Ton-Bild-Kohärenz

Was ist Ton-Bild-Kohärenz — und wie weit dürfen Bildort und Tonort auseinanderliegen, bevor die Illusion zerfällt?

Ton-Bild-Kohärenz heißt: Das Gehör zieht die Ortung einer Schallquelle zum gesehenen Ereignis hin. Spricht auf der Leinwand ein Gesicht und kommt die Stimme aus einem Lautsprecher daneben, verschmilzt beides zu einem Eindruck — solange die Abweichung klein genug bleibt. Wird sie größer, zerfällt die Illusion, und Bild und Stimme stehen hörbar an zwei verschiedenen Orten. Die Grenze liegt seitlich bei rund zehn Grad.

Ein Bauchredner bewegt die Lippen nicht, seine Puppe schon — und obwohl die Stimme aus seinem Mund kommt, hörst Du sie aus der Puppe. Deine Augen sagen Deinen Ohren, wo es spricht, und die Ohren glauben es. Dieser Trick funktioniert in jedem Kino: Der Lautsprecher für die Stimmen sitzt meist knapp unter oder hinter dem Bild, und trotzdem sprechen die Schauspieler scheinbar mitten aus dem Bild. Der Trick hat aber eine Reichweite: Sitzt der Lautsprecher zu weit vom Gesicht entfernt, hörst Du plötzlich zwei Orte — das Bild vorne, die Stimme woanders. Bei der Planung geht es darum, innerhalb dieser Reichweite zu bleiben.

Ausführliche Erklärung

Die Fachliteratur nennt den Effekt nach dem Bauchredner Ventriloquismus-Effekt: Sehen und Hören liefern für dasselbe Ereignis zwei Ortsangaben, und das Gehirn verrechnet sie zu einer. Dabei gewinnt fast immer das Auge, denn es ortet in der Ebene deutlich schärfer als das Ohr. Die Stimme wandert also zum Mund — nicht der Mund zur Stimme.

Wie weit diese Verrechnung reicht, ist gemessen. Die klassische Untersuchung dazu entstand Ende der 1980er-Jahre für das hochauflösende Fernsehen: Komiyama ließ Zuschauer bewerten, wie störend ein seitlicher Versatz zwischen dem Mund eines Sprechers und seiner Stimme ist. Ergebnis: Erfahrene Zuhörer akzeptieren bis rund 11 Grad, ungeübte bis rund 20 Grad. Neuere Studien der University of Surrey bestätigen die Größenordnung mit anderer Methode: Direkt vor dem Zuschauer wird ein Versatz im Mittel ab 10 Grad als getrennt erkannt, zum Rand des Gesichtsfelds hin erst ab gut 13 Grad — und musikalisch geschulte Hörer merken die Trennung bei rund 9 Grad, ungeschulte erst bei etwa 15 Grad.

Für die Planung übersetzt sich der Winkel in Strecke. Bei drei Metern Sitzabstand entsprechen zehn Grad etwa einem halben Meter seitlichem Versatz, zwanzig Grad etwa 1,1 Metern. Das klingt großzügig, ist es aber nicht: Die Werte gelten für den mittig sitzenden Zuschauer, und wer eine Anlage für geübte Ohren plant, rechnet mit der unteren Grenze — also neun bis zehn Grad.

Zwei Einschränkungen gehören dazu. Erstens sind alle genannten Zahlen in der horizontalen Ebene gemessen. Für den senkrechten Versatz — die Soundbar unter dem Bild, der Center unter der Leinwand — wurde in diesem Lauf keine vergleichbar belastbare Zahl gefunden, obwohl genau dieser Fall in der Praxis der häufigste ist. Zweitens hängen die Grenzen am Signal: Sprache mit sichtbarem Mund bindet stark, ein Geräusch ohne klares Bildereignis kaum.

Wichtig ist auch, was der Effekt nicht ist. Er ist keine akustische Ortungsregel wie das Gesetz der ersten Wellenfront, das beschreibt, welcher von mehreren Schallanteilen die gehörte Richtung bestimmt — dort spielt das Auge keine Rolle. Und er ist keine Phantomschallquelle: Die entsteht zwischen zwei Lautsprechern aus dem Zusammenspiel zweier Schallsignale, ganz ohne Bild. Ton-Bild-Kohärenz ist die dritte Ebene darüber — die Kopplung zwischen dem, was die Ohren orten, und dem, was die Augen sehen.

Häufiges Missverständnis

Die bequeme Lesart lautet: „Das Gehirn zieht den Ton sowieso zum Bild — dann ist doch egal, wo die Lautsprecher stehen." Der erste Halbsatz stimmt, der Schluss nicht. Die Täuschung hat ein Budget von rund zehn Grad, und alles darüber fällt auseinander. Ein Center, der bei großer Leinwand einen Meter unter der Bildmitte steht, ein Deckenprojektor, dessen eingebauter Lautsprecher hinter dem Sofa hängt — das sind keine Fälle, die das Gehirn zurechtrückt, sondern genau die, an denen die Kopplung reißt. Der Effekt ist kein Freibrief für beliebige Lautsprecherorte; er ist die Messlatte, an der sich entscheidet, welche Orte noch zulässig sind.

Nicht zu verwechseln mit

Lippensynchronität: der zeitliche Versatz zwischen Bild und Ton. Auch er zerstört die Einheit von Mund und Stimme, aber über die Zeit, nicht über den Ort. In der HDMI-Kette regelt ihn das Latency Indication Protocol.
Gesetz der ersten Wellenfront: bestimmt die gehörte Richtung, wenn mehrere Schallanteile eintreffen — eine rein akustische Regel ohne Beteiligung des Auges.
Phantomschallquelle: ein Hörereignis zwischen zwei Lautsprechern, erzeugt aus Pegel- und Laufzeitunterschieden. Sie kann den Ton in die Bildmitte legen — ob das Ergebnis zum Bild passt, bewertet erst die Ton-Bild-Kohärenz.

In der Planung

Zuerst die Konzeptfrage: Wo liegt die Bildmitte, und was spielt dort? Im Mehrkanal-Filmton liegt der Dialog im Center-Kanal, also muss dessen Schall aus der Bildmitte kommen — das ist die direkte Anwendung der Zehn-Grad-Grenze. Bei Stereoquellen übernimmt diese Aufgabe die Phantommitte zwischen den beiden Frontlautsprechern, mit denselben Anforderungen an den Ort.

Was zu tun ist, hängt dann an der Bildgröße. Beim Fernseher bleibt der Versatz zwischen Bildmitte und einem Lautsprecher direkt unter dem Gerät klein. Bei einer großen Leinwand wächst er mit jedem Zoll: Ein Center unterhalb einer drei Meter breiten Bildfläche liegt deutlich unter der Bildmitte, und der Ausweg ist eine akustisch transparente Leinwand mit dem Center dahinter — dann stehen Bildort und Tonort deckungsgleich. Am anderen Ende der Skala liegt der Deckenprojektor mit eingebautem Lautsprecher: Sein Bild steht vorn an der Wand, sein Ton kommt von der Decke über oder hinter dem Sofa. Das sprengt jede Toleranz und ist ihr klarstes Gegenbeispiel — beim Laser TV unmittelbar unter dem Bild stellt sich dieselbe Frage gar nicht erst.

Erst danach kommt die Geräteebene: welcher Center, welche Bar, welche Leinwand. Die Reihenfolge zu drehen — erst das Gerät kaufen, dann den Ort suchen — erzeugt genau die Fälle, in denen Stimme und Bild auseinanderfallen.

Verknüpfte Inhalte

Warum die gehörte Richtung überhaupt so zustande kommt, erklären das Gesetz der ersten Wellenfront und die Phantomschallquelle; wo Bild und Ton zugleich stimmen müssen, beschreibt der Sweet Spot. Die Entscheidung, auf welchem Weg der Ton in den Raum kommt, fällt im Guide-Kapitel zur Wahl zwischen Soundbar, Funk-Set und Mehrkanalsystem.

Quellen

Die horizontalen Toleranzwerte stammen aus zwei Generationen von Hörversuchen: der Studie von Komiyama aus dem Jahr 1989 für das hochauflösende Fernsehen und den Untersuchungen der University of Surrey von 2019 und 2020, von denen der Konferenzbeitrag von Berghi u. a. am Objekt gelesen wurde. Die Einordnung von Bildort und Tonort bei integrierten Soundsystemen folgt dem AVITECT-Recherchebriefing zur Soundbar-Systemfrage.