Mikrofon-Rauschfilter: Unser Test zeigt die Grenzen der KI

Lüfterrauschen verschwindet, die mechanische Tastatur wird leiser, und selbst der Hund neben dem Rechner soll angeblich nicht mehr in jeder Gesprächspause zu hören sein.

In der Praxis ist die Sache weniger elegant. Ein Softwarefilter kann ein konstantes Grundrauschen erstaunlich gut reduzieren. Er kann aber nicht beliebig zwischen Sprache, Raumklang und störenden Impulsen unterscheiden. Wer sein Mikrofon weit vom Mund entfernt aufstellt, in einem halligen Zimmer streamt und anschließend die Rauschunterdrückung auf Maximum zieht, bekommt deshalb nicht automatisch eine professionelle Aufnahme. Oft entsteht eine Stimme, die sauberer wirken soll und dabei unnatürlich, angegriffen oder geradezu künstlich klingt.

Für diesen Vergleich haben wir die gängigen Ansätze rund um OBS, NVIDIA Broadcast und Krisp gegenübergestellt. Entscheidend ist dabei nicht nur, wie viel Geräusch ein Filter entfernt. Ebenso wichtig ist, was er mit den Bestandteilen der Stimme macht, wie stark er den Rechner belastet und ob die jeweilige Lösung überhaupt zur vorhandenen Hardware passt.

Ein Rauschfilter soll störende Geräusche zurücknehmen – nicht die Stimme aus dem Signal herausoperieren.

Die Funktionsweise von RNNoise, Speex und NVIDIA Noise Removal in OBS

Wer mit OBS Studio streamt, landet früher oder später im Bereich der Audiofilter. Dort stehen je nach Installation und System mehrere Verfahren zur Auswahl, die sich nicht nur beim Namen unterscheiden. Sie arbeiten mit unterschiedlichen Annahmen darüber, was Rauschen ist und welche Bestandteile des Signals erhalten bleiben sollen.

Das ist der Grund, warum derselbe Schreibtisch mit verschiedenen Filtern völlig unterschiedlich klingen kann. Der eine Algorithmus lässt ein leises Lüftergeräusch stehen, bewahrt dafür aber die Stimme recht transparent. Der andere entfernt den Lüfter fast vollständig und nimmt dafür Atemzüge, Zischlaute oder den Anfang eines Wortes mit.

RNNoise: überzeugend bei gleichmäßigem Grundrauschen

RNNoise ist ein neuronaler Rauschfilter. Vereinfacht gesagt analysiert das Modell das Audiosignal fortlaufend und schätzt, welche Anteile wahrscheinlich zur Sprache gehören und welche eher als Hintergrundgeräusch einzustufen sind. Diese Entscheidung fällt nicht einmal pro Aufnahme, sondern immer wieder für sehr kurze Signalabschnitte.

Das funktioniert besonders gut bei Geräuschen, die sich relativ gleichmäßig verhalten: dem Lüfter eines Rechners, einer Klimaanlage, einem entfernten Brummen oder einem konstanten Grundrauschen der Elektronik. Solche Geräusche lassen sich vom Sprachsignal häufig ausreichend unterscheiden, ohne dass der Filter jedes einzelne Wort neu erfinden muss.

Schwieriger wird es bei kurzen, lauten Ereignissen. Ein Tastaturanschlag, das Klappen einer Tür oder eine auf den Tisch gestellte Tasse besteht nur aus einem kurzen Impuls, kann aber ein breites Frequenzspektrum enthalten. Für den Filter sieht ein solches Geräusch in einem kurzen Moment nicht unbedingt wie ein klar erkennbarer Fremdanteil aus. Es kann in die Sprachmaske hineinragen oder die Analyse kurz aus dem Takt bringen.

RNNoise läuft auf der CPU. Auf einem modernen Rechner ist das für einen einzelnen Sprachkanal meist kein dramatisches Problem, bei mehreren Filtern, Szenen und laufenden Spielen zählt die zusätzliche Last trotzdem. Der entscheidende Vorteil bleibt: Das Verfahren ist nicht an eine bestimmte Grafikkartenmarke gebunden.

Speex: weniger spektakulär, aber berechenbar

Speex arbeitet klassischer. Der Filter orientiert sich an einem Schwellenwert und reduziert beziehungsweise unterdrückt Signalanteile, die unterhalb dieses Werts liegen. Das ist kein lernendes System und verspricht keine magische Trennung zwischen Stimme und Umgebung. Genau darin liegt seine Stärke.

Bei moderater Einstellung kann Speex unauffällig arbeiten. Das Grundrauschen tritt in Sprachpausen weniger hervor, während die Stimme vergleichsweise direkt bleibt. Wer den Filter jedoch zu aggressiv einstellt, bekommt schnell die Grenzen des Verfahrens zu hören. Speex weiß nicht zuverlässig, ob ein leiser Anteil gerade Rauschen oder ein Bestandteil der Sprache ist. Atemgeräusche, leise Endungen, weiche Konsonanten und Flüstern können dadurch beschnitten werden.

Das Ergebnis ist nicht unbedingt sofort als digitale Verzerrung erkennbar. Häufig klingt die Stimme zunächst nur trockener, dünner oder unruhiger. In längeren Aufnahmen fällt dann auf, dass Wortanfänge verschwinden und die Lautstärke zwischen Sprachpausen und gesprochenen Passagen unnatürlich springt.

Speex ist damit kein schlechter Filter. Er verlangt nur mehr Disziplin beim Einstellen. Wer einen Regler blind auf einen hohen Wert setzt, arbeitet gegen das Verfahren. Wer den Eingriff knapp hält, erhält einen transparenten Effekt mit vergleichsweise niedriger CPU-Last.

NVIDIA Noise Removal: mehr Reserven, aber mit Hardwarebindung

NVIDIA Noise Removal beziehungsweise die entsprechenden Effekte aus dem NVIDIA-Ökosystem setzen auf ein KI-basiertes Verfahren, das über kompatible RTX-Hardware unterstützt wird. In OBS kann der Filter je nach Installation und verwendeter NVIDIA-Komponente direkt in die Audiofilter-Kette eingebunden werden. Alternativ übernimmt NVIDIA Broadcast die Verarbeitung und stellt ein virtuelles Mikrofon für andere Anwendungen bereit.

Der Vorteil liegt in der Kombination aus Rechenleistung und aggressiverer Störgeräuschunterdrückung. Gleichmäßiges Rauschen verschwindet meist sehr zuverlässig, und auch manche wiederkehrenden Nebengeräusche lassen sich stärker reduzieren als mit einem einfachen Schwellenwertfilter. Gleichzeitig bleibt die Stimme bei sinnvoller Einstellung oft natürlicher, als man es von einer maximal eingreifenden Software erwarten würde.

Das ist allerdings kein Freifahrtschein. Auch NVIDIA Noise Removal kann Sprachanteile beschädigen, wenn das Eingangssignal schlecht ist oder die Unterdrückung zu stark arbeitet. Außerdem bleibt die Lösung an eine bestimmte Hardwareklasse und an ein kompatibles Betriebssystem gebunden. Wer mit einer anderen Grafikkarte oder unter macOS arbeitet, kann diesen Weg nicht einfach nachrüsten.

Die Wahl hängt damit nicht nur von der theoretisch besten Filterleistung ab. Ein Filter, der auf dem eigenen System nicht verfügbar ist oder den Rechner während des Spielens unnötig belastet, ist in der Praxis keine besonders gute Lösung.

Hardware-Hürden: Warum NVIDIA Broadcast exklusive Anforderungen stellt

NVIDIA Broadcast ist bequem, wenn die Voraussetzungen bereits erfüllt sind. Die Anwendung bündelt Mikrofonfilter, virtuelle Ein- und Ausgänge und weitere Effekte in einer Oberfläche. Für viele Streaming-Setups ist das angenehmer, als jeden Filter einzeln in OBS oder in der Kommunikationssoftware einzurichten.

Der Preis für diese Bequemlichkeit ist die Plattformbindung. NVIDIA Broadcast setzt Windows und kompatible NVIDIA-Hardware voraus. Eine GTX-Karte, eine integrierte Grafikeinheit oder ein macOS-System reichen dafür nicht aus. Das ist keine kleine Fußnote in den technischen Daten, sondern entscheidet darüber, ob die Software überhaupt Teil des eigenen Setups werden kann.

Die Bindung an RTX-Karten hat einen technischen Hintergrund: Bestimmte KI-Effekte können Rechenoperationen auf der GPU beziehungsweise auf dafür vorgesehenen Einheiten auslagern. Für den Nutzer bleibt trotzdem eine strategische Entscheidung. Die Filterfunktion wird nicht als universelles Audio-Werkzeug angeboten, sondern als Bestandteil eines Herstellersystems.

Krisp verfolgt einen anderen Ansatz. Die Software ist stärker auf Plattformbreite und einfache Integration ausgelegt und kann in verschiedenen Kommunikations- und Aufnahmeszenarien als Filterstufe zwischen Mikrofon und Anwendung arbeiten. Je nach Version, Anwendung und Konfiguration unterscheiden sich die verfügbaren Funktionen. Für Nutzer ohne RTX-Hardware ist Krisp deshalb eine naheliegende Alternative, aber nicht automatisch klanglich überlegen.

In der Praxis wirkt eine konservativ arbeitende Lösung manchmal angenehmer als ein Filter, der jedes Nebengeräusch um jeden Preis entfernen will. Ein kleiner Rest Lüfterrauschen ist für viele Zuhörer weniger störend als eine Stimme, deren Zischlaute verschwinden und deren Wortenden pumpen. Das ist kein Fehler des weniger aggressiven Filters, sondern eine Frage der Priorität.

Für OBS selbst spricht, dass die Anwendung mehrere Verarbeitungswege zusammenführt. Ein typisches Setup kann etwa mit einem moderaten Rauschfilter beginnen, danach einen Kompressor nutzen und anschließend mit Limiter und Pegelanpassung arbeiten. Jeder zusätzliche Schritt verändert das Signal. Deshalb sollte man nicht mehrere aggressive Rauschfilter hintereinander schalten. Sie erkennen dieselben Sprachanteile unterschiedlich und verstärken damit oft genau die Artefakte, die man eigentlich vermeiden wollte.

Wer zwischen den Systemen vergleicht, sollte auf vier Punkte achten:

• Verfügbarkeit: Läuft die Lösung auf dem eigenen Betriebssystem und mit der vorhandenen Grafikkarte?
• Rechenlast: Bleibt beim Spielen, Streamen und Aufnehmen genug Reserve für das Audiosignal?
• Integration: Wird ein virtuelles Mikrofon benötigt, oder lässt sich der Filter direkt in OBS einsetzen?
• Klangverhalten: Bleibt die Stimme auch bei Pausen, leisen Passagen und Zischlauten stabil?

Ein kurzer Eindruck nach dem ersten Einschalten reicht für diesen Vergleich nicht aus. Viele Filter klingen im Sprachtest beeindruckend, weil sie das Signal sehr trocken und sauber machen. Erst bei längeren Gesprächen, wechselnder Lautstärke und echten Tastaturgeräuschen zeigt sich, ob die Stimme stabil bleibt.

Die Klangfalle: Warum maximale Filterung die Stimme synthetisch verformt

Die naheliegende Versuchung lautet: Wenn ein Filter bei mittlerer Einstellung Geräusche entfernt, muss die höchste Stufe noch besser sein. Genau das ist der Punkt, an dem viele Streaming-Mikrofone plötzlich künstlich klingen.

Ein KI-Filter arbeitet mit Wahrscheinlichkeiten. Er entscheidet nicht mit absoluter Sicherheit, welcher Teil des Signals zur Sprache gehört. Bei einer klaren, nah aufgenommenen Stimme ist diese Entscheidung vergleichsweise leicht. Bei einem leisen Mikrofon, viel Raumhall und einem wechselnden Hintergrund wird sie unsicherer. Der Filter muss dann stärker eingreifen, um das gewünschte Ergebnis zu erzeugen.

Dabei können Bestandteile der Sprache verloren gehen. Nicht nur Atemgeräusche sind betroffen. Auch weiche Konsonanten, Ausklingvorgänge, leise Silben und die feinen Reflexionen einer Stimme gehören zu dem Signal, das unser Gehör als natürlich wahrnimmt. Werden diese Anteile fortlaufend abgesenkt oder rekonstruiert, verändert sich die Textur der Stimme.

Typische Symptome einer zu aggressiven Einstellung sind:

1. Wortanfänge wirken abgeschnitten. Der Filter erkennt den Beginn einer leisen Silbe zu spät und blendet ihn erst ein, wenn die Stimme bereits deutlich lauter ist.

2. S-Laute verlieren ihre Schärfe. Die Sprache klingt dumpf oder lispelnd, weil hohe Frequenzanteile als Störung behandelt werden.

3. Die Stimme pumpt. In Sprachpausen wird stark abgesenkt, beim nächsten Wort springt der Pegel wieder nach oben.

4. Die Klangfarbe verändert sich. Die Stimme wirkt hohl, metallisch oder synthetisch, obwohl kein klassischer Hall im Signal zu hören ist.

5. Kurze Störungen bleiben trotzdem hörbar. Der Filter entfernt nicht unbedingt jeden Tastaturanschlag, sondern kann ihn mit einem digitalen Nachklang versehen.

Die beste Einstellung ist daher nicht die, bei der die Pegelanzeige am ruhigsten aussieht. Entscheidend ist, ob die Stimme über längere Zeit verständlich und glaubwürdig bleibt. Ein kaum wahrnehmbares Grundrauschen ist oft die bessere Wahl als absolute Stille zwischen den Wörtern.

Für einen praktischen Streaming-Mikrofon-Soundtest sollte man deshalb nicht nur einen einzelnen Satz aufnehmen. Sinnvoller sind mehrere Situationen: normale Gesprächslautstärke, leise Sprache, bewusst gesetzte S-Laute, längere Pausen und ein paar typische Nebengeräusche. Dazu gehören Tastaturanschläge, Mausklicks oder ein Lüfter, der nicht exakt gleichmäßig läuft. Erst dieser Wechsel zeigt, ob der Algorithmus robust arbeitet oder nur unter Laborbedingungen gut klingt.

Die Einstellung sollte so niedrig wie möglich ausfallen, aber hoch genug, um das konstante Störgeräusch im tatsächlichen Szenario zurückzunehmen. Das ist keine besonders spektakuläre Empfehlung. Sie ist aber belastbarer als die Suche nach einem maximalen Prozentwert.

Echtzeit-Filter vs. Postproduktion: Einsatzgebiete und technische Grenzen

Echtzeitfilter und Werkzeuge für die Nachbearbeitung verfolgen nicht dasselbe Ziel. Ein Filter für OBS, einen Voice-Chat oder einen Livestream muss während der Aufnahme entscheiden. Er kann nicht mehrere Minuten Material untersuchen, einen problematischen Abschnitt markieren und anschließend mit einer zweiten Berechnung eine bessere Version erzeugen.

Stattdessen verarbeitet er das Signal fortlaufend in kleinen Abschnitten. Diese Verarbeitung braucht Zeit, aber die Verzögerung muss so gering bleiben, dass Monitoring, Kommunikation und Bild nicht unangenehm auseinanderlaufen. Eine geringe Latenz wird dabei nicht automatisch als Echo wahrgenommen. Ob eine Verzögerung auffällt, hängt unter anderem von ihrer tatsächlichen Dauer, dem verwendeten Monitoring-Weg, dem Raum und der Anwendung ab. Beim direkten Abhören über Kopfhörer können schon kleine zeitliche Versätze irritieren; wer sich nicht selbst über das Mikrofon abhört, bemerkt dieselbe Verzögerung möglicherweise kaum.

Ein Echo entsteht also nicht einfach deshalb, weil irgendeine Millisekunde zwischen Schallereignis und Verarbeitung liegt. Problematisch wird es vor allem, wenn das Mikrofonsignal zusätzlich unverarbeitet oder über einen zweiten Weg zu hören ist und beide Versionen zeitlich versetzt zusammentreffen. Genau dann hört der Sprecher oder die Sprecherin eine Verdopplung beziehungsweise einen kurzen Nachhall. Bei einem sauber eingerichteten Monitoring-Weg kann eine geringe Verarbeitungsverzögerung dagegen unauffällig bleiben.

Die technischen Grenzen der Echtzeitverarbeitung liegen an anderer Stelle ebenso deutlich:

• Der Filter muss mit unvollständigen Informationen arbeiten und kann die nächsten Signalanteile nicht vorab kennen.
• Ein plötzliches Geräusch wird erst erkannt, wenn es bereits im Audiosignal angekommen ist.
• Stark beschädigte oder verhallte Sprache lässt sich nicht zuverlässig in eine natürliche Stimme zurückverwandeln.
• Jede zusätzliche Filterstufe kann Rechenlast, Verzögerung und Artefakte erhöhen.
• Ein Filter kann Störungen unterdrücken, aber keine gute Mikrofonposition nachträglich herstellen.

Für die Postproduktion stehen andere Werkzeuge zur Verfügung. Programme wie iZotope RX, Adobe Audition oder Audacity können einen längeren Abschnitt analysieren und ein Rauschprofil aus einer Passage ohne Sprache ableiten. Das schafft mehr Spielraum für gezielte Bearbeitung. Man kann Problemstellen einzeln behandeln, die Stärke der Korrektur anpassen und das Ergebnis mehrfach abhören, bevor die Datei veröffentlicht wird.

Auch diese Werkzeuge sind kein Reparaturzauber. Ein stark verhalltes Signal bleibt stark verhallt. Wenn Sprache und Störgeräusch im selben Frequenzbereich liegen und gleichzeitig auftreten, kann auch die Offline-Bearbeitung nicht beliebig sauber trennen. Sie hat aber einen entscheidenden Vorteil: Sie muss nicht jede Entscheidung innerhalb des laufenden Gesprächs treffen.

Für Livestreams und Voice-Chat zählt deshalb vor allem Stabilität. Ein Filter darf nicht bei jedem Tastendruck die Sprachfarbe verändern. In der Postproduktion ist dagegen maximale Kontrolle wichtiger. Dort kann ein kleiner Restfehler akzeptabel sein, wenn man ihn an einzelnen Stellen korrigiert. Im Stream gibt es diese zweite Chance nicht.

Raumakustik bleibt unersetzlich: Warum Software keine Hardware ersetzt

Die unbequemste Erkenntnis beim Thema Mikrofon-Hintergrundgeräusche filtern ist zugleich die wichtigste: Nicht jedes unerwünschte Geräusch ist Rauschen. Ein gleichmäßiges Lüfterbrummen lässt sich anders behandeln als der Nachhall eines leeren Zimmers. Ein Tastaturanschlag ist ein Impuls. Die Reflexion der eigenen Stimme an einer harten Wand ist Teil des Nutzsignals, nur eben in einer ungünstigen Form.

In einem Raum mit Laminat, Glas, unverkleideten Wänden und wenig Mobiliar trifft der Direktschall aus dem Mund auf mehrere reflektierende Flächen. Diese Reflexionen erreichen das Mikrofon zeitversetzt und überlagern die direkte Stimme. Ein Rauschfilter kann versuchen, solche Anteile zu reduzieren. Er kann sie aber nicht so behandeln wie ein konstantes Brummen, weil der Hall eng mit der Stimme verbunden ist.

Die erste Verbesserung beginnt daher nicht im Plugin-Menü, sondern am Mikrofonständer. Ein Mikrofon mit Nierencharakteristik nimmt Schall von vorne meist empfindlicher auf als Schall von den Seiten und von hinten. Es nimmt aber nicht ausschließlich den frontalen Schall auf. Auch rückwärtige und seitliche Signale gelangen in die Kapsel, nur mit geringerer Empfindlichkeit. Bei einer Superniere ist die Richtwirkung stärker auf den vorderen Bereich konzentriert; dafür gibt es typischerweise zusätzlich eine kleine rückwärtige Empfindlichkeitskeule. Die Position möglicher Störquellen hinter dem Mikrofon bleibt deshalb relevant.

Ebenso entscheidend ist die Ausrichtung. Ein Mikrofon kann auf dem Papier eine geeignete Richtcharakteristik besitzen und trotzdem schlecht aufgestellt sein. Steht die Tastatur direkt in der empfindlichsten Achse, wird sie deutlich stärker aufgenommen, als es die bloße Bezeichnung „Niere“ vermuten lässt. Manchmal bringt eine leichte Drehung des Mikrofons mehr als ein weiterer Softwarefilter.

Der Abstand zum Mund beeinflusst das Verhältnis zwischen Stimme und Raum. Eine nähere Position macht die Stimme im Signal stärker und gibt dem Filter mehr verwertbare Sprachinformation. Zu nah kann allerdings Plosivlaute, Atemgeräusche und den Nahbesprechungseffekt verstärken. Ein Popfilter hilft gegen harte Luftstöße, ersetzt aber keine saubere Mikrofontechnik.

Auch die mechanische Umgebung zählt. Ein Mikrofonarm, der direkt am vibrierenden Tisch befestigt ist, kann Tastaturanschläge und Schreibtischbewegungen als Körperschall übertragen. Eine Stoßhalterung reduziert solche Übertragungen, beseitigt sie aber nicht vollständig. Wer während des Streams ständig mit dem Unterarm über die Tischplatte rutscht, erzeugt damit eine andere Störung als ein elektronisches Grundrauschen.

Vor dem Einsatz von KI-Rauschunterdrückung lohnt sich deshalb eine nüchterne Reihenfolge:

1. Mikrofon näher und sinnvoller ausrichten. Die Stimme sollte deutlich stärker am Eingang ankommen als der Raum und die entfernten Störquellen.

2. Störquellen aus der empfindlichsten Richtung entfernen. Lüfter, Lautsprecher und laute Tastaturen gehören nicht automatisch dorthin, wo die Kapsel am empfindlichsten ist.

3. Reflexionen reduzieren. Vorhänge, Regale, Teppiche und eine weniger kahle Umgebung helfen gegen harte Reflexionen, auch wenn sie keinen vollständigen Studiobau ersetzen.

4. Pegel sauber einstellen. Ein zu leises Eingangssignal zwingt später zu stärkerer Verstärkung und macht jedes Grundrauschen auffälliger.

5. Erst danach den Filter zuschalten. Er sollte die letzten störenden Reste bearbeiten, nicht die komplette Aufnahme retten müssen.

Software kann ein ordentliches Mikrofonsignal veredeln. Sie kann aus einem schlechten Aufnahmeraum aber kein Studio machen.

Gerade im Gaming-Mikrofon-Test auf Nebengeräusche zeigt sich dieser Zusammenhang deutlich. Eine gute Kapsel in ungünstiger Position kann schlechter klingen als ein einfacheres Mikrofon, das näher am Mund steht und weniger Raum aufnimmt. Der Name des Filters entscheidet also nicht allein über das Ergebnis. Signalabstand, Raum, Ausrichtung und Monitoring bilden die Grundlage.

Was im Streaming-Setup tatsächlich sinnvoll ist

Bei der Auswahl eines Filters sollte man nicht nur nach der stärksten Unterdrückung suchen. Ein brauchbares Setup muss zum eigenen Einsatz passen. Wer ausschließlich in einem ruhigen Raum spricht, braucht möglicherweise nur eine milde Reduktion des Grundrauschens. Wer in einer lauten Umgebung streamt, wird mit Software allein kaum zufrieden sein, ganz gleich, wie modern das KI-Modell klingt.

Für ein typisches OBS-Setup ist eine moderate Kette oft sinnvoller als ein einzelner Filter auf Anschlag. Zuerst steht die möglichst saubere Aufnahme. Danach kann ein Rauschfilter konstante Nebengeräusche zurücknehmen. Ein Kompressor gleicht anschließend die Lautstärkeunterschiede aus, während ein Limiter Pegelspitzen begrenzt. Diese Schritte sollten einzeln abgehört werden. Wenn die Stimme nach jedem Plugin nur „lauter und sauberer“ wirkt, aber ihre Natürlichkeit verliert, ist die Kette bereits zu kompliziert.

Beim Vergleich von RNNoise, Speex und NVIDIA Noise Removal sollte man deshalb nicht die spektakulärste Demo bevorzugen. Ein überzeugendes Ergebnis zeichnet sich eher dadurch aus, dass es nach einigen Minuten nicht mehr auffällt. Die Stimme bleibt verständlich, Pausen klingen nicht künstlich abgeschnitten, und die Filterung springt nicht bei jedem Nebengeräusch hörbar an.

Krisp und vergleichbare Lösungen können für Video-Calls und wechselnde Arbeitsumgebungen besonders praktisch sein, weil sie nicht auf eine einzelne Streamingsoftware beschränkt sind. NVIDIA Broadcast punktet mit der engen Verzahnung aus Software und kompatibler NVIDIA-Hardware. RNNoise ist für viele OBS-Nutzer der interessante Mittelweg, wenn keine zusätzliche Grafikkarte vorausgesetzt werden soll. Speex bleibt dort sinnvoll, wo geringe Rechenlast und ein nachvollziehbares Verhalten wichtiger sind als maximale Unterdrückung.

Keines dieser Verfahren ist grundsätzlich das beste. Die Frage lautet vielmehr, welches Problem im Signal tatsächlich vorliegt. Bei gleichmäßigem Rauschen darf ein KI-Filter seine Stärke zeigen. Bei Hall, Körperschall und sehr lauten Impulsen hilft oft zuerst eine Änderung des Setups. Und wenn die Aufnahme bereits für ein Video oder einen Podcast existiert, gehört die Aufgabe in die Postproduktion statt in einen Echtzeitfilter.

Unser Fazit: Werkzeug, kein Wundermittel

Die Streaming-Mikrofon-Rauschunterdrückung im Test zeigt vor allem, wie unterschiedlich die Begriffe „sauber“ und „natürlich“ sein können. RNNoise in OBS reduziert konstante Nebengeräusche ohne GPU-Zwang und bleibt damit flexibel. Speex arbeitet weniger spektakulär, kann bei moderater Einstellung aber transparent und ressourcenschonend sein. NVIDIA Noise Removal beziehungsweise Broadcast liefert starke Ergebnisse, wenn die passende RTX-Hardware und das unterstützte System bereits vorhanden sind. Krisp ist eine praktische Alternative für plattformübergreifende Szenarien, bei denen keine NVIDIA-Lösung infrage kommt.

Die Grenzen liegen bei allen Verfahren an derselben Stelle: Ein Filter kann Wahrscheinlichkeiten berechnen, aber keine akustische Umgebung wegdiskutieren. Je weiter das Mikrofon vom Mund entfernt steht, je stärker der Raum hallt und je näher mechanische Störquellen an der Kapsel liegen, desto mehr muss die Software eingreifen. Mit jedem zusätzlichen Eingriff steigt das Risiko, dass nicht nur das Geräusch, sondern auch die Stimme verändert wird.

Eine geringe Verarbeitungsverzögerung ist dabei nicht automatisch ein Echo. Sie wird vor allem dann problematisch, wenn beim Monitoring mehrere Signalwege zeitlich versetzt zusammentreffen. Ebenso nimmt ein Nieren- oder Supernierenmikrofon nicht ausschließlich frontalen Schall auf. Richtwirkung hilft, ersetzt aber keine überlegte Aufstellung.

Die sinnvollste Reihenfolge bleibt deshalb unspektakulär: Mikrofon positionieren, Abstand anpassen, Raumreflexionen reduzieren, Pegel sauber setzen und den Filter anschließend so schwach wie möglich einsetzen. Wer diese Grundlagen erledigt, bekommt von moderner KI eine hörbare Unterstützung. Wer sie überspringt, erhält im besten Fall eine sterile Aufnahme und im schlechtesten eine Stimme, die klingt, als würde sie um jedes Wort kämpfen.

Das ist kein Versagen der Technik. Es ist ihre tatsächliche Aufgabe. Rauschunterdrückung ist die letzte Schicht eines guten Signals – nicht der Ersatz für Mikrofon, Raum und Aufnahmeverständnis.