Zusammenfassung

  • RFC 3389 ersetzte gewöhnliche Sprachpakete in inaktiven Abschnitten durch eine knappe Komfortgeräusch-Beschreibung: ein obligatorisches Pegelbyte und optionale Spektralkoeffizienten.
  • Der Empfänger erzeugte die hörbare Atmosphäre vor Ort; ein gültiges CN-Paket belegte daher ein übertragenes Modell, nicht die Aufnahme oder originalgetreue Wiedergabe des entfernten Raums.

Eine echte Gesprächspause ist nicht vollkommen leer. Lüftung, Mikrofonelektronik, ein entferntes Fahrzeug und die Akustik des Zimmers bleiben hörbar. Verschwinden sie schlagartig in digitaler Null, klingt die Verbindung nicht ruhig, sondern tot. Die naheliegende Rückfrage lautet dann: „Bist du noch da?“

Jedes Sample dieses Hintergrunds weiterzusenden hätte den Eindruck erhalten, aber auch den Datenstrom. Paketbasierte Sprache wählte einen anderen Kompromiss: volle Sprachkodierung im inaktiven Abschnitt stoppen, wenige Eigenschaften des Hintergrunds melden und am anderen Ende einen Ersatz herstellen.

RFC 3389 wurde im September 2002 auf dem Standards Track veröffentlicht und gab diesem Austausch eine RTP-Form. Gedacht war sie vor allem für Codecs ohne eingebautes Komfortgeräuschverfahren, darunter G.711, G.726, G.727, G.728 und G.722. Die Spezifikation beanspruchte nicht die gesamte akustische Verarbeitung.

Eine Sprachaktivitätserkennung stuft das Eingangssignal lokal als aktiv oder inaktiv ein. Das Verfahren zur diskontinuierlichen Übertragung entscheidet, wann normale Sprachpakete aussetzen und wann eine Geräuschaktualisierung folgt. Ein Generator beim Empfänger verwandelt die Parameter schließlich in hörbare Samples. RFC 3389 lässt VAD, DTX, Analyse und Synthese ausdrücklich implementationsabhängig.

Gemeinsam ist zunächst ein Oktett. Die CN-Nutzlast heißt auch SID-Frame, Silence Insertion Descriptor. In den unteren sieben Bits steht die Größe des Geräuschpegels in negativen Dezibel relativ zur digitalen Übersteuerungsgrenze. Das oberste Bit bleibt unbenutzt und muss null sein. Der Wert 0 bezeichnet 0 dBov, der Wert 127 entspricht −127 dBov.

Dieses Byte ist kein Ausschnitt aus einer Aufnahme. Es beschreibt einen Pegel. Zwei Empfänger dürfen aus demselben Wert unterschiedliche Wellenformen erzeugen, weil das Format die Bedeutung des Parameters vereinheitlicht, nicht jedes Detail des hörbaren Ergebnisses.

Weitere Bytes können quantisierte Reflexionskoeffizienten enthalten. Sie bilden die spektrale Hüllkurve in einem Allpol-Modell ab. Die Modellordnung hat kein eigenes Feld, sondern ergibt sich aus der Länge. Der Codierer kann sie nach Qualität, Rechenaufwand, erwartetem Umgebungsgeräusch und Bandbreite wählen. Der Decoder darf höhere Koeffizienten auf null setzen und so seine Komplexität reduzieren.

Die Erweiterung blieb mit dem älteren Ein-Byte-Format verträglich. Ein alter Empfänger las den Pegel und ignorierte die Spektralbytes. Er hatte die Nachricht erfolgreich angenommen, verfügte aber über weniger Information zur Klangfarbe. Technische Abwärtskompatibilität war keine Garantie auf gleiche Wahrnehmung.

RTP behandelt CN wie einen kleinen eigenständigen Codec. Der Zeitstempel kennzeichnet den Beginn des beschriebenen Komfortgeräuschabschnitts. Das Marker-Bit soll nicht gesetzt werden. Wegen der variablen Länge muss ein RTP-Paket genau eine CN-Nutzlast pro Kanal enthalten; bei mehreren Kanälen gilt für alle dieselbe spektrale Modellordnung.

Auch die statische Nutzlastnummer 13 hat eine scharfe Grenze. Sie steht nur bei einer RTP-Uhr von 8.000 Hz für CN. Andere Taktraten benötigen eine dynamische Nummer und eine signalisierte Zuordnung wie CN/16000. Die Zahl allein trägt außerhalb dieses Zusammenhangs keine vollständige Bedeutung.

Zu Beginn eines inaktiven Sprachabschnitts sendet der Absender ein CN-Paket im selben RTP-Strom. Danach kann er periodisch aktualisieren oder warten, bis sich der Hintergrund merklich ändert. Die Spezifikation schreibt keinen Takt vor. Der Empfänger arbeitet zwischen Aktualisierungen mit dem letzten Modell und seinem eigenen Syntheseverfahren weiter.

Damit entstehen mehrere getrennte Belege. Die VAD-Entscheidung besagt, dass ein Gerät den Abschnitt als sprachinaktiv bewertet hat. DTX dokumentiert das Aussetzen normaler Frames. SID trägt Pegel und möglicherweise Spektrum. Der Empfänger erzeugt daraus eine neue Welle. Der Hörer bewertet deren Natürlichkeit. Kein früher Beleg beweist automatisch das Ergebnis der nächsten Stufe.

Ein Abschnitt ohne Pakete beweist ebenfalls kein funktionierendes CN. Die SDP-Hinweise von RFC 3389 erklären, dass fehlende CN-Ankündigung nicht den Verzicht auf Stilleunterdrückung bedeutet. RTP erlaubt diskontinuierliche Übertragung mit jedem Audioformat. Nach einer Pause kann ein Zeitsprung bei nur um eins erhöhter Sequenznummer die ausgelassene Zeit zeigen. Verlust, Unterbrechung und unvollständige Erfassung erzeugen jedoch ebenfalls Lücken. Signalisierung und Endpunktzustand müssen hinzukommen.

RFC 6263 zeigte später eine weitere Wirkung. Es betrachtete CN-Pakete als Möglichkeit, RTP-Zuordnungen durch Adressübersetzer offen zu halten. Zugleich warnte es, dass die Gegenstelle CN unterstützen und aushandeln müsse und das Paket wahrscheinlich als Geräusch wiedergebe. Eine Nachricht zur Pfadpflege konnte also hörbar werden; ihr Pegel war ein Betriebsrisiko.

RFC 6465 übernahm dieselbe −dBov-Konvention für eine RTP-Erweiterung zum Audiopegel. Die gemeinsame Skala erleichtert Implementierungen, macht die Aussagen aber nicht identisch. Eine Pegelerweiterung meldet Stärke neben laufenden Medien. SID liefert Material, aus dem der Empfänger während einer Sprachpause neue Medien erzeugt.

Lu Hengs Minimum Initial Specification erklärt die Zurückhaltung. Für Interoperabilität mussten Pegel, optionale Koeffizienten, Reihenfolge, Packung, Beginn, Kanäle, Name und Taktrate gemeinsam feststehen. Bessere Erkennung und bessere Synthese konnten als lokale Entscheidungen in laufender Software fortschreiten, ohne dass eine dauerhafte Instanz jede Änderung genehmigte.

Running-Code Primacy markiert zugleich die Grenze des Textes. Ein veröffentlichtes RFC beweist weder eine fehlerfreie Erkennung leiser Sprache noch ein überzeugendes Raumgefühl. Diese Tatsachen entstehen erst, wenn konkrete Endpunkte laufen, Messungen vorliegen und Menschen zuhören. Die Spezifikation ermöglicht Zusammenarbeit; sie erklärt ein Modell nicht zur akustischen Wahrheit.

RFC 3389 übertrug damit weniger als Klang und mehr als Nichts. Der entfernte Raum reiste nicht durchs Netz. Nur ein knappes Modell tat es. Als die Sprachpakete stoppten, blieb der physische Raum hörbar; der Raum im Lautsprecher entstand neu aus wenigen Bytes und dem Programm des Empfängers.

Quellen