Schadet MP3 der Musiktranskription? WAV vs. MP3 im Test

Warum sollte MP3 die Noten verändern?

MP3 und AAC werfen Details weg, die das Ohr kaum bemerkt, vor allem leise Klänge neben lauteren und hohe Frequenzen. Modelle wie Basic Pitch lesen ein Zeit-Frequenz-Bild des Audios, und nichts garantiert, dass sie dieselben Details ignorieren wie ein Zuhörer. Deshalb kann eine Note nahe der Schwelle eines Modells auftauchen oder verschwinden, wenn sich das Spektrum ein wenig verschiebt.

Frühere Arbeiten deuten auf einen kleinen Effekt hin. Urbano und Kollegen fanden, dass MFCC-Merkmale ab etwa 160 kbit/s bei verlustbehafteter Kodierung stabil bleiben und Chroma-Merkmale, die den Tonhöhenklassen folgen, von Codec oder Bitrate kaum beeinflusst werden (ISMIR 2014). Sie haben Merkmale gemessen, wir wollten etwas über transkribierte Noten wissen.

Wir hatten auch einen praktischen Grund. Verlustfreie Kopien von Aufnahmen und ihrer Wiedergabe machten 77 % unseres Speichers für Partituren aus, und wir wollten kleinere Kopien nur, wenn sie keine Genauigkeit kosten.

So haben wir getestet

Jede Aufnahme lief mit FFmpeg 8.1.1 durch jeden Codec (LAME mit konstant 320 oder 192 kbit/s, der eigene AAC-Encoder von FFmpeg mit 256 kbit/s) und wurde dann von demselben Code dekodiert, der auch hochgeladene Dateien liest. Als Kontrolle haben wir das verlustfreie Audio um 0,01 dB verändert, was niemand hören kann, um zu sehen, wie stark sich die Messwerte ganz ohne Codec bewegen. Alle drei Engines sind deterministisch: Dieselbe Eingabe ergibt dieselben Noten.

Der Onset-F1 zählt eine transkribierte Note als richtig, wenn ihre Tonhöhe höchstens 50 Cent und ihr Beginn höchstens 50 ms von einer Referenznote abweicht. Er bestraft fehlende und überzählige Noten gleichermaßen, und 1,0 ist perfekt. In unserem Artikel zur Genauigkeit erklären wir das Maß ausführlich.

Was änderte sich bei einem Instrument?

Fast nichts. Über die 12 Gitarrenaufnahmen blieb der Onset-F1 von Basic Pitch in jedem Format zwischen 0,761 und 0,764, während die Stereodatei auf 14 % bis 23 % der WAV-Datei schrumpfte.

Der verlustfreie Wert liegt bei 0,763, nicht bei den 0,744 aus unserem Artikel vom 3. Oktober, denn seit dem 4. Oktober schreibt ScoreStarling ein Instrument als eine Melodielinie, was fünf der Soli verändert hat. Beide Durchläufe verwenden Basic Pitch 0.4.0.

Und bei Klavier solo?

Das Klaviermodell hörte in jedem Format dieselben Noten. Sein Onset-F1 gegenüber den gespielten Noten lag verlustfrei bei 0,9427, bei der Kontrolle bei 0,9426, bei MP3 320 bei 0,9428 und bei MP3 192 bei 0,9433, und in jedem Format fand es etwa 92,2 % der notierten Noten.

Der Schritt, der aus diesen Noten Zählzeiten und Taktstriche ableitet, war weniger stabil, und der Codec war nicht die Ursache. Er setzte die Taktstriche nach der unhörbaren Kontrolle in 5 der 50 Einspielungen anders und nach MP3 320 in 7, davon vier dieselben Einspielungen wie bei der Kontrolle. Dieser Schritt reagiert auf jede Änderung überhaupt, deshalb zählen wir das als Rauschen im Messverfahren und nicht als Preis von MP3. AAC haben wir bei Klavier nicht getestet.

Und bei einer ganzen Band?

Wir haben einen kostenpflichtigen Vergleich mit Mirelo durchgeführt, am Band-Song von 60 Sekunden. Die verlustfreie Datei und die MP3 lieferten beide 842 Noten und Schlagzeugschläge, und 829 davon (98,5 %) begannen mit höchstens 50 ms Abweichung zum verlustfreien Durchlauf.

Warum haben sich überhaupt Noten geändert?

Jede Änderung der Eingabe verschiebt ein paar Noten, die genau an der Schwelle eines Modells liegen. Von rund 2.740 Noten, die Basic Pitch fand, verschob die unhörbare Kontrolle eine, MP3 320 verschob 10, AAC 17 und MP3 192 14, nie mehr als 7 in einer Aufnahme. MP3 320 lag in drei der fünf Vergleiche einen Hauch niedriger (um 0,0013 bis 0,0020), in einem gleichauf und in einem einen Hauch höher. AAC und MP3 192 stiegen bei der Gitarre oder beim Slakh-Song und sanken bei unserem synthetisierten Band-Stück, um bis zu 0,008. Ein Codec, der echte Genauigkeit kostet, würde überall einen deutlichen Rückgang zeigen, und keiner tat das.

Was ein Codec dagegen verändert, ist das Timing an den Rändern. AAC-Encoder fügen am Anfang stille Priming-Samples hinzu und füllen das Ende bis zu einem vollen Frame auf; Apple dokumentiert eine Verzögerung von 2112 Samples. Unsere AAC-Dateien wurden um 16 bis 733 Samples länger dekodiert. FFmpeg schreibt MP3 mit einem Xing/LAME-Header, der die Encoder-Verzögerung festhält, und unsere MP3-Dateien wurden auf die exakte ursprüngliche Länge dekodiert. Das ist wichtig, wenn eine Partitur synchron zu ihrer Aufnahme abgespielt wird.

Welche Datei solltest du hochladen?

• Die Datei, die du schon hast. Eine WAV-Datei vorher in MP3 umzuwandeln bringt nichts, und eine MP3 zurück in WAV umzuwandeln bringt nichts zurück.
• Wenn du komprimieren musst: MP3 mit 320 kbit/s kam dem Original beim Signal-Rausch-Verhältnis am nächsten und behielt die exakte Länge.
• Niedrige Bitraten haben wir nicht gemessen. Wir haben bei 192 kbit/s aufgehört, prüfe also, was deine Aufnahme-App speichert.
• Wie du aufnimmst, ist viel wichtiger als das Format: eine einzige klar hörbare Linie, wenig Hall, keine Hintergrundmusik. Was du dabei prüfen solltest, steht in unserer Anleitung zu Sprachmemos.

ScoreStarling arbeitet jetzt so. Seit dem 5. Oktober 2026 wird eine hochgeladene WAV-, AIFF- oder FLAC-Datei als MP3 mit 320 kbit/s gespeichert und von dieser Kopie transkribiert, wodurch eine Stereoaufnahme nur noch 23 % ihrer WAV-Größe belegt. MP3-, M4A-, Ogg- und Videodateien bleiben unverändert. Um MP3 in Noten umzuwandeln, lade also die Datei hoch, die du hast.

Was dieser Test nicht verrät

• Nur ein Band-Song für Mirelo, und synthetisiertes Klavier statt aufgenommener Klaviere.
• Kein Gesang. Unsere echten Aufnahmen sind privat und lagen schon als AAC-Dateien vor, sie konnten also nicht als verlustfreie Referenz dienen.
• Ein Encoder pro Format und keine Bitrate unter 192 kbit/s.
• Der Onset-F1 sagt, ob eine Note erkannt wurde, nicht, ob sich die Partitur gut lesen lässt.