Vor fast fünfzehn Jahren hörte ich zum ersten Mal von einer Erfindung, die mich seither nicht mehr losgelassen hat. Ihr Urheber, Jens Groh, den ich seit vielen Jahren kenne, arbeitete damals als DSP-Entwickler am Institut für Rundfunktechnik in München, dem gemeinsamen Forschungsinstitut der öffentlich-rechtlichen Sender. Was er dort entwickelt hatte, klang nach einem der seltenen Fälle, in denen jemand ein Grundlagenproblem der Tonaufnahme nicht umgeht, sondern löst: eine Summierung von Mikrofonsignalen, bei der die Kammfilter verschwinden.

Wer mit mehreren Mikrofonen dieselbe Quelle aufnimmt, kennt das Problem. Jedes Mikrofon hört die Quelle mit einer etwas anderen Laufzeit, und wenn man die Signale zusammenmischt, addieren sich manche Frequenzanteile und andere löschen sich aus. Das Ergebnis ist der Kammfiltereffekt: ein Frequenzgang wie ein Kamm, mal ein Loch bei 100 Hertz, mal eine Überhöhung bei 300, je nach Abstand, je nach Bewegung des Musikers, ständig in Veränderung. Tonmeister beschreiben das Resultat mit Worten wie „phasig“, „mulmig“, „verwaschen“. Die üblichen Gegenmittel sind Disziplin bei der Mikrofonierung, Delay-Ausgleich, Polaritätsraten und Reparatur-EQ, und keines davon löst das Problem, sie verschieben es nur.

Grohs Idee setzt tiefer an. Statt die Signale einfach zu addieren (spannungsrichtig, wie es jedes Mischpult tut), gleicht sein Verfahren die Summe pro Frequenzanteil laufend so aus, dass am Ausgang die Energie stimmt. Wo sich die Kanäle gerade auslöschen würden, wird angehoben, wo sie sich aufblähen würden, abgesenkt. Kein Delay-Abgleich, keine Phasenschieberei, die Korrektur folgt dem Signal. Das IRT hat das zwischen 2009 und 2017 in einer ganzen Familie von Patenten beschrieben, unter dem Namen Acoustic Summing wurde es 2010 auf der Tonmeistertagung des VDT vorgestellt, und es existierte ein lauffähiger Echtzeit-Prototyp mit eigener Hardware. Im Ankündigungstext dieses Vortrags steht auch, worum es dabei eigentlich geht, und es ist nicht das Reparaturargument:

„Um klangliche Beeinträchtigungen zu verhindern, musste sich die Mikrofonierung bisher immer nicht unerheblich an der Vermeidung dieses Effekts orientieren. Damit sind aber den Möglichkeiten der klanglichen Gestaltung enge Grenzen gesetzt.“

Das Versprechen ist also ein doppeltes: weniger Verfärbung, und vor allem die Freiheit, Mikrofone dort aufzustellen, wo man sie klanglich haben will, statt dort, wo die Interferenz es gerade erlaubt.

Und dann ist daraus: nichts geworden. Kein Produkt, kein Lizenznehmer, keine stille Übernahme durch einen der großen Hersteller. Diese Frage hat mich all die Jahre nicht losgelassen. Eine so elegante Lösung für ein so allgegenwärtiges Problem, und niemand greift zu?

 

Der erste Anlauf

Als das IRT abgewickelt wurde, um 2021, dachte ich: jetzt. Vielleicht ließen sich diese Patente günstig übernehmen, und dann könnte man endlich damit experimentieren. Es stellte sich als erstaunlich schwierig heraus, überhaupt jemanden zu finden, der für das Patentportfolio zuständig war. Ich habe Telefonate geführt, die nirgendwohin führten. Vor allem aber fehlte das Entscheidende: die praktische Umsetzung. Der Code von damals gehört dem IRT und wird bis heute nicht herausgegeben, und ohne lauffähige Implementierung ist eine Patentschrift für jemanden wie mich wenig wert. Damit war die Grundlage weg. Das Thema schlief ein.

 

Der zweite Anlauf

Wiedererweckt hat es ausgerechnet ein anderes Projekt. Bei CORPUS arbeiten wir seit langem mit agentischen KI-Systemen, die uns beim Engineering helfen, aber das spielte sich immer auf der Web-Ebene ab, bei Datenbanken, Pipelines, Interfaces. Signalverarbeitung auf DSP-Ebene hatte ich den Modellen, mehr aus Intuition als aus Erfahrung, schlicht nicht zugetraut. Das änderte sich radikal bei der Arbeit an unserer Qualitätskontrolle für den Musik-Upload, wo wir zusammen mit Claude Fable eine ganze Batterie von Audio-Detektoren bauten, für Clicks, Dropouts, Brummen, versteckte Formatwandlungen.

Zwei Dinge waren an dieser Arbeit besonders. Das erste ist die Arbeitsweise: Von Anfang an bauten wir automatisierte Evaluierungsschleifen, präparierte Testfälle und Messskripte, an denen der Agent sein eigenes Ergebnis überprüft, bevor er es mir als Erfolg meldet. Integriert wurde nur, was diese Gates überstand und sich danach in meinen eigenen Tests bewährte, aus denen die meisten Iterationsschleifen kamen. Das zweite ist die eigentliche Kunst des Fachs, die Fehlalarme, denn Musik ist voller Ereignisse, die aussehen wie Defekte. Ein Flamenco-Track brachte den Click-Detektor mit seinen Palmas, dem rhythmischen Klatschen, an seine Grenzen (die Lösung: ein akustischer Attack ist ein Energiesprung, ein Click nicht). Und als bei einem Elektronik-Track vier „bestätigte Clicks“ übrig blieben, die mich nervten, kam Claude auf eine Idee, die ich in der Pro-Audio-Technik so noch nie formuliert gesehen habe: die Wellenform des verdächtigen Klicks samplen und prüfen, ob dieselbe Form im Track musikalisch wiederkehrt.

Drei der vier Ereignisse waren identische 8-Millisekunden-Wellenformen, sechsundzwanzigmal wiederholt auf einem Tempo-Raster, also Sampler-Hits. Das Prinzip dahinter steht seither in unserem Versuchsprotokoll: Ein Medienschaden ist ein Unikat und wiederholt seine Wellenform nie; was wiederkehrt, ist per Konstruktion Musik. An anderer Stelle holte sich Claude ein Verfahren gleich aus der Bildforensik herüber, die Erkennung heimlicher Abtastraten-Wandlungen über die Periodizität des Interpolationsfehlers, ein Klassiker der Bildfälschungs-Detektion, auf Audio übertragen. Es funktionierte irrsinnig gut. Und es machte mir Lust auf mehr, denn plötzlich hatte jemand wie ich, Komponist mit technischem Interesse, aber ohne C++-Vergangenheit, ganz andere Möglichkeiten, Dinge zu bauen. Und ich will Dinge bauen.

Also ließ ich Claude die IRT-Patente recherchieren, alle dreizehn Familien, im Volltext. Die Frage war: Ist die Mathematik dort ausreichend beschrieben, um ohne die nie herausgegebene Originalimplementierung einen eigenen Prototyp zu bauen? Zusammen mit weiterem Material, das bei der Recherche auftauchte (darunter, das wurde später noch wichtig, eine Diplomarbeit von 2013), ergab sich eine belastbare Basis. Die Kernformel steht in den Patenten vollständig: Sollwert ist die Leistungssumme der Eingänge, dazu ein Kompensationsgrad D und ein Begrenzungsparameter L, der die maximale Korrektur deckelt. Mehrkanal geht über eine Kaskade von Zweier-Stufen.

Nebenbei klärte sich auch die Patentfrage, auf die verblüffendste Art: Die Registerrecherche ergab, dass das IRT in Liquidation die entscheidenden Schutzrechte hat verfallen lassen: Die deutschen und europäischen Mitglieder der relevanten Patentfamilien sind wegen Nichtzahlung der Jahresgebühren erloschen, in Europa ist das Verfahren frei. All die Telefonate von damals, und am Ende lautete die Antwort: Es gehört niemandem mehr, der es verteidigen will.

 

Zehn Tage im August

Am 15. August fing ich an, mit Claude einen Offline-Prototyp in Python zu bauen. Noch am selben Wochenende stand der erste Proof of Concept, und der erste synthetische Test hat mich elektrisiert: weißes Rauschen plus eine um 3,7 Millisekunden verzögerte Kopie, der Lehrbuch-Kammfilter. Die normale Summe zeigt eine Welligkeit von fast 30 dB von Berg zu Tal. Die korrigierte Summe: 0,2 dB. Der Kammfilter ist einfach weg.

Dann echte Musik: meine eigenen Drum-Sessions, ein Streichtrio, später eine Orchesteraufnahme mit 21 Spuren. Und hier begann die eigentliche Arbeit, denn die blockbasierte Korrektur erzeugt eigene Artefakte. Transienten verschmieren, weil die Korrektur schneller sein will als das Signal; auf gehaltenen Orchesterakkorden entsteht ein feines Flattern, das ich Warbling taufte. In schneller Folge entstanden Gegenmittel, und einige davon finde ich nach wie vor schön: ein Transientenschutz, der über eine Harmonisch-Perkussiv-Zerlegung nur die perkussiven Anteile aus der Korrektur herausnimmt, bin-weise statt breitbandig; eine Glättung, die nur dann eingreift, wenn kein Einschwinger ansteht. Jede Iteration wurde gehört, verglichen, protokolliert. v7, v8, v9. Es fühlte sich an wie stetiger Fortschritt: Die Artefakte wurden leiser, die Renderings wurden angenehmer.

Was ich dabei nicht bemerkte: Mit den Artefakten wurde auch die Wirkung leiser. Die Glättungs- und Schutz-Iterationen bügelten genau das weg, was das Verfahren eigentlich tun sollte. Eine spätere Messung brachte es auf den Punkt: Der Transientenschutz drückte das Auffüllen an der Bassdrum weg, während die Absenkungen stehen blieben, netto blieb an der kritischen Stelle ein tieferes Loch als ganz ohne Korrektur. Aber so weit war ich noch nicht. Ich hörte Verbesserungen, weil ich Verbesserungen erwartete.

 

Das Plugin

Parallel zur Klangarbeit entstand aus dem Python-Prototyp ein echtes VST3-Plugin, mit JUCE und CMake. Die Arbeitsweise aus der Qualitätskontrolle übernahm ich dabei eins zu eins: Auch hier entstanden von Anfang an automatisierte Evaluierungsschleifen, Nulltests, in denen das Plugin beweisen muss, dass es bis auf Rundungsrauschen dasselbe rechnet wie der Python-Prototyp, und eine skriptgesteuerte Reaper-Abnahme, die nach jeder Änderung die komplette Kette durchmisst. Der Agent baut nicht nur, er misst sich selbst nach. Die Architektur ist dabei ungewöhnlicher als bei einem normalen Effekt: Eine decomb-Instanz sitzt auf jeder Mikrofonspur, die Instanzen finden sich über eine Gruppen-Logik, eine davon wird automatisch zum Leader, rechnet die Kaskade über alle Spuren und verteilt die Korrekturfaktoren zurück; jede Instanz wendet ihren Anteil selbst an, und die ganz normale Summe der DAW ergibt dann die kammfilterfreie Mischung. Kein Routing-Umbau, kein Summen-Bus, das Mischpult bleibt, wie es ist.

Auf dem Weg dahin gab es Detektivarbeit, wie sie wohl jedes Audio-Plugin-Projekt kennt, nur dass sie hier im Dialog mit einer KI stattfand: die Erkenntnis, dass Reaper beim Offline-Bounce Geschwisterspuren um viele Blöcke gegeneinander versetzt verarbeitet, was die Latenzreserve diktiert; ein Scheduling-Rätsel, bei dem die Engine auf einem 16-Kern-Laptop scheinbar zwanzigmal langsamer lief als im Studio, bis sich herausstellte, dass Reapers vorauseilende Effektberechnung alle Kerne belegte und die Rechenthreads des Plugins schlicht verhungerten (die Lösung: die eigenen Threads in dieselbe Windows-Scheduling-Klasse heben wie die Audio-Threads des Hosts); handgenerierte Median-Netzwerke in AVX2, die die teuerste Teilrechnung um Faktor zehn beschleunigten.

Mein Lieblingsfund ist aber ein anderer, und er stammt aus genau diesen Evaluierungsschleifen: Bei einer Zwischenmessung meldete Claude triumphierend 92 Prozent Engine-Anteil im Live-Playback. Erst eine spätere Korrektur am eigenen Messskript deckte auf, dass der Abspielcursor der Testsession am Projektende gestanden hatte; vermessen worden waren vierzig Sekunden Stille hinter dem Projekt, und auf Stille ist der Algorithmus spottbillig. Claude hat den Fehler selbst gefunden, selbst einkassiert und die Zahl zurückgezogen. Auch Messen ist ein Vorgang, bei dem man findet, was man finden will; das gilt für Agenten genauso wie für Menschen, und es ist derselbe Mechanismus, der mir kurz darauf beim Hören begegnen sollte.

Das Plugin funktioniert heute hervorragend: nulltest-sauber gegen die Offline-Referenz bis unter minus 120 dB, ein Orchester mit 21 Spuren läuft auf einem Laptop in Echtzeit mit reichlich Luft, dazu eine Live-Visualisierung, die die Interferenz in der Summe als Karte zeigt, rot für Auslöschung, blau für Aufbau.

 

Und hier muss ich den für mich eigentlich erstaunlichsten Satz dieses Textes aufschreiben: Dieses Plugin ist, im jetzigen Stand, in vier Arbeitstagen entstanden. Der komplette Weg von der ersten Python-Zeile bis zum blind getesteten Plugin: zehn Kalendertage, von denen laut Versuchsprotokoll sieben überhaupt Arbeitstage waren, einer davon reine Patentrecherche. Ich bin überzeugt, dass jeder dieser Tage in der alten Welt für mindestens einen Entwicklermonat steht, und ich glaube nicht, dass ich damit übertreibe. Knapp 12.000 Zeilen Code sind in diesen Tagen entstanden, gut 5.900 davon im C++-Plugin, und ich kenne keine einzige davon: Ich habe in der gesamten Zeit kein einziges Mal in den Code geschaut. Das ist keine marginale Verbesserung der Engineering-Produktivität. Das ist eine andere Welt.

 

Die Ernüchterung

Je länger ich hörte, desto leiser wurde eine Ahnung, die ich zunächst überhörte. Die v9-Demos, die ich an befreundete Tonmeister verschickte, klangen gut, aber die Unterschiede zur normalen Summe schienen mir kleiner zu werden, je öfter ich verglich. Also baute ich mir, was ich von Anfang an hätte bauen sollen: einen Doppelblindtest. Ein Skript erzeugte die komplette Hörtest-Chronologie des Projekts als ABX-Paare, samplegenau ausgerichtet, pegelangeglichen, dreißig Paare vom allerersten Rauschtest bis zum aktuellen Stand, abgehört mit dem ABX-Comparator in foobar2000.

Das Rauschen: acht von acht richtig; durch bloßes Raten gelingt das mit einer Chance von eins zu 256. Die Testkette funktioniert, mein Gehör auch.

Die Musik: Zufallsniveau. Die Kaskade auf den Drums, deren Überlegenheit ich eine Woche vorher sighted „klar“ gehört hatte („mehr Grundton in Snare und Bassdrum, plain klingt pappig“, steht im Protokoll): fünf von acht. Die aggressivste Verfahrensstufe auf dem gutmütigsten Material, Streichtrio: fünf von acht. Sogar das Warbling, das Artefakt, dessentwegen ich eine ganze Gegenmaßnahmen-Generation hatte bauen lassen, hielt dem Blindtest an dieser Stelle nicht stand. Das einzige, was zunächst blind bestand, war ausgerechnet der Schaden des Maximaleingriffs: Bei ganz aufgedrehter Korrektur wird die Bassdrum hörbar weich und schlabberig, acht von acht, erkannt als Artefakt, nicht als Nutzen.

Das war der schmerzhafte Moment. Und im Rückblick sehe ich genau, wie ich mich dorthin manövriert hatte: Das Rauschbeispiel war so spektakulär eindeutig, dass es meine Erwartung für alles Weitere setzte. Wenn der Effekt im Lehrbuchfall so dramatisch ist, muss er doch auch bei Musik da sein. Also hörte ich ihn. Ich arbeite seit Jahrzehnten mit Ohren, ich weiß, dass Hören ein subjektiver Vorgang ist, ich habe die Erfahrung „wer etwas hören will, hört es auch“ in meiner Laufbahn wieder und wieder gemacht, bei mir und bei anderen. Es hat mich trotzdem erwischt. Genau dafür gibt es Doppelblindtests, und die Erinnerung daran ist vielleicht der nützlichste Ertrag dieses Projekts.

Die Geschichte hat übrigens ein konstruktives Nachspiel, denn der Blindtest zeigte nicht nur, was fehlte, sondern auch, wohin es geht. Als ich alle Schutzmechanismen wieder ausbauen ließ und das Verfahren pur fuhr, mit einer Begrenzung nahe an dem Wert, den Groh selbst in einem der Patente als Abstimmregel beschreibt (die Korrektur so stark, dass gerade eben keine Nebengeräusche mehr hörbar sind), kam erstmals ein eindeutiges Musik-Ergebnis: acht von acht auf dem Streichtrio. Die Euphorie hielt einen Abend, dann stellte sich heraus, dass die halbe Wirkung ein Artefakt war, eine künstliche Stereo-Verbreiterung, weil die Korrektur links und rechts unabhängig rechnete. Nach der Verkopplung der Kanäle blieb ein kleiner, aber reproduzierbarer Rest: sieben von acht an der vorher benannten Stelle (durch Raten schafft man das nur in gut drei von hundert Versuchen), beschrieben als „normaler Mix gefasster, Groh-Mix breiter und weiter“, messbar als 2,6 dB mehr Seitenanteil in der ersten Zehn-Sekunden-Passage. Das ist der ehrliche Stand: Der Effekt existiert, er ist angenehm, ich bevorzuge ihn im direkten Vergleich. Und er ist klein.

 

2013 wusste es schon jemand

Und dann fügte sich das letzte Stück ein. In der Recherche war eine Diplomarbeit von Julian Klapp (FH Düsseldorf, 2013) aufgetaucht, der das IRT-Verfahren damals mit vier Berufstonmeistern der Bauer Studios an acht Aufnahmesituationen untersucht hat, der bis heute einzige externe Hörbefund zu dieser Erfindung. Beim ersten Lesen, noch in der Euphoriephase, hatte ich vor allem die Bestätigungen gesehen: „transparenter“, „aufgeräumter“, „stabiler lokalisierbar“. Nach der ABX-Serie las ich die Arbeit noch einmal, und jetzt sprangen mir andere Stellen ins Auge. Bei den mehrfach mikrofonierten Einzelinstrumenten, also genau der Materialklasse, die ich getestet hatte, ziehen sich Klein-Effekt-Aussagen durch die Interviews: Unterschiede „so gering“, dass ein Experte „bei wiederholtem Male“ zu keinem „konsistenten Ergebnis“ kommt; ein anderer findet, „die Anstrengung“, einen Unterschied zu hören, sei „zu groß“. Das sind, in der höflichen Sprache qualitativer Interviews, dieselben fünf von acht wie bei mir.

Die großen Effekte der Arbeit („phasig“, „doppelt“, bis hin zu „kaputt“) liegen fast ausschließlich in einer anderen Klasse: Gesang mit Laufzeit-Hauptsystem und beweglichem Solisten, also klassische Haupt-plus-Stütze-Situationen. Die habe ich noch gar nicht getestet; das entsprechende Material fehlt mir bisher, und dieses Experiment steht als nächstes an, diesmal von Anfang an blind.

Vor allem aber beantwortet sich die Frage, mit der dieser Text angefangen hat, jetzt fast von selbst. Warum hat dieses Patent nie einen Lizenznehmer gefunden? Vermutlich schlicht deshalb, weil die hörbare Wirkung auf dem meisten Material zu klein ist, um ein Produkt zu tragen. Dazu kommt ein Timing-Problem: Als Zielumgebung nennt der Ankündigungstext von 2010 ausdrücklich Mischpulte, also eine Produktwelt, die im Musikbereich genau in jenen Jahren von der DAW abgelöst wurde. Und dort, wo nach Lage der Dinge am meisten zu holen wäre, bei vielen offenen Mikrofonen auf einer Bühne, bei Lavalier-Summen in Theater, Oper und Fernsehen, handelt es sich meistens um Live-Anwendungen, und das Verfahren braucht bauartbedingt rund 80 Millisekunden Latenz; die aktuelle Implementierung meldet wegen einer Sicherheitsreserve für den Renderbetrieb sogar noch deutlich mehr. Für die Postproduktion weniger relevant, für live disqualifizierend, denn dort rechnet man in einstelligen Millisekunden. Es gibt also konzeptuelle Hürden genau an der Stelle, an der der Nutzen säße.

 

Was bleibt

Dies ist ein Zwischenstand, kein Schlussstrich. Das Gesang-Experiment steht aus, ein paar Ideen zur Latenz auch, und aufgeben werde ich nicht, dafür macht mir das Ganze zu viel Freude. Aber es kann gut sein, dass die kammfilterfreie Summierung am Ende das bleibt, was sie vermutlich immer war: eine Erfindung, die ihr Problem sucht. Die Technikgeschichte ist voll von diesem Typus, und nicht der schlechteste Ausgang wäre, dass sie ihr Problem eines Tages doch noch findet, vielleicht in einer Nische, an die 2009 in München niemand dachte.

Für mich selbst nehme ich zwei Dinge mit, und sie sind größer als das Plugin. Das erste: Die neuen agentischen KI-Systeme sind für jemanden wie mich eine Ermächtigung, für die mir noch das passende Wort fehlt. Ich bin neugierig, in der Breite belesen, ich sehe Zusammenhänge, wo welche sein könnten, ich habe Praxisbezug und einen Qualitätsanspruch, ich kann beurteilen, ob etwas gut ist, und analytisch die Konsequenzen ziehen. Was mir immer fehlte, war die Kapazität, jede dieser Ideen auch handwerklich auszuführen. Genau diese Lücke schließt sich gerade. Ein Verfahren, das fünfzehn Jahre als Faszination in meinem Kopf lag, unerreichbar hinter Patenten, unzugänglichem Code und fehlender Entwicklerzeit, steht jetzt nach zehn Tagen als getestetes, dokumentiertes, ehrlich vermessenes Stück Software da, inklusive der Erkenntnis, dass es weniger kann als erhofft. Auch das ist ein Ergebnis, und zwar eines, das vorher schlicht unbezahlbar gewesen wäre.

Das zweite ist älter als jede KI: Das Gehör ist kein Messgerät, es ist ein Erwartungsverstärker. Zwischen dem Rauschtest, der mich elektrisierte, und den fünf von acht auf den Drums liegt keine technische Erkenntnis, sondern eine über mich. Doppelblindtests sind keine Formalie für Wissenschaftler, sie sind das einzige Werkzeug, das den Enthusiasmus eines Erfinders übersteht. Beim nächsten Mal fange ich mit ihnen an.