Debugging ohne Ohren

Teil 1 endete mit einem Rätsel: Die Vorlesestimme dieses Blogs produzierte plötzlich lautes weisses Rauschen, mitten im Text. Mal hier, mal dort, nie an derselben Stelle. Kein Fehler in keinem Log, jede Zeile grün.

Das Besondere an diesem Fall: Der Fehler war ausschliesslich hörbar. Und der Ermittler — der KI-Agent, der die ganze Vertonung gebaut hat — hat keine Ohren. Er kann eine Audiodatei öffnen, aber nicht anhören. Für ihn ist sie eine lange Reihe von Zahlen.

Was dann geschah, ist die vielleicht lehrreichste Geschichte dieses ganzen Umbaus.

Schritt 1: Wenn du nicht hören kannst, miss

Der Agent tat, was ein guter Ingenieur ohne Sinnesorgan tut: Er baute sich ein Messgerät. Weisses Rauschen sieht in den Zahlen anders aus als Sprache — es ist gleichmässig laut über alle Frequenzen, während Sprache Struktur hat, Berge und Täler.

Also zerlegte er die Audiodatei in Fenster von einer Zehntelsekunde und berechnete für jedes zwei Werte: die Energie (wie laut?) und die spektrale Flachheit (wie strukturlos?). Beides zusammen ergibt einen brauchbaren Rauschmelder: laut und flach — das ist kein Sprachlaut mehr.

Damit hatte das Unsichtbare Koordinaten. Aus «irgendwo rauscht es» wurde: von Sekunde 214,3 bis 219,1, und nochmal ab 305,8. Reproduzierbar. Messbar. Der erste Riss im Fall.

Schritt 2: Ohren leihen

Für den zweiten Blick lieh sich der Agent Ohren: eine Spracherkennung (Whisper, lokal, versteht sich). Sie übersetzt Audio zurück in Text — und liefert dabei für jedes Wort einen Zeitstempel und eine Konfidenz, ein Mass für «wie sicher bin ich, das verstanden zu haben».

Über die verrauschten Stellen gelegt, ergab sich ein präzises Bild: Vor der gemessenen Rauschzone ist die Konfidenz hoch, in ihr bricht sie ein, danach erholt sie sich schlagartig. Nicht allmählich — schlagartig. Das Rauschen begann und endete an exakten Schnittkanten.

Und Schnittkanten gab es im System an genau einer Sorte Stelle: an den Pausen. Dort, wo das Skript zwischen Sätzen und Absätzen künstliche Stille einfügt.

Schritt 3: Der Täter ist ein ungerades Byte

Jetzt war es Handarbeit. Der Agent las nach, wie das Vertonungswerkzeug Pausen erzeugt, und fand die Stelle: Die Stille wurde als Anzahl Bytes in den Datenstrom geschrieben — berechnet aus Abtastrate mal Sekunden mal zwei, weil jedes Klangsample zwei Bytes belegt.

Rechnen wir mit: 22’050 Samples pro Sekunde, 0,7 Sekunden Pause — das sollte 15’435 Samples ergeben, also 30’870 Bytes. Aber Computer rechnen 0,7 nicht exakt: Das Produkt landet ein Haar unter 30’870, und die Formel schneidet Nachkommastellen ab statt zu runden. Ergebnis: 30’869 Bytes. Eine ungerade Zahl.

Ein Byte zu viel oder zu wenig, was soll’s? Alles. Denn jedes Sample besteht aus zwei Bytes, die zusammengehören wie die Hälften eines Reissverschlusses. Schiebt man den Strom um ein einzelnes Byte, liest der Player fortan die zweite Hälfte jedes Samples als erste Hälfte des nächsten. Jedes Sample wird zu einer Zufallszahl. Und ein Strom aus Zufallszahlen ist, per Definition, weisses Rauschen.

Bis zur nächsten ungeraden Pause — die schiebt den Reissverschluss wieder gerade, und die Stimme kehrt zurück, als wäre nichts gewesen. Deshalb kam und ging das Rauschen. Deshalb nie an derselben Stelle. Deshalb kein Fehler im Log: Aus Sicht des Programms war jedes Byte korrekt geschrieben.

Ein einzelnes ungerades Byte, irgendwo in einer Pause. Das war der ganze Fall.

Der Fix und die Kontrolle

Die Reparatur war danach fast banal: Das Skript umgeht die fehlerhafte Pausenlogik des Werkzeugs und baut Stille selbst — immer aus ganzen Samples, nie aus halben. Dazu kam eine Wache: Nach jeder Generierung läuft der Rauschmelder aus Schritt 1 automatisch mit. Kein Audio verlässt die Pipeline, das laut und strukturlos zugleich ist.

Seither: Stille, wo Stille sein soll.

Warum diese Geschichte hier steht

Nicht wegen des Bytes. Sondern wegen der Methode: Ein Agent stand vor einem Problem, für das ihm buchstäblich das Sinnesorgan fehlte — und hat sich das Organ aus Werkzeugen gebaut. Erst ein Messgerät, dann ein geliehenes Ohr, dann der Beweis.

Das ist exakt die Fähigkeit, die zählt, wenn ein Agent in einer Firma auf das System trifft, das niemand mehr erklären kann: keine Doku, kein Ansprechpartner, nur Verhalten. Man kann nicht alles wissen. Man kann sich aber fast alles erschliessen, wenn man misst statt rät.

Und die ehrliche Grenze zum Schluss: Die reparierte Stimme liest sauber, aber sie liest wie ein Nachrichtensprecher, nicht wie eine Erzählerin. Echte Erzähl-Prosodie — Spannung, Tempo, Timbre — kann diese Modellklasse nicht. Vielleicht wird das ein Teil 3 mit einer anderen Engine. Erst einmal gilt: Der Blog liest sich wieder selbst vor, fehlerfrei.

Hören Sie es nach — der Abspielknopf oben nutzt die reparierte Stimme. Wenn irgendwo Rauschen ist, war es diesmal Absicht des Autors.