Drei Schritte, und der zweite ist der schwierige
Jedes Tool zur Tonhöhenkorrektur, von den berühmten bis zu den kostenlosen, macht dieselben drei Dinge: Es ermittelt, in welcher Tonhöhe die Stimme in jedem Moment singt, es entscheidet, welche Tonhöhe es sein sollte, und es resynthetisiert das Audio in der neuen Tonhöhe.
Der erste Schritt ist ein gelöstes technisches Problem. Der dritte ist ein gelöstes Problem der Signalverarbeitung. Der zweite (zu entscheiden, welche Note es sein sollte) ist ein musikalisches Urteil, das Software ab Werk schlecht fällt, und fast jeder schlecht klingende getunte Gesang ist eine Folge dieses Schritts, nicht der anderen beiden.
Schritt eins: die Tonhöhe finden
Ein Pitch-Tracker schätzt die Grundfrequenz der Stimme, typischerweise mehrere Hundert Mal pro Sekunde. Klassische Ansätze nutzten Autokorrelation: die Wellenform wird gegen sich selbst verschoben, um die Periode zu finden, bei der sie am besten übereinstimmt. Moderne Tracker nutzen neuronale Netze, die mit annotiertem Audio trainiert wurden, und sind in den schwierigen Fällen deutlich besser: hauchiger Gesang, Growl, Vibrato, der Moment, in dem eine Note beginnt.
Das Ergebnis ist ein kontinuierlicher Tonhöhenverlauf, keine Liste von Noten. Der Unterschied ist wichtig: Ein gutes Tool zerlegt den Verlauf anschließend in Noten und lässt dich beides sehen und bearbeiten. Wenn du den Tonhöhenverlauf nicht sehen kannst, vertraust du der Segmentierung des Tools blind: und bei der Segmentierung wird es deine Melismen falsch erwischen.
Tracker scheitern vorhersehbar an Oktavfehlern, sie melden eine Note eine Oktave daneben, und an Material, das keine einzelne klare Stimme ist. Gib einem Tracker einen gedoppelten Gesang oder einen mit starkem Übersprechen, und er hat zwei Grundfrequenzen zur Auswahl und keine Möglichkeit zu wissen, welche du meintest. Wenn die einzige Quelle ein fertiger Mix ist, macht erst das Herauslösen des Gesangs das Tracking überhaupt möglich.
Schritt zwei: das Ziel festlegen
Jetzt muss das Tool entscheiden, welche Note jede Note sein soll. Die naive Antwort, und der Standard in der meisten Software, ist die nächstgelegene Note einer chromatischen Tonleiter.
Dieser Standard liegt meistens falsch, und zwar aus folgendem Grund: Steht der Song in a-Moll und will die Stimme ein C treffen, landet aber etwas zu tief, kann die nächstgelegene chromatische Note ein H sein. Die Korrektur zieht die Note dann selbstbewusst auf H: das Ergebnis passt zu nichts und ist auf eine Weise falsch, die viel auffälliger ist als das ursprüngliche Zu-tief-Singen.
Deshalb solltest du dem Tool immer die Tonart sagen. Noch besser:
- Stell die tatsächliche Tonleiter ein, damit Noten außerhalb der Tonart nicht als Ziel infrage kommen.
- Schließ Noten aus, die die Melodie nicht verwendet. Wenn nie ein Fis gesungen wird, beseitigt das Entfernen aus den Zielnoten eine ganze Kategorie von Fehlern.
- Nutz eine Akkordspur, wenn das Tool eine unterstützt, damit das Ziel der Harmonie folgt statt einer festen Tonleiter. Die richtige Note in Takt 3 ist nicht die richtige Note in Takt 11.
- Schütz die absichtlichen. Eine Blue Note, eine gezogene Note, eine Note, die bewusst von unten angesungen wird: das ist die Performance. Ein Vocal-Tuner, der auf eine Tonleiter fixiert ist, „korrigiert“ jede davon.
Schritt drei: die Tonhöhe verschieben
Sobald das Ziel feststeht, muss das Audio in der neuen Tonhöhe neu gerendert werden, ohne seine Dauer zu verändern. Das leisten zwei Familien von Techniken.
Verfahren im Zeitbereich, PSOLA und seine Verwandten, schneiden die Wellenform in kurze Grains, die an den Tonhöhenperioden ausgerichtet sind, und setzen sie mit anderem Abstand wieder zusammen. Engerer Abstand hebt die Tonhöhe, weiterer senkt sie, und durch Wiederholen oder Weglassen von Grains bleibt die Dauer gleich. Das ist rechnerisch günstig und klingt bei kleinen Verschiebungen auf einstimmigem Material hervorragend: genau der Fall der Tonhöhenkorrektur.
Vocoder- und modellbasierte Verfahren zerlegen das Signal in eine spektrale Hüllkurve und eine Anregung, verändern die Frequenz der Anregung und resynthetisieren. Aufwendiger, flexibler und besser bei großen Verschiebungen und beim unabhängigen Bearbeiten von Formanten.
Bei den kleinen Korrekturen, aus denen die meiste Tuning-Arbeit besteht, ein paar Dutzend Cent, ist die Wahl viel weniger wichtig als das, was du in Schritt zwei verlangt hast.
Die Korrekturgeschwindigkeit ist der Regler, der zählt
Das ist das Nützlichste, was man über diese Tools verstehen kann, und es wird regelmäßig mit der Korrekturstärke verwechselt.
Stärke ist, wie weit eine Note in Richtung ihres Ziels wandert. Korrekturgeschwindigkeit (Retune Speed) ist, wie schnell sie dort ankommt, wenn das Tool entschieden hat, sie zu verschieben.
Eine menschliche Stimme kommt nicht sofort bei einer Tonhöhe an. Sie gleitet hinein, schießt leicht darüber hinaus, pendelt sich ein und fügt Vibrato hinzu. Diese Übergänge tragen einen enormen Teil des Ausdrucks einer Performance: das Portamento zwischen zwei Noten ist oft das Menschlichste an einer Phrase.
Stell die Korrekturgeschwindigkeit langsam ein, und die Korrektur wartet: Sie lässt das Gleiten natürlich geschehen und schiebt nur den gehaltenen Teil der Note an. Das Ergebnis ist transparent: die Stimme klingt sauber intoniert, und sonst hat sich nichts verändert.
Stell die Korrekturgeschwindigkeit auf null, und jeder Übergang wird quantisiert. Die Stimme springt zwischen exakten Tonhöhen, ganz ohne Gleiten, und weil menschliche Stimmen das nie tun, erkennt das Ohr es sofort als Bearbeitung. Das ist der berühmte Effekt: und er ist gewollt, wird absichtlich eingesetzt und ist keine Nebenwirkung von zu starkem Tuning.
Also: Starke Korrektur mit langsamer Korrekturgeschwindigkeit ist transparent. Schwache Korrektur, die sofort greift, klingt offensichtlich bearbeitet. Wenn ein getunter Gesang nach Roboter klingt und du das nicht wolltest, ist die Korrekturgeschwindigkeit das, was du ändern solltest.
Formanten, und warum korrigierte Stimmen nach Micky Maus klingen
In einer Stimme passieren zwei unabhängige Dinge. Die Stimmlippen erzeugen eine Grundfrequenz: die Tonhöhe. Rachen, Mund und Nase filtern diesen Klang dann und betonen bestimmte Frequenzbereiche, die Formanten heißen. Formanten machen den Unterschied zwischen einem „i“ und einem „a“, und an ihrer Lage hört man auch ungefähr, wie groß die Person ist, die spricht.
Verschiebst du das ganze Signal in der Frequenz nach oben, wie es eine naive Geschwindigkeitsänderung täte, wandern die Formanten mit der Tonhöhe mit, und man hört keine höhere Note, sondern einen kleineren Menschen. Das ist der Micky-Maus-Effekt.
Gute Tonhöhenkorrektur erhält die Formanten: Sie verschiebt die Grundfrequenz und lässt die spektrale Hüllkurve, wo sie war, sodass die Stimme klingt wie dieselbe Person, die eine andere Note singt. Bei den kleinen Verschiebungen des normalen Tunings spielt das kaum eine Rolle. Bei Verschiebungen um mehrere Halbtöne spielt es eine enorme Rolle, und ein Tool ohne Formanterhaltung ist dafür unbrauchbar.
Formantverschiebung gibt es außerdem als eigenen Regler, ganz bewusst, so lässt du eine Stimme absichtlich größer oder kleiner klingen, unabhängig von ihrer Tonhöhe.
Woher die Artefakte kommen
- Schlechtes Tracking. Wenn der Tracker die Tonhöhe falsch gelesen hat, wird relativ zu einem falschen Wert korrigiert, und das Ergebnis ist selbstbewusst falsch. Hauchige und sehr leise Passagen sind die üblichen Verdächtigen.
- Große Verschiebungen. Jede Resynthese-Technik wird mit dem Abstand schlechter. Ein Halbton ist nichts; fünf Halbtöne auf einer gehaltenen Note klingen langsam synthetisch. Wenn ein Take durchgehend weit daneben liegt, nimm ihn neu auf.
- Konsonanten. Zischlaute und Plosivlaute haben praktisch keine Tonhöhe, und eine Korrektur, die sie zu tunen versucht, erzeugt ein typisches Verschmieren. Gute Tools erkennen stimmlose Bereiche und lassen sie in Ruhe. Harsche Zischlaute sind noch einmal eine eigene Aufgabe, und sie gehören in den Restaurierungsschritt: nach der Tonhöhe, nicht davor.
- Übersprechen. Eine Gesangsspur mit Übersprechen aus dem Raum oder ein aus einem Mix extrahierter Gesang gibt dem Tracker zwei Dinge auf einmal. Wird das lauteste davon getunt, wird das andere mitgezogen.
- Gegen das Vibrato arbeiten. Vibrato ist gewollte Tonhöhenmodulation; eine schnelle Korrektur hält es für einen Fehler und bügelt es glatt. Manche Tools trennen Vibrato von Tonhöhendrift, sodass du das eine korrigieren und das andere behalten kannst: das ist das richtige Design.
So setzt du sie gut ein
- Fang mit dem besten Take an, den du bekommen kannst. Korrektur behebt die Tonhöhe. Sie behebt nicht Phrasierung, Timing, Klang oder Überzeugungskraft (das, was einen Gesang wirklich gut macht), und das meiste, was am Mikrofon schiefgeht, lässt sich danach überhaupt nicht mehr korrigieren.
- Stell immer Tonart und Tonleiter ein. Die chromatische Voreinstellung ist die Quelle der meisten schlechten Ergebnisse.
- Mach die Korrektur langsamer, es sei denn, du willst ausdrücklich den Effekt.
- Tune die Noten, die falsch sind, nicht jede Note. Die meisten Tools bearbeiten bereitwillig einen ganzen Take; die meisten Takes haben vier oder fünf Noten, die es brauchen.
- Hör im Kontext. Ein Gesang im Solo verrät jedes Artefakt. Ein Gesang im Mix verrät, welche davon irgendjemand hören wird: und wenn er nicht richtig sitzt, obwohl das Tuning sauber ist, ist das meistens eine Frage des EQ.
- Heb den unbearbeiteten Take auf. Eine Woche später willst du vergleichen, und manchmal ist dir das Original lieber.
Zum Schluss ein Wort zu den Namen: Die Technik heißt Tonhöhenkorrektur oder Vocal-Tuning, und ein Tool, das sie anwendet, ist ein Vocal-Tuner. Es ist nicht Auto-Tune, in den meisten Suchen „autotune“ geschrieben, denn das ist ein bestimmtes Produkt von Antares. Seinen Namen für die ganze Kategorie zu verwenden ist ungenau, und der Name ist eine Marke von Antares. Was Auto-Tune eigentlich ist behandelt genau dieses Produkt: woher es kommt und warum der berühmte Roboter-Effekt eine Geschwindigkeitseinstellung ist und nicht der Klang einer besonders starken Korrektur.
Weiterlesen