Wie klingt Musik ohne Raum?

Dazu verfügen die Wissenschaftler über zwei elektronische Studios mit zwölf- beziehungsweise achtkanaliger Surround-Wiedergabe, ein 3D-Media-Lab mit Binauralsynthese und stereoskopischer Panoramaprojektion, ein Laborsystem zur Schallfeldsynthese (192 Kanäle) und die weltweit größte Anlage zur Wellenfeldsynthese mit 832 Kanälen und 2704 Lautsprechern. „Je nach Projekt verwenden wir unterschiedlichste Versuchsaufbauten“, erklärt Prof. Dr. Stefan Weinzierl, Leiter des Fachgebiets.

Dr. Zora Schärer Kalkandjiev erforscht zum Beispiel, wie Musiker und Sprecher Raumakustik wahrnehmen und wie sie darauf reagieren. Der Raum, in dem ein Konzert stattfindet, hat großen Einfluss auf das Klanggeschehen, sowohl für den Hörer als auch für die Musiker selbst. „Das betrifft Einzelmusiker und Orchester. Nehmen alle Musiker die Raumakustik gleich wahr? Reagieren sie individuell oder ähnlich?“ Sie nutzt unter anderem den sogenannten reflexionsarmen Raum, ein spezielles Labor an der TU Berlin, an dem an allen Wänden Hunderte 1,25 m lange Glasfaserkeile in den Innenraum ragen und verhindern, dass Schall reflektiert wird.

Dort positionierte sie mehrere Musiker, die noch einmal schalldicht voneinander abgeschirmt wurden. So kann ein Musikstück quasi in einem „Nicht-Raum“, also ohne jeglichen Einfluss des Raums, aufgenommen werden. Anschließend werden diese Aufnahmen unterschiedlich zusammengesetzt und analysiert. „Spezielle, hier entwickelte Software untersucht Parameter wie Schnelligkeit, Rhythmus, Klangfarbe, Lautstärke etc. Mit Hilfe von bestimmten Algorithmen können diese Aufnahmen dann virtuell in die spezielle Akustik verschiedenster Konzertsäle projiziert werden. Auch können wir einzelne Musiker per virtueller Audiorealität (über Kopfhörer) in diese Räume versetzen. So können wir die Reaktion einzelner Musiker und ganzer Orchester auf den sie umgebenden Raum empirisch analysieren“, erklärt Dr. Schärer Kalkandjiev.

Dieses Labor wird auch genutzt, um zum Beispiel zu analysieren, wie sich die individuelle Kopfgeometrie des Hörers auf die Signalverarbeitung auswirkt. Dabei wird ein Proband unter einen Lautsprecherring gesetzt, der ihn umkreist. Sensoren im Ohr des Probanden messen exakt, welche Signale wie aufgenommen werden. „Die Ohrgeometrie ist vergleichbar mit einem akustischen Fingerabdruck“, weiß Fabian Brinkmann, wissenschaftlicher Mitarbeiter am Institut. „Sie ist ganz individuell und bestimmt wesentlich, wie Schallwellen aufgenommen werden.“

Unsere Forschung ist breit gefächert. Wir beschäftigen uns mit der Produktion, der Übertragung und der Rezeption von Musik und Sprache in akustischen und elektroakustischen Systemen. Unser Spezialgebiet sind die technische Weiterentwicklung von virtuellen akustischen Realitäten und deren Einsatz für musikwissenschaftliche und psychoakustische Fragestellungen.

Für die individuelle, optimale Klangsynthese interessieren sich mittlerweile auch viele Firmen. Zusammen mit einem großen Smartphone-Hersteller entwickeln wir eine Technik, mit der sich die Signalübermittlung eines Handys optimal auf die Ohr-Geometrie des individuellen Benutzers einstellt. Dazu werden Fotos des Ohrs zu einem 3D-Modell zusammengesetzt. Ein spezieller Algorithmus filtert auf Grundlage dieser Daten die eintreffenden Signale, um ein individuell optimiertes Hörerlebnis zu kreieren.

Automatische Spracherkennung ist hochkomplex. Idealerweise erkennt das System möglichst schnell und einwandfrei die Nationalität des Sprechers. Ich untersuche dabei den Einfluss des Sprechrhythmus auf die automatische Spracherkennung. Lässt sich zum Beispiel allein oder vordringlich anhand des Sprechrhythmus erkennen, ob der Sprecher Deutscher oder Spanier ist? Dazu analysiere ich mit einer speziellen Software den Rhythmus von Sprachaufnahmen.

Im Rahmen eines europaweiten Online-Hörexperiments (ABC_Dj) erforschen wir die Semantik von Musik. Welche Elemente einer Musik – Rhythmus, Lautstärke, Klangfarbe, Tempo etc. – konstituieren ihre Bedeutung, und welche Rolle spielt dabei der kulturelle Hintergrund der Hörer? Mit Methoden des maschinellen Lernens soll so ein statistisches Modell entwickelt werden, das es ermöglicht, den musikalisch-semantischen Eindruck eines Musikstücks für verschiedene Bevölkerungsgruppen vorherzusagen.