Die Stimme als Unterschrift

Derselbe Satz, dreimal gesprochen: fröhlich, müde, wütend. Die Wörter bleiben gleich — aber Tonhöhe, Lautstärke und Tempo verraten, was die Wörter verschweigen. Du machst das messbar.

Worum es geht

Sag den Satz „Mir geht es gut“ auf drei Arten: fröhlich, müde, wütend. Die Worte bleiben gleich — und doch versteht jeder sofort drei verschiedene Dinge. Was den Unterschied trägt, sind nicht die Worte, sondern der Klang: die Tonhöhe, das Tempo, die kleinen Brüche und Pausen. In diesem Klang steckt eine zweite Botschaft, oft ehrlicher als die erste.

Und der Klang wird auf dieselbe Weise lesbar wie alles in diesem Buch: Man verwandelt ihn in ein Bild. Ein Spektrogramm zeigt die Frequenzen der Stimme über die Zeit — und schon greift dieselbe Bilderkennung, die sonst Katzen von Hunden unterscheidet. In dieser Aktivität bleiben wir aber bewusst bei den durchschaubaren Merkmalen: Tonhöhe, Lautstärke, Tempo. Du wählst die Merkmale selbst — das leichte, erklärbare Ende des Werkzeugkastens.

Ein bisschen Hintergrund

Was wir messen. Drei einfache, aussagekräftige Grössen: die Grundtonhöhe (wie hoch die Stimme im Mittel liegt) und wie stark sie schwankt (Monotonie vs. Melodie); die Lautstärke und ihre Schwankung (energisch vs. matt); und das Sprechtempo, grob als Anteil klingender zu stillen Abschnitten. Aus diesen wenigen Zahlen wird der emotionale Fingerabdruck eines Satzes.

So einzigartig wie ein Fingerabdruck. Die Stimme trägt zweierlei zugleich: was du sagst und wer du bist. Ihre feinen Eigenheiten erlauben es, Sprecher zu erkennen — die Grundlage davon, dass dein Telefon auf deine Stimme hört. Genau diese Einzigartigkeit nutzt der Bonus am Ende.

Aufnehmen

1. Pakete installieren. pip install librosa numpy soundfile. (Für die Erweiterung zusätzlich pip install openai-whisper.)
2. Denselben Satz dreimal sprechen. Wähle einen kurzen, neutralen Satz — etwa „Mir geht es gut“ oder „Heute ist Montag“. Nimm ihn dreimal auf: einmal fröhlich, einmal müde, einmal wütend. Gleicher Text, gleiche Nähe zum Mikrofon.
3. Als WAV speichern. froehlich.wav, muede.wav, wuetend.wav. Ruhiger Raum, kein Hall, nah genug am Mikrofon.
4. Auswerten. Skript unten über alle drei laufen lassen und die Zahlen vergleichen.

Auswerten mit librosa

Rund zwanzig Zeilen. Der Code zieht aus jeder Aufnahme die vier Merkmale und stellt sie nebeneinander. Vollständiger Code auf GitHub.

import librosa
import numpy as np

def merkmale(datei):
    y, sr = librosa.load(datei)                  # Audio laden
    dauer = librosa.get_duration(y=y, sr=sr)

    # Tonhoehe (Grundfrequenz) nur dort, wo wirklich Stimme klingt
    f0, stimmhaft, _ = librosa.pyin(
        y, fmin=70, fmax=400, sr=sr)
    tonhoehe = np.nanmean(f0)                     # mittlere Tonhoehe in Hz
    melodie  = np.nanstd(f0)                      # Schwankung = Melodie

    # Lautstaerke (Energie) im Zeitverlauf
    energie = librosa.feature.rms(y=y)[0]
    laut    = float(np.mean(energie))

    # Sprechtempo grob: Anteil klingender an allen Abschnitten
    anteil_klang = float(np.mean(stimmhaft))

    return dict(dauer=dauer, tonhoehe=tonhoehe, melodie=melodie,
                laut=laut, klanganteil=anteil_klang)

for name in ["froehlich", "muede", "wuetend"]:
    m = merkmale(f"{name}.wav")
    print(f"{name:9s}  Tonhoehe {m['tonhoehe']:5.0f} Hz   "
          f"Melodie {m['melodie']:5.0f}   Laut {m['laut']:.3f}   "
          f"Klanganteil {m['klanganteil']:.2f}")

Arbeitsblatt

Wenn's klemmt

Erweiterung — das Was vom Wie trennen

Bisher hast du den Klang gemessen. Whisper, ein grosses vortrainiertes Sprachmodell, liest den Inhalt — es verwandelt die Aufnahme in Text. So hältst du beide Botschaften getrennt in der Hand:

import whisper

modell = whisper.load_model("base")          # klein, laeuft ohne Grafikkarte
ergebnis = modell.transcribe("wuetend.wav", language="de")
print("Gesagt (das WAS):", ergebnis["text"])
# Das WIE hast du oben schon gemessen — Tonhoehe, Melodie, Lautstaerke.

Der Witz: In allen drei Aufnahmen liefert Whisper denselben Text, während deine Klangmerkmale drei verschiedene Stimmungen zeigen. Was gesagt wurde, ist gleich; wie es gesagt wurde, nicht.

Bonus — „Sesam, öffne dich“: der Stimmschlüssel

Als Klasse baut ihr einen Türöffner aus Stimme. Jede und jeder nimmt denselben Satz mehrmals auf; ein kleines Modell lernt aus den Klangmerkmalen, wer spricht — nicht was gesagt wird. Sprich den Satz, und das Modell rät den Namen.

1. Sammeln. Jede Person nimmt denselben Satz 5-mal auf (also z. B. 5 Personen × 5 = 25 Aufnahmen). Namen als Dateinamen.
2. Merkmale ziehen. Für jede Aufnahme dieselben Klangmerkmale wie oben (plus optional die MFCC, die librosa als librosa.feature.mfcc liefert — ein kompakter Klang-Fingerabdruck).
3. Lernen. Ein einfacher Klassifikator (z. B. sklearns KNeighborsClassifier) lernt, Merkmale → Name. Ein Teil der Aufnahmen zum Testen zurückhalten.
4. Testen. Neue Aufnahme sprechen — errät das Modell den Sprecher? Und der ehrliche Test: Kann jemand mit ähnlicher Stimme (oder eine Stimmkopie!) den Schlüssel überlisten?

Zum Nachdenken

• Die Stimme verrät oft mehr als die Wörter — und diese zweite Botschaft ist meist ehrlicher, weil man sie schlechter steuert. Doch dieselbe Technik, die sie lesbar macht, kann sie auch fälschen. Das ist der Kern von Kapitel 10: Ehrlichkeit ist keine feste Eigenschaft eines Signals, sondern hängt davon ab, wie schwer man es fälschen kann — und diese Schwelle verschiebt sich.
• Ein gelesenes Klangmerkmal ist ein Zustand, keine Ursache: „gepresste, laute Stimme“ heisst nicht zwingend „wütend auf dich“. Dieselbe Vorsicht wie beim Gesicht — Ausdruck ist nicht Gefühl.
• Weil die Stimme so einzigartig ist wie ein Fingerabdruck, ist sie zugleich nützlich und heikel. Wer darf deine Stimme aufnehmen, speichern, nachbilden? Diese Frage wird mit jeder besseren Stimmkopie dringender.