Die Suche nach einer besseren Kompression

Die Audiokomprimierungstechnologie hat die Art und Weise, wie wir Musik, Podcasts und Streaming-Medien konsumieren, geprägt. Seit Jahrzehnten versuchen Ingenieure, die Dateigröße mit der Wahrnehmungsqualität in Einklang zu bringen. Die neuesten Fortschritte bei Audiocodierungsalgorithmen versprechen, bestehende Kompromisse zu durchbrechen und eine weitaus bessere Kompressionseffizienz ohne hörbare Verschlechterung zu liefern. Diese neuen Methoden nutzen maschinelles Lernen, verbesserte psychoakustische Modelle und adaptive Kodierung, um die Grenzen älterer Codecs wie MP3 und AAC zu überschreiten. Da hochauflösende Audio- und immersive Formate zum Mainstream werden, ist das Verständnis dieser Innovationen für Content-Ersteller, Streaming-Plattformen und Hardware-Hersteller gleichermaßen von entscheidender Bedeutung.

Audiocoding-Algorithmen verstehen

Audiocodierungsalgorithmen - oft als Codecs bezeichnet - sind Systeme, die digitale Audiosignale komprimieren, um die für die Speicherung oder Übertragung erforderliche Datenmenge zu reduzieren. Sie arbeiten unter Ausnutzung statistischer Redundanz und Wahrnehmungsunrelevanz. Die Kernschritte umfassen typischerweise eine Zeit-Frequenz-Transformation (z. B. MDCT), Quantisierung von Frequenzkoeffizienten, Anwendung eines psychoakustischen Modells zur Maskierung nicht hörbarer Komponenten und Entropiecodierung zur Entfernung statistischer Redundanz. Das Ergebnis ist ein kompakter Bitstrom, der in eine enge Annäherung an das ursprüngliche Signal zurück decodiert werden kann.

Verlustlose Codecs wie FLAC und ALAC bewahren jedes Bit der Originaldaten, erreichen aber nur bescheidene Kompressionsverhältnisse (normalerweise 40-50%). Verlustreiche Codecs wie MP3 und AAC erreichen viel höhere Verhältnisse (70-90%), indem sie Informationen verwerfen, die als perzeptuell unwichtig erachtet werden. Die Herausforderung besteht darin, die Kompression zu maximieren und gleichzeitig hörbare Artefakte zu minimieren - eine Herausforderung, die Algorithmen der nächsten Generation mit viel größerer Raffinesse angehen.

Wichtige Metriken: Kompressionsverhältnis und Wahrnehmungsqualität

Herkömmliche MP3 mit 128 kbps wird als für viele Zuhörer akzeptabel angesehen, aber audiophile Streaming-Dienste zielen jetzt auf 256-320 kbps mit AAC oder Opus ab. Codecs der nächsten Generation versprechen eine gleichwertige oder bessere Qualität mit 64 kbps oder noch niedriger, was für bandbreitenbeschränkte Umgebungen wie Mobilfunknetze oder Live-Broadcasting transformativ ist. Objektive Metriken wie PESQ, PEMO-Q und ViSQOL werden verwendet, um die subjektive Hörqualität vorherzusagen, aber diese Modelle werden ständig verfeinert, um der menschlichen Wahrnehmung zu entsprechen.

Grenzen traditioneller Algorithmen

Die Dominanz von MP3 und AAC in den letzten zwei Jahrzehnten war bemerkenswert, aber ihre Designs sind jetzt über 20 Jahre alt. MP3 (eingeführt 1993) verwendet ein relativ primitives psychoakustisches Modell und eine feste Transformationsblockgröße, was zu Artefakten wie Pre-Echo- und Hochfrequenz-Verschmierung bei niedrigen Bitraten führt. AAC (standardisiert 1997) verbesserte MP3 mit besserer spektraler Auflösung und verbesserter Stereocodierung, kämpft aber immer noch mit komplexen transientenreichen Inhalten wie Applaus oder Beckenabstürzen.

Noch kritischer ist, dass ältere Codecs für eine Stereo-Ausgabe mit einer festen Abtastrate (44,1 kHz) entwickelt wurden. Sie haben keine native Unterstützung für hochauflösendes Audio (96 kHz/24-Bit), mehrkanalige immersive Formate (5.1, 7.1, Object Audio) und skalierbare Bitratenmechanismen. Da die Erwartungen der Verbraucher steigen - angetrieben von verlustfreien Streaming-Ebenen, Dolby Atmos und hochauflösenden Downloads - werden traditionelle Algorithmen zu einem Engpass. Ihre festen Kodierungsstrategien können sich nicht dynamisch an die Komplexität des Inhalts anpassen, was entweder zu einer verschwendeten Bandbreite bei einfachen Passagen oder zu hörbaren Verzerrungen bei komplexen führt.

Schlüsselinnovationen bei Algorithmen der nächsten Generation

Neuere Durchbrüche bei der Audiocodierung kommen aus zwei Hauptrichtungen: der verbesserten Wahrnehmungsmodellierung und der Anwendung von Deep Learning. Diese Innovationen ermöglichen es Codecs, sich in Echtzeit an das Audiosignal anzupassen, Details dort zu bewahren, wo es am wichtigsten ist, und wirklich irrelevante Daten aggressiv zu verwerfen.

Machine Learning und neuronale Audiocodierung

Tiefe neuronale Netze haben völlig neue Ansätze zur Audiokomprimierung eröffnet. Neuronale Audio-Codecs wie Google Lyra (2021) und Meta Encodec (2022) verwenden eine auf riesigen Datensätzen trainierte Encoder-Decoder-Architektur, um kompakte latente Darstellungen von Audio zu lernen. Der Encoder komprimiert das Signal in einen Engpass mit niedriger Bitrate; Der Decoder rekonstruiert es mit einem generativen Modell, das fehlende Inhalte basierend auf gelernten Mustern vorhersagt.

Bei sehr niedrigen Bitraten (6-16 kbps) übertreffen diese neuronalen Codecs die herkömmlichen Codecs erheblich. Lyra beispielsweise erreicht eine Sprachqualität, die mit hochbitratigen Codecs mit nur 3 kbps vergleichbar ist. Encodec erweitert dies auf Musik und allgemeines Audio und unterstützt 1,5 kbps bis 24 kbps. Sie erfordern jedoch erhebliche Rechenressourcen für die Kodierung und Dekodierung, wodurch sie derzeit besser für serverseitige Kodierung oder High-End-Geräte geeignet sind.

Fortgeschrittene Wahrnehmungs- und psychoakustische Modelle

Ein besseres Verständnis der menschlichen auditiven Maskierung hat zu verfeinerten psychoakustischen Modellen geführt. Moderne Algorithmen wie xHE-AAC (Extended High-Efficiency AAC) enthalten Funktionen wie Spectral Band Replication (SBR) und Parametric Stereo (PS). SBR codiert die hohen Frequenzen als kompakte Parameter und nicht als Vollwellenformdaten, wodurch die reduzierte Empfindlichkeit des Ohrs gegenüber Hochfrequenzphase und zeitlicher Präzision ausgenutzt wird. Parametric Stereo verwendet einen ähnlichen Trick für Stereosignale und spart im Vergleich zu herkömmlichen Stereocodierungen etwa 30 % Bitrate.

Eine weitere Neuerung ist die Verwendung der Zeitfrequenzanalyse mit variabler Auflösung. Codecs der nächsten Generation können dynamisch transformierende Blockgrößen wählen: kurze Blöcke für Transienten (um Pre-Echo zu vermeiden) und lange Blöcke für Gleichtöne (um eine hohe Frequenzauflösung zu erreichen). Dieser adaptive Ansatz wird bereits im Opus (Hybrid-Modus) und im aufkommenden X-Storm-Codec von Fraunhofer eingesetzt.

Skalierbare und Embedded Coding

Skalierbarkeit bedeutet, dass ein einzelner Bitstrom mit mehreren Bitraten oder Qualitätsstufen dekodiert werden kann. So ermöglicht die MPEG-4-skalierbare Erweiterung von AAC einen Low-Bitrate-Core, der mit zusätzlichen Schichten erweitert werden kann. Systeme der nächsten Generation wie der MPEG-H 3D Audio-Codec betten skalierbare Profile für immersives Audio ein, wodurch ein Decoder einen Stereo-Downmix aus einem Mehrkanal-Bitstrom ohne erneute Kodierung extrahieren kann. Dies ist für adaptives Streaming (DASH, HLS) von entscheidender Bedeutung, wo die verfügbare Bandbreite schwankt. Die Fähigkeit, die Qualität ohne Artefakte reibungslos anzupassen, ist ein großer Vorteil gegenüber älteren Codecs.

Bemerkenswerte Next-Generation Codecs

Mehrere spezifische Codecs sind beispielhaft für die neue Generation der Audiokomprimierung, die jeweils auf unterschiedliche Anwendungsfälle abzielen, von der Kommunikation mit geringer Verzögerung bis hin zum hochauflösenden Musikstreaming.

Opus (IETF RFC 6716)

Opus ist ein lizenzfreier, hochgradig vielseitiger Codec, der eine lineare Vorhersage-basierte Sprachschicht (SILK) mit einer transform-basierten allgemeinen Audioschicht (CELT) kombiniert und automatisch inhaltsbasiert zwischen Modi wechselt. Opus liefert hervorragende Qualität im gesamten Bitratenbereich von 6 kbps (Schmalband-Sprache) bis 510 kbps (Vollband-Stereo), ist der De-facto-Standard für WebRTC und wird in VoIP, Live-Streaming und Podcasting weit verbreitet. Seine geringe Verzögerung macht es ideal für interaktive Anwendungen. Opus hat gezeigt, dass es MP3 und AAC bei gleichwertigen Bitraten in Blind-Hörtests übertrifft.

xHE‐AAC (ISO/IEC 23003‐3)

xHE‐AAC ist die neueste Entwicklung der von MPEG standardisierten AAC-Familie. Sie umfasst Enhanced Low‐Delay (ELD), SBR, PS und MPEG‐D Unified Speech and Audio Coding (USAC). xHE‐AAC erreicht eine transparente Qualität von 32–48 kbps für Stereomusik und bis zu 16 kbps für Sprache. Es unterstützt die Codierung von hochauflösendem Audio (bis zu 96 kHz) und wird in Streaming-Diensten, Digitalradio (DRM) und mobilem Fernsehen weit verbreitet eingesetzt. Seine Skalierbarkeit macht es zu einem starken Kandidaten für Broadcast-Systeme der nächsten Generation.

Neuronale Codecs: Lyra, Encodec und SoundStream

Googles Lyra verwendet ein generatives gegnerisches Netzwerk (GAN) zur Rekonstruktion von Signalen aus einer niedrigdimensionalen Einbettung. Es erreicht eine natürlich klingende Sprache bei 3 kbps, was für schlechte Netzwerkbedingungen revolutionär ist. Metas Encodec fügt eine hierarchische Struktur für Musik und allgemeines Audio hinzu, mit einem Restvektorquantisierer, der eine variable Bitrate (1,5-24 kbps) ermöglicht. SoundStream (Google, 2021) verwendet einen vollständig konvolutionalen Encoder-Decoder mit einer skalaren Quantisierung und einem GAN-basierten Diskriminator. Diese Codecs stehen immer noch vor Herausforderungen mit qualitativ hochwertiger Musikwiedergabe bei sehr niedrigen Bitraten, aber die Forschung schließt die Lücke weiter.

FLAC (Lossless) und seine Rolle

Obwohl verlustfrei bleibt FLAC für die Diskussion relevant, da eine effiziente verlustfreie Codierung den Bitratenunterschied zwischen verlustbehafteten und verlustfreien Codierungen reduziert. Moderne FLAC-Encoder verwenden eine verbesserte festlineare Vorhersage und eine effizientere Restcodierung (Reiscodierung mit adaptiven Partitionen). Während verlustbehaftete Codecs für die bandbreitenbeschränkte Bereitstellung unerlässlich sind, hat die wachsende Verfügbarkeit unbegrenzter Datenpläne und großer Speicher zu einem Wiederaufleben des verlustfreien Streamings geführt. Die verlustbehaftete Codecs der nächsten Generation müssen sich der Wahrnehmungsqualität von FLAC bei typischen Streaming-Bitraten (256-320 kbps) nähern, um Audiophile zufrieden zu stellen.

Vorteile und Auswirkungen von Next-Generation-Algorithmen

Die Übernahme dieser fortschrittlichen Codecs bringt greifbare Vorteile für das Audio-Ökosystem.

  • Höhere KompressionsverhältnisseOpus mit 64 kbps entspricht MP3 mit 128 kbps und halbiert damit den benötigten Speicher und die benötigte Bandbreite. xHE‐AAC mit 32 kbps bietet eine Qualität, die der älteren AAC mit 64 kbps ähnelt.
  • Verbesserte Soundqualität bei niedrigen BitratenNeuronale Codecs erweitern Sprach- und Musikqualität auf extrem niedrige Bitraten (unter 16 kbps), ermöglichen eine zuverlässige Kommunikation über schlechte Mobilfunkverbindungen und erweitern den Zugang in Entwicklungsregionen.
  • Geringere Verzögerung für Echtzeitanwendungen: Codecs wie Opus im Low-Delay-Modus (5 ms) ermöglichen Lip-Sync und interaktive Stimme ohne wahrnehmbare Latenz. Next-Generation-Codecs für VR- und Telepräsenzziel unter 10 ms End-to-End-Verzögerung.
  • Verbesserte User Experience: Adaptives Streaming mit skalierbaren Codecs bedeutet nahtlose Qualitätsänderungen und sofortiges Starten. Hörer leiden nicht mehr unter „Puffern oder plötzlichen Ausfällen, wenn sich die Netzwerkbedingungen ändern.
  • Unterstützung für immersive AudioCodecs wie MPEG‐H 3D Audio und Dolby AC‐4 handhaben effizient objektbasiertes Audio, sodass die Hörer ihre Erfahrung personalisieren können (z. B. Anpassung der Dialoglautstärke) und gleichzeitig Bitrate gegenüber herkömmlicher kanalbasierter Kodierung sparen.

Herausforderungen und laufende Arbeit

Trotz dieser Fortschritte stehen neue Codecs vor Hürden bei der Einführung. Die Unterstützung von Hardware und Betriebssystemen hinkt oft hinterher. Obwohl Opus seit 2012 standardisiert ist, fehlt es bei vielen Media Playern und Smart Speakern noch an nativer Decodierung. Lizenzprobleme erschweren auch die Bereitstellung - während Opus lizenzfrei ist, erfordert xHE-AAC eine Lizenzierung von Via Licensing, und neuronale Codec-Patente werden von großen Unternehmen gehalten.

Eine weitere Herausforderung sind die Rechenkosten neuronaler Codecs. Der Betrieb eines tiefen neuronalen Netzwerks für jeden Audio-Frame kann bei Geräten mit geringem Stromverbrauch unerschwinglich sein. Die Erforschung der Modellkompression, Quantisierung und Hardwarebeschleunigung ist im Gange. Darüber hinaus stimmen objektive Qualitätsmetriken nicht immer mit der subjektiven Präferenz überein, insbesondere bei generativen Machine-Learning-Modellen, die unnatürliche Artefakte (z. B. "Warbling" - oder "Metallic" -Sounds) einführen können. Zuhörer können diese Artefakte anders tolerieren als herkömmliche Quantisierungsgeräusche.

Die Zukunft der Audiokompression

Mit Blick auf die Zukunft wird die Audiokomprimierung noch adaptiver und inhaltsbewusster werden. Wir werden wahrscheinlich Codecs sehen, die dynamisch zwischen verschiedenen Kodierungsstrategien wählen - verlustfrei, perzeptuell verlustbehaftet oder neural generativ - basierend auf der Komplexität des Signals und dem Kontext des Hörers (z. B. Hintergrundrauschen). Die Integration von räumlicher Audiokodierung mit Head-Tracking und binauralem Rendering wird Standard werden, so dass Codecs dynamische Metadaten effizient verarbeiten müssen.

Objektbasiertes Audio, das bereits in Dolby Atmos verwendet wird, wird mithilfe von „Audio-Szenenbeschreibungssprachen komprimiert, die Objekte, Positionen und Rendering-Anweisungen anstelle von Wellenformen codieren. Dieser Ansatz kann die Bitrate für komplexe Szenen (z. B. einen Film mit vielen Soundeffekten) drastisch reduzieren, da statische Elemente einmal beschrieben werden, anstatt sich zu wiederholen.

Schließlich kann der Aufstieg der generativen KI schließlich zu einer "semantischen Audiokompression" führen - einer Textbeschreibung des Klangs und seiner Regeneration am Decoder. Dies könnte für sehr spezifische Signale (z. B. "ein Vogel, der im Morgengrauen im Wald singt") eine Bitrate von nahezu Null erreichen, bleibt aber aufgrund von Treue- und Latenzbeschränkungen eine entfernte Möglichkeit. Vorerst bieten Algorithmen der nächsten Generation erhebliche praktische Verbesserungen, die bereits in Verbrauchergeräte und Streaming-Plattformen integriert werden.

Für weitere Informationen zu spezifischen Technologien:

Da sich die digitale Audiolandschaft weiterentwickelt, werden Entwickler, Audioingenieure und Verbraucher durch den Informationsaustausch über diese Algorithmen in die Lage versetzt, bessere Entscheidungen zu treffen – sei es beim Aufbau eines Streaming-Dienstes, beim Entwerfen eines Kopfhörers oder beim einfachen Spielen von Musik unterwegs.