selbst verdient eine Erklärung. Dies war kein synthetisches Rauschen, das zu sauberem Audio in einem Labor hinzugefügt wurde. Dies war Audio aus der realen Welt: eine Frau, die in normaler Gesprächslautstärke spricht, aufgezeichnet mit einem anständigen USB-Mikrofon (Audio-Technica AT2020), aber in der denkbar schlechtesten Umgebung. Die Klimaanlage war ein fensterseitiges Modell, das an und aus schaltete. Die Tastatur war eine Cherry MX Blue mechanische – speziell ausgewählt, weil sie der lauteste Typ von Schalter ist, der üblicherweise verwendet wird. Der Raum hatte die Maße 12x14 Fuß mit Holzböden, keine akustische Behandlung und parallele Wände, die stehende Wellen bei 40Hz und 80Hz erzeugten.

Ich verarbeitete jede Datei zuerst mit dem Standard-"Voice" oder "Dialogue"-Preset des Werkzeugs, dann machte ich einen zweiten Durchlauf mit manuellen Anpassungen, um das bestmögliche Ergebnis zu erzielen. Dieser Zwei-Durchlauf-Ansatz spiegelt wider, wie Menschen diese Werkzeuge tatsächlich verwenden - zuerst schnelles Preset, dann Feinabstimmung, falls nötig.

Bevor ich wusste, worauf ich hören sollte

Vor fünfzehn Jahren dachte ich, sauberes Audio bedeute lautloses Audio. Alles entfernen, was nicht die Stimme ist. So klingen lassen, als wäre es in einer Isolierkabine aufgenommen worden, selbst wenn es in einem Parkplatz aufgezeichnet wurde. Ich verbrachte Stunden mit frühen Rauschunterdrückungs-Plugins und drehte jeden Parameter auf Maximum, stolz darauf, wie viel ich entfernt hatte.

Dann wurde ich engagiert, um Audio für eine Dokumentation über einen 94-jährigen Holocaustüberlebenden zu bereinigen. Das Interview war in ihrer Wohnung aufgezeichnet worden – altes Gebäude, dünne Wände, Straßenlärm, der ständig durchdrang. Ich bearbeitete es mit meinem üblichen aggressiven Ansatz und schickte es an die Regisseurin.

Sie rief mich am nächsten Tag an. "Was ist mit ihrer Stimme passiert?" fragte sie. "Es klingt, als würde sie durch ein Telefon unter Wasser sprechen. Kannst du hören, wie es bei bestimmten Wörtern wabbelt?"

Ich hörte noch einmal hin. Sie hatte recht. In meinem Streben, das Hintergrundgeräusch zu beseitigen, hatte ich Artefakte eingeführt, die die Frau künstlich klingen ließen. Schlimmer noch, ich hatte einige der Raumatmosphäre entfernt, die Kontext dafür gab, wo sie sprach – ihrem Zuhause, dem Ort, an dem sie vierzig Jahre nach den Lagern lebte. Die klinische Sauberkeit, die ich geschaffen hatte, entfernte tatsächlich emotionale Informationen.

So lernte ich den Unterschied zwischen sauberem und totem Audio. Sauberes Audio hat einen Rauschboden, der niedrig genug ist, dass er vom Inhalt nicht ablenkt. Totales Audio wurde so aggressiv bearbeitet, dass es nicht mehr menschlich klingt. Jedes Rauschunterdrückungswerkzeug balanciert diese Linie unterschiedlich, und die meisten fallen auf die falsche Seite.

Das Interview mit der Überlebenden lehrte mich, auf das zu hören, was ich "den Atem-Test" nenne. Wenn jemand spricht, gibt es winzige Momente zwischen den Wörtern, in denen sie einatmen, in denen sich ihr Mund bewegt, in denen ihr Körper im physischen Raum existiert. Aggressive Rauschunterdrückung entfernt oft diese Mikrolauts sowie das Geräusch. Das Ergebnis ist technisch sauberer, aber emotional hohl - Sprache, die klingt, als würde sie aus einer Text-zu-Sprache-Engine stammen, und nicht von einem menschlichen Wesen.

Ich ging zurück zu diesem Interview und verarbeitete es mit einer sanfteren Berührung neu. Ja, man konnte immer noch etwas Straßenlärm hören. Ja, es war Raumatmosphäre vorhanden. Aber die Stimme der Frau klang wie ihre Stimme - warm, präsent, lebendig. Die Regisseurin weinte, als sie es hörte. "Das ist sie," sagte sie. "Das ist tatsächlich sie."

Testergebnisse: Die Zahlen erzählen die halbe Geschichte

Hier ist, was passierte, als ich dieses schreckliche Audio durch sechs verschiedene Rauschunterdrückungswerkzeuge laufen ließ:

Die Zahlen enthüllen etwas Interessantes: Das teuerste Werkzeug (iZotope RX 10) erzielte die höchste SNR-Verbesserung und die besten subjektiven Bewertungen, aber die Lücke zwischen ihm und Werkzeugen, die einen Bruchteil des Preises kosten, war kleiner, als man erwarten würde. Noch wichtiger ist, dass die zweithöchste subjektive Bewertung an Reapers integriertes ReaFIR ging – ein Werkzeug, das kostenlos mit einer $60 DAW erhältlich ist, die die meisten Audioleute bereits besitzen.

Adobe Podcast Enhance hat mich auf die schlimmste Weise überrascht. Trotz dass es kostenlos und extrem einfach zu bedienen ist (ziehen, ablegen, warten), führte es die offensichtlichsten Artefakte ein. Die KI-Verarbeitung ließ die Stimme so klingen, als wäre sie durch einen Vocoder gelaufen. Mehrere Zuhörer beschrieben es als "gruselig" oder "unheimliches Tal". Die SNR-Verbesserung war auf dem Papier solide, aber das subjektive Erlebnis war schlecht genug, dass ich es für nichts verwenden würde, was ich wollte, dass die Leute tatsächlich hören.

Krisp AI, stark für Echtzeit-Videoanrufe beworben, schnitt besser ab als Adobe, litt aber immer noch unter dieser charakteristischen "KI verarbeitet" Qualität. Es ist ausgezeichnet für Zoom-Meetings, in denen du jetzt Rauschunterdrückung benötigst und niemand kritisch zuhört, aber nicht für Inhalte, die du veröffentlichen möchtest.