Audacity mit KI: Professionelle Audiobearbeitung

Wie künstliche Intelligenz Audacity zur mächtigen Audio-Workstation für Rauschunterdrückung, Stem-Separation, Sprachbearbeitung und automatisierte Workflows erweitert.

🎯 Einführung: KI in Audacity

Warum KI für Audacity?

Audacity ist der beliebteste Open-Source-Audio-Editor – aber mit KI-Plugins wird er zur professionellen Workstation:

KI-Funktion	Vorteil	Zeitersparnis
Rauschunterdrückung	Neuronale Filter entfernen Hintergrundgeräusche	80-90%
Stem-Separation	Trennung von Gesang und Instrumenten	70-80%
Sprachverbesserung	Automatische Klangoptimierung für Podcasts	60-70%
Transkription	Automatische Untertitel-Generierung	90-95%
Batch-Verarbeitung	Automatisierte Verarbeitung mehrerer Dateien	95%

KI vs. Traditionelle Audacity-Plugins

Aspekt	Traditionelle Plugins	KI-Plugins
Rauschunterdrückung	Statische Filter (Noise Gate, EQ)	Dynamische neuronale Netze
Stem-Separation	Nicht möglich	KI-basierte Trennung
Spracherkennung	Nicht verfügbar	Echtzeit-Transkription
Klangoptimierung	Manuelle Einstellung	Automatische Analyse
Batch-Verarbeitung	Eingeschränkt	Vollautomatisch

🔧 KI-Plugins für Audacity

1. OpenVINO KI-Plugins (Intel)

Intel bietet eine Collection von KI-Plugins für Audacity, die auf OpenVINO basieren – optimiert für Intel-CPUs und GPUs.

Installation

# Vorraussetzungen installieren
sudo apt update
sudo apt install -y git cmake build-essential

# OpenVINO Plugins klonen
git clone https://github.com/intel/openvino-plugins-audacity.git
cd openvino-plugins-audacity

# Kompilieren
mkdir build
cd build
cmake .. -DCMAKE_BUILD_TYPE=Release
make -j$(nproc)

# Plugin installieren
sudo cp *.so /usr/lib/audacity/plugins/

Verfügbare KI-Effekte

Plugin	Funktion	Beschreibung
Noise Suppression	Rauschunterdrückung	RNNoise-basierte neuronale Rauschfilterung
Stem Separation	Spurtrennung	Trennung von Vocals, Drums, Bass, Other
Speech Enhancement	Sprachverbesserung	Optimierung für Podcasts und Sprachaufnahmen
Pitch Correction	Tonhöhenkorrektur	Automatische Pitch-Korrektur für Gesang

🎙️ Rauschunterdrückung mit KI

RNNoise: Echtzeit-Rauschfilterung

RNNoise ist ein neuronales Netzwerk zur Rauschunterdrückung, das speziell für Sprachaufnahmen optimiert ist.

Installation in Audacity

# RNNoise als LADSPA-Plugin installieren
sudo apt install -y ladspa-sdk

git clone https://github.com/jmvalin/rnnoise.git
cd rnnoise
./autogen.sh
./configure
make
sudo make install

# Audacity Plugins aktualisieren
sudo cp /usr/local/lib/ladspa/rnnoise_ladspa.so /usr/lib/ladspa/

Anwendung

Audiodatei in Audacity öffnen
Effekt → RNNoise auswählen
Parameter anpassen:
- Noise Reduction: 0.0 (kein Filter) bis 1.0 (maximale Filterung)
- Wet/Dry Mix: Balance zwischen Original und gefiltertem Signal
Vorschau hören und anwenden

Vergleich: RNNoise vs. DeepFilterNet

Kriterium	RNNoise	DeepFilterNet
Qualität	Gut für Sprache	Exzellent für Musik
Echtzeitfähig	✅ Ja	❌ Nein
Ressourcenverbrauch	Niedrig	Mittel
Installationsaufwand	Niedrig	Mittel
Sprachoptimierung	✅ Sehr gut	✅ Gut
Musikoptimierung	❌ Eingeschränkt	✅ Exzellent

🎵 Stem-Separation: Musik in Spuren trennen

Demucs Integration

Demucs (von Meta/Facebook) ist der Industriestandard für KI-basierte Stem-Separation.

Demucs über Audacity nutzen

# Demucs installieren
pip install -U demucs torch

# Separate Stichprobe herunterladen
pip install -U demucs

Workflow: Audacity + Demucs

Audio in Audacity vorbereiten
Datei exportieren (WAV-Format)
Demucs über Kommandozeile ausführen:

# Standard-Separation (4 Stems: vocals, drums, bass, other)
demucs -d cpu song.wav

# Nur Gesang extrahieren (2 Stems: vocals, no_vocals)
demucs -d cpu --two-stems=vocals song.wav

# Hochwertige Separation mit GPU (falls verfügbar)
demucs -d cuda song.wav

Separierte Spuren in Audacity importieren
Einzelne Spuren weiter bearbeiten

Qualität der Trennung

Modell	Vocals	Drums	Bass	Other
demucs	✅✅✅✅	✅✅✅✅	✅✅✅	✅✅✅✅
demucs_extra	✅✅✅✅✅	✅✅✅✅✅	✅✅✅✅	✅✅✅✅
hdemucs	✅✅✅✅	✅✅✅✅	✅✅✅✅	✅✅✅✅

🗣️ Sprachverarbeitung & Transkription

Whisper für automatische Transkription

Integrieren Sie Whisper.cpp mit Audacity für automatische Transkription.

Installation

# Whisper.cpp installieren
git clone https://github.com/ggerganov/whisper.cpp.git
cd whisper.cpp
make

# Modell herunterladen (z.B. tiny für schnelle Tests)
./download-ggml-model.sh tiny

# Größe der Modelle
# tiny: 75MB, base: 150MB, small: 470MB, medium: 1.5GB, large: 3GB

Audio transkribieren

# WAV-Datei transkribieren
./main -f audio.wav -m models/ggml-tiny.bin -l de -otxt

# Parameter:
# -f: Input-Datei
# -m: Modell-Datei
# -l: Sprache (de = Deutsch)
# -otxt: Output als Textdatei
# -ovtt: Output als VTT (WebVTT Untertitel)
# -osrt: Output als SRT (SubRip Untertitel)

Transkription in Audacity nutzen

Audio in Audacity öffnen
Datei exportieren (WAV, 16kHz, Mono für beste Ergebnisse)
Whisper.cpp ausführen
Transkript importieren (als Label-Track)

🎚️ Audio-Restaurierung & Verbessung

DeepFilterNet: Professionelle Audio-Bereinigung

DeepFilterNet ist ein neuronales Netzwerk für hochwertige Rauschunterdrückung und Audio-Restaurierung.

Installation

# Vorraussetzungen
sudo apt install -y python3-pip python3-venv
python3 -m venv deepfilternet-venv
source deepfilternet-venv/bin/activate

# DeepFilterNet installieren
pip install deepfilternet

Anwendung

# Einfache Rauschunterdrückung
deepfilternet audio.wav --output audio_clean.wav

# Mit benutzerdefiniertem Modell
deepfilternet audio.wav --model custom_model --output audio_clean.wav

# Batch-Verarbeitung
for file in *.wav; do
    deepfilternet "$file" --output "clean_${file}"
done

Vergleich: Rauschunterdrückungs-Tools

Tool	Typ	Qualität	Echtzeit	Open Source
RNNoise	Neuronal	✅✅✅	✅ Ja	✅ Ja
DeepFilterNet	Neuronal	✅✅✅✅✅	❌ Nein	✅ Ja
Audacity Noise Reduction	Spektral	✅✅	✅ Ja	✅ Ja
iZotope RX	Professionell	✅✅✅✅✅	❌ Nein	❌ Nein
Adobe Podcast Enhance	Cloud	✅✅✅✅	❌ Nein	❌ Nein

📊 Batch-Verarbeitung mit KI

Automatisierte Workflows

Skript: Batch-Rauschunterdrückung

#!/bin/bash
# batch-denoise.sh - Batch-Rauschunterdrückung mit RNNoise

INPUT_DIR="./input"
OUTPUT_DIR="./output"

mkdir -p "$OUTPUT_DIR"

for file in "$INPUT_DIR"/*.wav; do
    filename=$(basename -- "$file")
    filename_noext="${filename%.*}"
    
    echo "Verarbeite: $filename"
    
    # RNNoise anwenden
    sox "$file" -n noiseprof noise.prof
    sox "$file" "$OUTPUT_DIR/${filename_noext}_denoised.wav" noisered noise.prof 0.21
    
    # Oder mit DeepFilterNet
    # deepfilternet "$file" --output "$OUTPUT_DIR/${filename_noext}_denoised.wav"
done

echo "Batch-Verarbeitung abgeschlossen!"

Skript: Automatische Stem-Separation

#!/bin/bash
# batch-separate.sh - Batch-Stem-Separation mit Demucs

INPUT_DIR="./songs"
OUTPUT_DIR="./separated"

mkdir -p "$OUTPUT_DIR"

for file in "$INPUT_DIR"/*.wav; do
    filename=$(basename -- "$file")
    filename_noext="${filename%.*}"
    
    echo "Trenne: $filename"
    
    # Demucs mit 4 Stems
    demucs -d cpu -o "$OUTPUT_DIR/${filename_noext}" "$file"
    
    # Separate Dateien umbenennen
    mv "$OUTPUT_DIR/${filename_noext}/htdemucs/*.wav" "$OUTPUT_DIR/${filename_noext}/"
done

echo "Stem-Separation abgeschlossen!"

🎛️ Automatisierung mit Makros

Audacity Makros erstellen

Audacity unterstützt Makros zur Automatisierung von Arbeitsabläufen.

Makro: Podcast-Vorbereitung

Rauschunterdrückung anwenden (RNNoise)
Normalisierung (-3 dB)
Kompression (Leichte Dynamik-Kontrolle)
EQ anpassen (Sprachoptimierung)

Makro-Datei (JSON)

{
  "name": "Podcast-Vorbereitung",
  "commands": [
    {
      "command": "NoiseReduction",
      "params": {
        "noiseProfile": "noise.prof",
        "noiseReductionDb": 12,
        "sensitivity": 6,
        "frequencySmoothing": 3
      }
    },
    {
      "command": "Normalize",
      "params": {
        "level": -3,
        "removeDc": true,
        "stereoIndependently": false
      }
    },
    {
      "command": "Compressor",
      "params": {
        "threshold": -20,
        "noiseFloor": -40,
        "ratio": 3,
        "attack": 0.1,
        "release": 1.0
      }
    }
  ]
}

🔬 Qualitätsanalyse mit KI

Automatisierte Audio-Analyse

Python-Skript für Audio-Metriken

import librosa
import numpy as np
import pandas as pd

def analyze_audio(file_path):
    """Analysiert Audio-Dateien und gibt Qualitätsmetriken zurück."""
    
    # Audio laden
    y, sr = librosa.load(file_path, sr=None)
    
    # Dauer
    duration = librosa.get_duration(y=y, sr=sr)
    
    # Lautstärke (RMS)
    rms = np.sqrt(np.mean(librosa.feature.rms(y=y)[0]**2))
    
    # Dynamikbereich
    peak = np.max(np.abs(y))
    dynamic_range = 20 * np.log10(peak / rms) if rms > 0 else 0
    
    # Spektrale Bandbreite
    spectral_bandwidth = librosa.feature.spectral_bandwidth(y=y, sr=sr)[0]
    
    # Zero-Crossing Rate
    zcr = librosa.feature.zero_crossing_rate(y)[0]
    
    # Klangfarbe (Spectral Centroid)
    spectral_centroid = librosa.feature.spectral_centroid(y=y, sr=sr)[0]
    
    return {
        'Datei': file_path,
        'Dauer (s)': duration,
        'RMS (dB)': 20 * np.log10(rms) if rms > 0 else -np.inf,
        'Dynamikbereich (dB)': dynamic_range,
        'Spektrale Bandbreite (Hz)': np.mean(spectral_bandwidth),
        'Zero-Crossing Rate': np.mean(zcr),
        'Spektraler Schwerpunkt (Hz)': np.mean(spectral_centroid)
    }

# Mehrere Dateien analysieren
files = ['audio1.wav', 'audio2.wav', 'audio3.wav']
results = [analyze_audio(f) for f in files]

df = pd.DataFrame(results)
print(df)

KI-basierte Qualitätssicherung

Metrik	Optimaler Wert	KI-Analyse
RMS Level	-12 bis -6 dB	Automatische Normalisierung
Dynamikbereich	> 15 dB	Kompressions-Empfehlungen
Signal-Rausch-Verhältnis (SNR)	> 30 dB	Rauschunterdrückungs-Bedarf
Verzerrung (THD)	< 0.1%	Qualitätswarnungen
Spektrale Bandbreite	> 1 kHz	EQ-Optimierung

🎯 Praxisprojekte

Projekt 1: Podcast-Produktion mit KI

Ziel: Automatisierte Podcast-Nachbearbeitung von der Rohaufnahme bis zur Fertigstellung.

Benötigte Tools:

Audacity
DeepFilterNet
Whisper.cpp
FFmpeg

Verarbeitungszeit: 5-10 Minuten pro Stunde Audio

Projekt 2: Karaoke-Version erstellen

Ziel: Gesang aus einem Song extrahieren für Karaoke.

Benötigte Tools:

Audacity
Demucs
FFmpeg

Qualität: 85-95% der Original-Qualität

Projekt 3: Sprachaufnahmen restaurieren

Ziel: Alte Sprachaufnahmen von Hintergrundgeräuschen bereinigen.

Benötigte Tools:

Audacity
RNNoise
DeepFilterNet

Ergebnis: Professionelle Klangqualität

📦 Vollständige Tool-Übersicht

Open-Source KI-Tools für Audacity

Tool	Funktion	Plattform	Integration
RNNoise	Echtzeit-Rauschunterdrückung	Linux/Windows/macOS	LADSPA-Plugin
DeepFilterNet	Hochwertige Audio-Restaurierung	Linux/Windows/macOS	CLI-Tool
Demucs	Stem-Separation	Linux/Windows/macOS	CLI-Tool
Whisper.cpp	Sprach-zu-Text	Linux/Windows/macOS	CLI-Tool
OpenVINO Plugins	Verschiedene KI-Effekte	Linux/Windows	Audacity-Plugin
Sox	Audio-Konvertierung & Effekte	Linux/Windows/macOS	CLI-Tool
FFmpeg	Audio-/Video-Verarbeitung	Linux/Windows/macOS	CLI-Tool

Kommerzielle Alternativen

Tool	Funktion	Preis	Plattform
iZotope RX	Professionelle Audio-Restaurierung	~$999	Windows/macOS
Adobe Podcast Enhance	KI-basierte Sprachverbesserung	~$20/Monat	Web
LALAL.AI	Stem-Separation (Cloud)	~$15/Stunde	Web
Sonible smart:eq	KI-EQ	~$179	Windows/macOS

🔗 Verwandte Themen

Audio/KI und Audio – Umfassende Übersicht zu KI in der Audio-Verarbeitung
Audio/Daw-Integration – KI in Digital Audio Workstations
Audio/MIDI-Programmierung – MIDI mit KI steuern
Audio/Audio-Processing – Signalverarbeitung mit KI
Tools/Analysetool – Code-Analyse für Audio-Projekte

Letzte Aktualisierung: Juli 2026

Kreativ / Audio & Musik / Audacity / Audacity mit KI

Audacity mit KI: Professionelle Audiobearbeitung

🎯 Einführung: KI in Audacity

Warum KI für Audacity?

KI vs. Traditionelle Audacity-Plugins

🔧 KI-Plugins für Audacity

1. OpenVINO KI-Plugins (Intel)

Installation

Verfügbare KI-Effekte

🎙️ Rauschunterdrückung mit KI

RNNoise: Echtzeit-Rauschfilterung

Installation in Audacity

Anwendung

Vergleich: RNNoise vs. DeepFilterNet

🎵 Stem-Separation: Musik in Spuren trennen

Demucs Integration

Demucs über Audacity nutzen

Workflow: Audacity + Demucs

Qualität der Trennung

🗣️ Sprachverarbeitung & Transkription

Whisper für automatische Transkription

Installation

Audio transkribieren

Transkription in Audacity nutzen

🎚️ Audio-Restaurierung & Verbessung

DeepFilterNet: Professionelle Audio-Bereinigung

Installation

Anwendung

Vergleich: Rauschunterdrückungs-Tools

📊 Batch-Verarbeitung mit KI

Automatisierte Workflows

Skript: Batch-Rauschunterdrückung

Skript: Automatische Stem-Separation

🎛️ Automatisierung mit Makros

Audacity Makros erstellen

Makro: Podcast-Vorbereitung

Makro-Datei (JSON)

🔬 Qualitätsanalyse mit KI

Automatisierte Audio-Analyse

Python-Skript für Audio-Metriken

KI-basierte Qualitätssicherung

🎯 Praxisprojekte

Projekt 1: Podcast-Produktion mit KI

Projekt 2: Karaoke-Version erstellen

Projekt 3: Sprachaufnahmen restaurieren

📦 Vollständige Tool-Übersicht

Open-Source KI-Tools für Audacity

Kommerzielle Alternativen

🔗 Verwandte Themen

Navigationsmenü

Suche