Startseite › Audio & Video › Geräusche erkennen

Geräusche erkennen

Du weißt nicht, was das für ein Geräusch ist? Lass das Mikrofon zuhören oder öffne eine Aufnahme, und ein KI-Modell auf deinem Gerät benennt die Geräusche, die es hört, von bellenden Hunden und Sirenen bis zu Sprache, Musik und einzelnen Instrumenten, mit Konfidenzwert und Zeitleiste.

Zuletzt aktualisiert:

Das KI-Modell (YAMNet, etwa 15 MB) wird beim Start geladen. Audio verlässt nie dein Gerät.
Das Spektrogramm erscheint, wenn du mit dem Zuhören beginnst

Gerade zu hören

    Erkannte Geräusche

      Geräusche, die die Schwelle überschreiten, werden hier mit dem Zeitpunkt aufgeführt, zu dem sie gehört wurden.

      Es erkennt unter anderem: SpracheLachenBabyweinenHundebellenKatzenmiauenVogelgesangHahnSireneAutohupeZugFlugzeugTürklingelRauchmelderKlavierGitarreSchlagzeugGeigeGesangRegenDonnerWasserhahnTippenApplausPfeifen
      Anzeige
      Anzeige

      Anleitung: Geräusche erkennen

      1. Wähle eine Quelle: „Mikrofon (live)“, um Geräusche um dich herum zu erkennen, oder „Audio- oder Videodatei“ für eine Aufnahme.
      2. Tippe auf „Zuhören starten“ und erlaube das Mikrofon. Das Modell wird einmal heruntergeladen (etwa 15 MB) und läuft dann offline auf der Seite.
      3. Lies die Liste „Gerade zu hören“: die fünf wahrscheinlichsten Geräusche mit ihrer Konfidenz. Geräusche über der Schwelle werden dem Protokoll „Erkannte Geräusche“ hinzugefügt.
      4. Für eine Datei wählst du sie aus oder ziehst sie hinein (oder tippst auf „Demo-Geräusch analysieren“). Zeitleiste und Tabelle zeigen, welche Geräusche wann vorkommen.
      5. Klicke auf die Zeitleiste oder eine Tabellenzeile, um diesen Moment abzuspielen, und lade die Ergebnisse bei Bedarf als CSV herunter.

      So erkennt die KI ein Geräusch

      1. Umrechnen. Das Audio wird zu Mono gemischt und auf 16,000 Samples pro Sekunde umgerechnet, die Rate, mit der das Modell trainiert wurde.
      2. Spektrogramm. YAMNet berechnet eine Kurzzeit-Fourier-Transformation mit 25-ms-Fenstern alle 10 ms und fasst die Frequenzen von 125 Hz bis 7,500 Hz in 64 Mel-Bänder zusammen, eine Skala, die dem menschlichen Hören ähnelt.
      3. Ausschnitte. 96 aufeinanderfolgende Spektrogramm-Frames (0.96 Sekunden) bilden einen Ausschnitt. Alle 0.48 Sekunden beginnt ein neuer Ausschnitt, sodass sich die Ausschnitte zur Hälfte überlappen.
      4. Klassifizierung. Ein Faltungsnetz im MobileNet-Stil mit etwa 3.7 Millionen Gewichten bewertet jeden Ausschnitt gegen 521 AudioSet-Klassen. Eine Sigmoid-Ausgabe gibt jeder Klasse einen eigenen Wert von 0 bis 1.

      Diese Seite zeigt die Klassen mit den höchsten Werten für jeden Ausschnitt, fasst aufeinanderfolgende Ausschnitte mit demselben Top-Geräusch zu einem Eintrag zusammen und gibt den Spitzenwert an.

      Die Konfidenzwerte lesen

      WertWas er meist bedeutet
      Über 70%Ein klares, typisches Beispiel des Geräuschs. Sehr wahrscheinlich richtig.
      40% bis 70%Wahrscheinlich richtig oder ein enger Verwandter (zum Beispiel Bellen statt Hund).
      20% bis 40%Eine plausible Vermutung. Prüfe die nächsten Labels und hör noch einmal hin.
      Unter 20%Schwache Übereinstimmung: Das Geräusch ist leise, mit anderen vermischt oder von den Klassen nicht gut abgedeckt.

      Die Labels sind hierarchisch organisiert, daher erscheinen allgemeine und spezifische Labels oft zusammen: Tier, Haustiere und Hund können bei einem einzigen Bellen alle hohe Werte haben. Das spezifischste Label mit einem hohen Wert ist meist das aussagekräftigste.

      Tipps für bessere Ergebnisse

      • Geh näher an die Quelle heran und halte das Handy oder Mikrofon ruhig, um Griffgeräusche zu verringern.
      • Nimm mindestens zwei oder drei Sekunden des Geräuschs auf; sehr kurze Klicks können zwischen die Analysefenster fallen.
      • Schalte die Rauschunterdrückung in Konferenz-Apps aus, die das Mikrofon mitbenutzen, da sie Nicht-Sprachgeräusche entfernt.
      • Nutze bei langen Aufnahmen die Zeitleiste, um die Momente zu finden, in denen das gesuchte Geräusch vorkommt, und klicke dann zum Anhören.
      • Erhöhe an lauten Orten die Protokollierungsschwelle, damit nur sichere Erkennungen aufgeführt werden.

      Anwendungsbeispiele

      • Finde heraus, ob dein Hund gebellt hat, während du weg warst, indem du eine Aufnahme analysierst.
      • Prüfe, was ein rätselhaftes Geräusch im Haus oder Auto wahrscheinlich ist.
      • Finde Applaus, Lachen oder Musikabschnitte in der Tonspur eines langen Videos.
      • Bring Kindern Geräusche von Tieren, Instrumenten und Fahrzeugen bei.
      • Versieh Feldaufnahmen und Soundeffekt-Bibliotheken mit ersten Labels.

      Häufige Fragen

      Wie funktioniert die Geräuscherkennung?

      Sie verwendet YAMNet, ein von Google veröffentlichtes neuronales Netz, das mit der AudioSet-Sammlung beschrifteter 10-Sekunden-Clips trainiert wurde. Das Audio wird auf 16 kHz Mono umgerechnet, in ein Log-Mel-Spektrogramm mit 64 Bändern umgewandelt und in Fenstern von 0.96 Sekunden bewertet, die alle 0.48 Sekunden weiterrücken. Jedes Fenster erhält für jede der 521 Geräuschklassen einen Wert zwischen 0 und 1.

      Wird mein Audio hochgeladen?

      Nein. Die Modelldateien werden einmal vom Model Hub von Google heruntergeladen, danach läuft die Analyse mit TensorFlow.js in deinem Browser. Mikrofonaudio und Dateien, die du öffnest, verlassen nie dein Gerät.

      Welche Geräusche kann es erkennen?

      Die 521 Klassen umfassen menschliche Geräusche (Sprache, Lachen, Husten, Schnarchen, ein weinendes Baby), Tiere (Hunde, Katzen, Vögel, Hähne, Insekten), Fahrzeuge und Alarme (Autos, Züge, Flugzeuge, Sirenen, Rauchmelder), Haushaltsgeräusche, Natur (Regen, Wind, Donner) und Musik, einschließlich Genres und einzelner Instrumente wie Klavier, Gitarre, Schlagzeug und Geige.

      Warum können mehrere Geräusche gleichzeitig hohe Werte haben?

      YAMNet ist ein Multi-Label-Modell: Jede Klasse wird unabhängig bewertet, sodass ein einzelner Moment gleichzeitig Hund, Bellen und Tier oder Musik, Gitarre und Gesang sein kann. Die Werte ergeben zusammen nicht 100 Prozent; lies sie als Maß dafür, wie stark jedes Label passt.

      Wie genau ist es?

      Es ist gut bei häufigen, klaren Geräuschen wie Sprache, Musik, Bellen, Sirenen und Alarmen. Weniger zuverlässig ist es bei seltenen Geräuschen, leisen oder weit entfernten Quellen, starken Hintergrundgeräuschen und Geräuschen, die sich ähneln. Es benennt die Art des Geräuschs, nicht einen bestimmten Song, eine Person oder eine Tierrasse, also betrachte die Ergebnisse als hilfreiche Vermutung.

      Kann es einen Song oder eine Vogelart erkennen?

      Nein. Es erkennt grobe Kategorien wie Musik, Popmusik oder Vogelgesang, aber keine Songtitel, Künstler oder einzelnen Vogelarten; dafür brauchst du spezielle Apps zur Song- und Vogelerkennung.

      Warum gibt es im Live-Modus eine Verzögerung?

      Jede Vorhersage verwendet die letzten 0.975 Sekunden Audio und läuft jede halbe Sekunde, daher erscheint ein Geräusch meist innerhalb von etwa einer Sekunde nach seinem Beginn in der Liste.

      Werden alle Tools auf FreeToolCabin auf Qualität und Genauigkeit getestet?

      Ja. Jedes Tool auf der Website durchläuft automatische Tests in echten Browsern, die prüfen, ob das Ergebnis stimmt und keine Fehler auftreten. Wenn du einen Fehler findest oder einen Vorschlag hast, schreib uns an [email protected] – wir sehen es uns an.

      Ähnliche Tools

      Alle Audio-Konverter & -Editoren ansehen →