Wie aus Schall Zahlen werden
Ein Mikrofon wandelt Schall in eine elektrische Spannung, die sich laufend ändert. Um daraus Daten zu machen, misst ein Wandler diese Spannung in festen, sehr kurzen Abständen und speichert jeden Messwert als Zahl. Wie viele solcher Messungen pro Sekunde stattfinden, ist die Abtastrate. Wie genau jeder einzelne Wert gespeichert wird, legt eine zweite Größe fest, die Bittiefe – typischerweise 16 oder 24 Bit.
Man kann sich das wie ein Daumenkino vorstellen: Die Abtastrate ist die Zahl der Bilder pro Sekunde, die Bittiefe die Schärfe jedes Bildes. Beides zusammen, mal der Zahl der Kanäle, ergibt die Datenmenge einer unkomprimierten Aufnahme – mehr dazu unter Bitrate.
Die halbe Abtastrate ist die Obergrenze
Das Abtasttheorem nach Nyquist und Shannon besagt: Eine Frequenz lässt sich nur dann korrekt erfassen, wenn mehr als doppelt so oft abgetastet wird. Die höchste Tonhöhe, die eine Aufnahme enthalten kann, liegt also unter der halben Abtastrate. Bei 16 kHz sind das knapp 8 kHz, bei 48 kHz knapp 24 kHz.
Frequenzen oberhalb dieser Grenze würden nicht einfach fehlen, sondern als falsche, tiefere Töne in der Aufnahme auftauchen. Dieser Effekt heißt Aliasing. Wandler filtern deshalb vor dem Abtasten alles heraus, was zu hoch ist.
Übliche Abtastraten
Welche Abtastrate sinnvoll ist, hängt davon ab, was aufgenommen wird. Sprache braucht weniger als Musik:
| Abtastrate | Obere Grenze | Typischer Einsatz |
|---|---|---|
| 8 kHz | knapp 4 kHz | klassisches Telefonnetz – verständlich, aber dumpf |
| 16 kHz | knapp 8 kHz | Breitband-Sprache, Internettelefonie, viele Spracherkennungssysteme |
| 44,1 kHz | gut 22 kHz | Audio-CD, Musik |
| 48 kHz | knapp 24 kHz | Video, Rundfunk, Standard vieler Computer und Headsets |
| 96 kHz und mehr | entsprechend höher | Studioproduktion mit viel Bearbeitungsspielraum |
Das menschliche Gehör reicht bei jungen Menschen bis etwa 20 kHz. Deshalb decken 44,1 und 48 kHz den hörbaren Bereich ab. Für die Verständlichkeit von Sprache sind die oberen Frequenzen weniger wichtig – Konsonanten wie „s“, „f“ und „sch“ profitieren aber deutlich davon, dass mehr als Telefonbandbreite zur Verfügung steht.
Abtastrate und Spracherkennung
Viele Spracherkennungssysteme verarbeiten Sprache intern mit 16 kHz. Eine Aufnahme mit 48 kHz wird dann vor der Erkennung heruntergerechnet, das schadet nicht. Umgekehrt funktioniert es nicht: Ein Telefonmitschnitt mit 8 kHz wird durch Hochrechnen auf 48 kHz nicht besser, die fehlenden Höhen kommen nicht zurück. Deshalb sind Aufnahmen aus dem klassischen Telefonnetz für die Spracherkennung schwieriger als Internetcalls.
Ein typischer Praxisfehler: Mikrofon, Betriebssystem und Aufnahmeprogramm arbeiten mit unterschiedlichen Abtastraten, etwa 44,1 und 48 kHz. Meist rechnet das System sauber um. Wenn nicht, klingt die Aufnahme verzerrt, zu hoch oder zu tief, oder Bild und Ton laufen bei langen Aufnahmen auseinander. Ein Blick in die Audioeinstellungen des Betriebssystems löst das meistens.
8 kHz: Herr Wimmer klingt wie am alten Festnetztelefon. „Fünf“ und „elf“ sind schwer zu unterscheiden, weil die Zischlaute fehlen.
16 kHz: Deutlich klarer, Zischlaute sind hörbar – für Spracherkennung gut geeignet.
48 kHz: Hörbar voller und offener, für die Erkennung des Inhalts aber kaum ein Unterschied zu 16 kHz.
Dieser Eintrag dient der allgemeinen Information und ersetzt keine individuelle Beratung.