Latenz der Audiokette

Woraus setzt sich die Latenz einer Audiokette zusammen — und wann stört sie wirklich?

Latenz ist die Zeit, die ein Tonsignal vom Eingang der Kette bis zum Ohr braucht — die Summe aus Wandlung, Rechenarbeit, Übertragung und Puffern. Sie ist eine ungewollte Eigenschaft des Wegs und damit das Gegenstück zum Delay, das als Werkzeug gezielt verzögert.

Zwischen dem Moment, in dem ein Ton in Deiner Anlage entsteht, und dem Moment, in dem Du ihn hörst, vergeht immer etwas Zeit. Jedes Gerät auf dem Weg sammelt erst ein Stück Ton, rechnet daran und gibt es dann weiter — das dauert. Beim Film merkst Du davon nichts, weil die Anlage das Bild so lange festhalten kann, bis der Ton nachgekommen ist. Unangenehm wird es erst, wenn Du selbst etwas tust: Beim Spielen gehört der Ton zu Deinem Tastendruck, und beim Sprechen ins Mikrofon hörst Du Dich selbst verspätet. Dann lässt sich nichts mehr nachjustieren, weil niemand Deine Hand verzögern kann.

Ausführliche Erklärung

Jede Stufe einer Kette braucht Zeit, und zwar aus zwei verschiedenen Gründen. Rechnen dauert — das ist der offensichtliche Teil und meist der kleinere. Wichtiger ist, dass fast jede digitale Stufe erst einen Block von Abtastwerten sammelt, bevor sie überhaupt anfangen kann: Ein Filter braucht seine Nachbarwerte, ein Netzwerkgerät füllt ein Paket, ein Empfänger hält einen Vorrat bereit, damit eine verspätete Sendung die Wiedergabe nicht abreißen lässt. Diese Puffer sind der eigentliche Grund für Latenz, und sie sind kein Versäumnis: Sie kaufen Stabilität, und bezahlt wird mit Zeit.

Daraus folgt die praktisch wichtigste Eigenschaft: Latenz addiert sich über die Kette, aber sie wird von wenigen Stufen bestimmt. Zwischen einer Wandlung im Bereich von Bruchteilen einer Millisekunde und einer Funkstrecke mit hundert Millisekunden liegen mehr als zwei Zehnerpotenzen — wer die Summe senken will, muss die längste Stufe finden und nicht die Kette insgesamt optimieren.

Woraus sich die Summe zusammensetzt

Fünf Gruppen kommen in einer Wohnraumkette vor, und sie unterscheiden sich um Größenordnungen.

Die Wandlung. Ein Analog-Digital- oder Digital-Analog-Wandler arbeitet heute fast immer nach dem Delta-Sigma-Verfahren und braucht dafür Dezimations- oder Interpolationsfilter. Deren Länge kostet Zeit, typischerweise im Bereich einiger Zehntel Millisekunden. Für die Gesamtsumme ist das selten entscheidend. Dasselbe gilt für einen Abtastratenwandler, der zwischen zwei Taktdomänen vermittelt.

Die Signalverarbeitung. Hier wird es erstmals spürbar. Ein FIR-Filter mit gleichmäßiger Laufzeit verzögert das Signal um seine halbe Filterlänge; 4096 Koeffizienten bei 48 kHz Abtastrate sind rund 43 Millisekunden. Genau deshalb ist eine tief hinunterreichende Raumkorrektur der größte Latenzposten, den ein DSP im Wohnzimmer erzeugt — und genau deshalb legen viele Systeme den Bass minimalphasig aus, wo diese Rechnung ohnehin ungünstig ausfällt. IIR-Bänder kosten dagegen fast nichts.

Die Übertragungsstrecke. Sie ist der Posten mit der größten Spannweite. Ein Kabel überträgt praktisch verzögerungsfrei. Professionelle Netzwerkverfahren bleiben bewusst im Millisekundenbereich: Dante arbeitet mit Empfängerlatenzen zwischen 150 Mikrosekunden und einer Millisekunde — der kleine Wert setzt schnelle Geräte in einem reinen Gigabit-Netz voraus, der große gilt für ein großes Netz mit bis zu zehn Sprüngen. AES67 schreibt eine Paketzeit von einer Millisekunde als Pflichtwert vor, und AVB und Milan garantieren in Klasse A zwei Millisekunden über sieben Sprünge. Auch die Funkstrecke eines Mehrkanalsystems nach WiSA liegt nach Herstellerangabe bei 2,6 Millisekunden bei 96 kHz. Ganz anders die Verfahren, die für Bequemlichkeit gebaut sind: Bluetooth und die Multiroom-Plattformen puffern großzügig, weil ihnen niemand eine Zustellzeit garantiert und weil mehrere Zonen exakt gleichzeitig spielen sollen.

Das Wiedergabegerät. Ein Aktivlautsprecher rechnet seine eigene Frequenzweiche, und wer dort linearphasig arbeitet, addiert dieselbe Filterverzögerung ein zweites Mal. Auf der Bildseite ist der Fernseher der große Posten — seine Bildverarbeitung dauert deutlich länger als jede Tonstufe, und daher rührt der ganze Aufwand um die Zeitlage.

Der Schallweg selbst. Er wird gern vergessen und ist doch das anschaulichste Glied: Schall braucht rund 2,9 Millisekunden je Meter. Vier Meter zum Hörplatz sind knapp zwölf Millisekunden, mehr als die gesamte Wandlung und jede saubere Netzwerkstrecke zusammen.

Warum sie beim Film verschwindet

Latenz für sich ist unhörbar. Ob ein Ton fünf oder fünfzig Millisekunden nach seinem Auslöser erscheint, kann niemand feststellen, solange es keinen zweiten Weg gibt, mit dem sich der erste vergleichen lässt. Genau dieser Vergleich ist der ganze Punkt.

Beim Film liefert das Bild den zweiten Weg, und die Lösung ist so einfach wie unelegant: Alle Wege werden auf den langsamsten gebracht. Weil die Bildverarbeitung des Fernsehers länger dauert als die Tonverarbeitung des Verstärkers, wird der Ton angehalten, bis das Bild so weit ist. Dass es dafür überhaupt einen automatischen Mechanismus gibt, ist der Zweck der Latenzmeldung über HDMI und ihres Nachfolgers, des Latency Indication Protocol. Ab wann ein Rest auffällt und warum ein vorauseilender Ton früher stört als ein nachlaufender, steht bei der Zeitlage von Ton und Bild.

Im MultiRoom liefert der Nachbarraum den zweiten Weg. Zwei Zonen, die nicht exakt gleich verzögert sind, hört man im Flur dazwischen als Echo. Auch hier gewinnt der langsamste Teilnehmer, und die Plattformen puffern deshalb lieber zu viel als zu wenig.

Wo sie nicht verschwindet

Der Ausgleich hat eine Voraussetzung, die leicht überlesen wird: Es muss etwas geben, das sich verschieben lässt. Kommt der zweite Weg aus einer Handlung des Menschen, ist diese Voraussetzung weg — niemand kann eine Hand, eine Stimme oder ein Instrument verzögern.

Drei Fälle kommen im Wohnraum regelmäßig vor. Beim Spielen gehört der Ton zum Tastendruck; die Anlage kann das Bild nicht vorziehen, sie kann beide nur gemeinsam verspäten. Beim Mikrofon — Karaoke, Gesang, Instrument über die Anlage — hört der Sprechende sich selbst doppelt, einmal über den Kopf und einmal über die Lautsprecher, und der Versatz zwischen beiden stört das Sprechen selbst, lange bevor er als Echo auffällt. Bei der Videotelefonie schließlich verlängert jede Millisekunde die Runde bis zur Antwort des Gegenübers.

In allen drei Fällen ist die Konsequenz für die Planung dieselbe: Die Übertragungsstrecke zu den Lautsprechern muss von vornherein kurz sein. Nachträglich lässt sich daran nichts korrigieren, weil es nichts zu korrigieren gibt — es gibt nur einen Weg.

Häufiges Missverständnis

„Weniger Latenz klingt besser." Das wirft zwei voneinander unabhängige Größen zusammen. Eine gleichmäßige Verzögerung verschiebt das Signal als Ganzes und lässt es unverändert; hörbar wird erst der Unterschied zwischen zwei Wegen. Ein Wandler mit langem Filter kann deshalb sauberer arbeiten als einer mit kurzem, und die Sorge um Millisekunden in einer reinen Musikkette ist eine Sorge um nichts.

Der zweite Kurzschluss geht in die Gegenrichtung: „Die Anlage gleicht das ja aus." Ausgeglichen wird immer nur zwischen Wegen, die das Gerät auch in der Hand hat. Steht in einer Zone ein Funklautsprecher und in der anderen ein verkabelter, verschiebt der Verstärker beide gegeneinander, und das funktioniert. Sitzt Du dagegen mit dem Gamepad davor, hat er nichts, wogegen er ausgleichen könnte.

Und schließlich wird Latenz regelmäßig mit Jitter verwechselt, weil beides in Millisekunden oder darunter gemessen wird. Latenz ist die Dauer des Wegs und konstant; Jitter ist die Unruhe des Takts, mit dem am Ende der Kette wieder abgetastet wird. Eine Kette kann lange brauchen und dabei völlig ruhig laufen — und eine kurze Kette kann zittern.

Nicht zu verwechseln mit

Delay: die gewollte Verzögerung, mit der unterschiedlich weit entfernte Lautsprecher auf denselben Zeitpunkt gebracht werden. Delay ist das Werkzeug gegen die Folgen der Latenz und wird eingestellt, während Latenz gemessen wird.
Gruppenlaufzeit: die Verzögerung je Frequenz. Sie beschreibt, ob alle Anteile gleich lange brauchen; die Latenz ist die Zeit selbst und sagt über ihre Verteilung nichts.
Jitter: die Schwankung des Takts. Sie hat mit der Dauer des Wegs nichts zu tun.
Input-Lag: derselbe Gedanke auf der Bildseite, gemessen ab einer Eingabe am Bediengerät bis zum sichtbaren Ergebnis.
Zeitlage von Ton und Bild: die Differenz zweier Wege und damit das, was der Zuschauer tatsächlich bemerkt. Die Latenz einer einzelnen Kette ist nur einer der beiden Summanden.
Vorschwingen: die Struktur der Filterantwort innerhalb der Verzögerung. Ohne Latenz gäbe es kein Vorschwingen, doch die Zeitspanne selbst sagt über die Form nichts.

In der Planung

Ein Wohnzimmer mit Funklautsprechern hinten, einer eingemessenen Raumkorrektur und einer Spielkonsole. Der Kunde meldet, dass sich die Konsole „schwammig" anfühlt, seit die Anlage steht — beim Film ist alles in Ordnung. Der erste Verdacht fällt auf den Fernseher.

Es geht um die Nutzung: Welche Betriebsart hat überhaupt einen Rückkanal? Film und Musik haben keinen: Beim Film verschiebt die Anlage Bild und Ton gegeneinander, bis es passt, und bei Musik gibt es nichts, womit sich der Ton vergleichen ließe. Das Spielen hat einen, und damit steht fest, dass die Summe aller Tonstufen hier zur harten Grenze wird. Die Raumkorrektur ist an diesem Punkt kein Nebenschauplatz — sie ist neben der Funkstrecke der zweite große Posten dieser Kette.

Die Nutzung gibt den Weg vor. Für den Spielbetrieb wird eine zweite Konfiguration gebraucht, die zwei Dinge zugleich tut: die Zeitkorrektur im Bass abschalten oder auf minimalphasige Bänder umstellen, und die Wiedergabe auf die verkabelten Lautsprecher beschränken. Damit fallen die beiden großen Posten weg, und die Amplitudenkorrektur bleibt erhalten.

Erst dann kommt das Gerät. Zu klären ist, ob der Verstärker mehrere Einmessprofile speichert und automatisch je Eingang umschaltet, um wie viel die Funkstrecke der hinteren Lautsprecher wirklich verzögert, und ob sich der Bildschirm im Spielmodus betreiben lässt, ohne dass die Tonverzögerung nachgeführt werden muss. Die Verzögerung der Funkstrecke und das Verhalten im Spielmodus stehen selten in einem Datenblatt — beides ist eine Frage an den Hersteller.

Verknüpfte Inhalte

Der gewollte Gegenpart ist das Delay, die Rechnung hinter der Filterverzögerung steht bei den FIR- und IIR-Filtern und bei der Linearphasigkeit. Was der Zuschauer von der Summe merkt, klärt die Zeitlage von Ton und Bild; wie eine Kette ihre Werte selbst meldet, das Latency Indication Protocol und die Rückkanäle über eARC und ARC. Die Übertragungsverfahren mit garantierter Zeit behandeln Dante, AES67 sowie AVB und Milan, die drahtlose Mehrkanalstrecke WiSA.

Quellen

Die Latenzwerte der Netzwerkverfahren stammen aus den Angaben von Audinate für Dante sowie aus den Norm- und IEEE-Angaben zu AES67 und AVB, die auf den jeweiligen Technologieseiten am Original erfasst sind. Die Werte für die drahtlose Mehrkanalübertragung gibt WiSA Technologies an. Die Verzögerung eines linearphasigen Filters um die halbe Filterlänge und die Rechnung für 4096 Koeffizienten bei 48 kHz folgen der allgemeinen Literatur zur digitalen Signalverarbeitung und stehen im Glossar bereits hergeleitet.