Gesang im Browser mixen: Woher die Zielwerte kommen

Ein Auto-Mix-Tool muss mit Zahlen antworten: wie laut die Stimme gegenüber der Musik liegt, welche Frequenzbänder der EQ anfassen soll, ob die Tonhöhe auf den Ton gezogen wird. Woher sollen diese Zielwerte kommen? Kurzfassung: Das Verhältnis von Gesang zu Musik bei MuziAI wurde an 144 Aufnahmen mit echten Stems gemessen, bei denen der Gesang im Median 2,2 LU unter der Musik liegt, und nicht an Songs, die die Website selbst erzeugt hat. Unser Prüfstand hat vier Bugs gefunden, bei denen die Hauptkennzahlen völlig plausibel aussahen. Und Auto-Tune hat, gemessen mit zwei unabhängigen Messgeräten, echte Kosten bei der Klarheit der Stimme, deshalb ist es standardmäßig aus.

Warum wir die Zielwerte nicht aus unseren eigenen Songs nehmen

Der bequeme Weg wäre gewesen, die Paare aus Beat und Gesang zu messen, die ohnehin schon auf dem Server liegen. Es sind 57, aber jedes davon ist ein KI-Song, den die Website erzeugt hat. Aufnahmen, die Nutzer zum Trennen hochladen, werden nach 24 Stunden gelöscht, die Zahl der von Menschen gemischten Paare ist also null. Diese 57 zu messen, hätte uns gesagt, wie die KI mischt, nicht wie Menschen mischen.

Deshalb haben wir einen öffentlichen Datensatz mit Mehrspuraufnahmen und getrennten Stems verwendet: 144 Songs, jeweils eine Vorschau von 7 Sekunden, bei denen Gesang und Begleitung tatsächlich getrennt aufgenommene Spuren sind und nicht das Ergebnis eines Trennverfahrens.

Die Zielwerte und welcher davon auf der Seite gilt

Zwei unabhängige Messgeräte stimmen überein (−2,2 und −2,25), der Median ist also belastbar. Er beschreibt aber einen westlichen Datensatz, der größtenteils aus Rock besteht. Die KI-Songs der Website legen den Gesang um 1,9 LU über die Musik, und der eine echte vietnamesische Song, den wir gemessen haben, kam auf +2,3 LU. Deshalb steht die Seite standardmäßig auf +2, mit einem Regler von ±4 und einer Markierung bei −2,2, damit du siehst, wo die andere Konvention liegt. Die Seite sagt auch offen, dass unsere vietnamesische Stichprobe ein einziger Song ist.

Der EQ folgt derselben Logik. Für jedes Oktavband ist der Bereich q1-q3 über die 144 Songs 4-5 dB breit. Das Tool korrigiert nur Bänder, die außerhalb dieses Bereichs liegen, und zieht sie nur an den Rand, nie auf den Median: Jede Stimme auf den Median zu zwingen, ist Färbung und löscht genau das, was eine Stimme unverwechselbar macht. Der Hall wird so lange angepasst, bis das Verhältnis von Seiten- zu Mittensignal −11,8 dB erreicht. Im reinen Beat-Modus macht das Tool absichtlich keinen automatischen EQ, weil sich Beats je nach Genre unterscheiden. Wenn du den Klang eines Beats formen willst, gib ihm einen Referenztrack: Das Oktavspektrum wird pro Durchgang zu 70 % angeglichen, in zwei Durchgängen, begrenzt auf ±4 dB, und die Lautheit wird nicht übernommen (sie bleibt bei −14 LUFS).

Vier Bugs aus dem Prüfstand, alle mit plausiblen Zahlen

Das Lautheits- und True-Peak-Messgerät des Tools stimmt bei 10 von 10 Dateien mit einem Standard-Referenztool überein, auf 0,05 genau. Eine Prüfung mit 42 Fällen an 21 Songs mit absichtlich beschädigtem Gesang besteht 42/42. Trotzdem hat der Prüfstand vor dem Start vier Bugs gefunden, die niemand an der Hauptergebnistabelle bemerkt hätte:

1. Der Limiter ließ in den ersten 5 ms eine Spitze von +15,3 dBFS durch. Der virtuelle Bereich vor dem ersten Sample wurde als 1 behandelt, was den gleitenden Mittelwert nach oben zog. Die Master-Schleife senkte die Obergrenze immer weiter und gab dann wieder Pegel hinzu, am Ende standen −20 LUFS und +1,2 dBTP.
2. Der Kompressor drückte den Gesang um etwa 30 dB zusammen, danach legte der Make-up-Gain +46 dB drauf. In einer Aufnahme mit durchgehendem Hintergrundrauschen lag „Rauschteppich + 12 dB“ über dem Gesang selbst, sodass kein Frame als stimmhaft zählte und die Schwelle auf −120 fiel. Die Ausgabe erreichte trotzdem −14 LUFS mit dem richtigen Verhältnis von Gesang zu Musik. Aufgedeckt hat es nur eine Prüfung, ob der Make-up-Gain ungefähr dem angerichteten Schaden entspricht. Die Schwelle liegt jetzt nie tiefer als die Spitze minus 10 dB.
3. Die Perzentilfunktion sortierte bei jedem Aufruf 10 Millionen Zahlen, und das Oktavspektrum filterte den ganzen Song viermal. Mit dünn besetzten Perzentilen, einer Analyse an 10 Abschnitten von je 3 Sekunden und einem einzigen Filterdurchgang über den Song sank die Verarbeitung von 30 Sekunden auf 9,5.
4. Die Uhr lieferte negative Zeit (−50 Sekunden) auf dem Testrechner. Jetzt nutzt sie die monotone Uhr des Browsers.

Die Lehre aus Bug 2: Ein Prüfstand, der nur fragt, ob die Ausgabe die richtige Lautheit hat, lässt einen Kompressor durch, der den Gesang ruiniert, weil die Master-Stufe das verdeckt. Nach den Korrekturen wird ein vierminütiger Song mit Backgroundgesang im Browser in 11,8 Sekunden verarbeitet.

Auto-Tune: zwei Messgeräte und der echte Preis

Das Auto-Tune des Tools verfolgt die Tonhöhe in Frames von 10 ms und verschiebt jede Schwingungsperiode des Gesangs in Richtung des Zieltons. Die Einstellung „leicht“ verschiebt die Mitte jedes Tons innerhalb von ±70 ms und lässt das Vibrato stehen; „stark“ zwingt jeden einzelnen Frame auf den Ton. Gemessen haben wir mit unserem eigenen Messgerät und mit einem unabhängigen Phonetik-Tool, an einer synthetischen Stimme mit bekannten Lösungen und an einer echten Stimme, die um +30 Cent verstimmt wurde:

Auto-Tune erfüllt seinen Zweck: Die echte Stimme geht auf dem unabhängigen Messgerät von etwa 30 Cent Abweichung auf etwa 12. Die letzten beiden Spalten zeigen den Preis. Der Jitter (die Schwankung der Länge von einer Schwingung zur nächsten, hörbar als Rauheit) steigt um etwa 0,2 Prozentpunkte, und die HNR (Verhältnis von Harmonischen zu Rauschen, höher heißt sauberer) sinkt um 0,5 bis 0,8 dB. Deshalb ist Auto-Tune standardmäßig aus, und die Seite erklärt, warum.

Der Auto-Tune-Prüfstand hat mit einem ganz einfachen Fall zwei weitere Bugs gefunden: Wenn nichts korrigiert werden muss, muss die Ausgabe gleich der Eingabe sein. Die Synthesemarken wurden beim Eintritt in einen stimmhaften Bereich nicht an den Analysemarken verankert, und der Syntheseschritt nutzte die geschätzte Tonhöhenperiode statt des tatsächlichen Abstands zwischen den Marken, sodass sich Fehler aufsummierten und ganze Passagen aus der Phase liefen. Vor der Korrektur lag die Übereinstimmung zwischen Ausgabe und Eingabe (SNR) bei nur −2,6 dB; danach bei 150 dB, also exakt gleich. Alle Fälle zur Tongenauigkeit hatten von Anfang an bestanden; erst der Identitätsfall hat diese Bugs sichtbar gemacht.

Grenzen und offene Fragen

• Unsere vietnamesische Stichprobe mit Stems ist ein Song (+2,3 LU). Der Standardwert +2 stützt sich auf diesen Song und die KI-Songs der Website, nicht auf eine große Messreihe.
• Der Datensatz mit 144 Songs besteht aus Vorschauen von 7 Sekunden und ist größtenteils Rock. Er ist ein guter Anhaltspunkt für die Balance zwischen Gesang und Musik, aber kein Ersatz für jedes Genre.
• Auto-Tune wurde an einer synthetischen Stimme und einer echten Stimme getestet; deine Stimme zahlt vielleicht einen anderen Preis.
• Im T-Pain-Modus wird die Tongenauigkeit an der gemessenen idealen Obergrenze (89 %) bewertet, und das Produkt erreicht 87 %; es gibt keine willkürlich festgelegte Schwelle von 90 %.
• KI-Gesang ist bereits sauber intoniert (8-9 Cent), deshalb ändert leichtes Auto-Tune an einem KI-Song kaum etwas.

Was das für deinen Song bedeutet

1. Starte mit dem Standardwert +2. Für eine westliche Pop- oder Rock-Balance schiebst du den Regler Richtung Markierung −2,2; um nah an dem echten vietnamesischen Song zu bleiben, den wir gemessen haben (+2,3), lass ihn bei etwa +2.
2. Vergleiche vorher und nachher bei derselben Lautheit von −14 LUFS. Die lautere Version klingt meist „besser“, ein Vergleich bei unterschiedlichem Pegel führt dich also in die Irre.
3. Lass Auto-Tune bei KI-generierten Songs aus. Der Gesang ist bereits sauber intoniert, und das Einschalten kostet nur Klarheit.
4. Bei deiner eigenen Aufnahme mit Intonationsproblemen probier zuerst „leicht“ und hör bei den langen Tönen genau hin. Hörst du Rauheit, ist das der oben gemessene Jitter-Preis.
5. Wenn ein Beat die Klangfarbe eines bestimmten Songs tragen soll, gib diesen Song als Referenz an, statt auf einen automatischen Beat-EQ zu hoffen.
6. Noch keinen Song zum Mixen? Erstelle einen auf der MuziAI-Startseite und nimm dann Gesang und Beat mit ins Auto-Mix-Tool.