So entstehen unsere Soundeffekte

Vom Prompt zur MP3

Jeder Sound beginnt als Katalogeintrag: ein Name, eine Kategorie, eine Ziellänge, die Form, der die Lautstärke folgen soll, und ein Prompt. Der Prompt ist eine kurze englische Beschreibung des Klangs selbst: der Raum, in dem er zu hören ist, wie er beginnt und endet und was wegbleiben soll. Die Prompts wurden in mehreren Durchgängen nach einem schriftlichen Stilleitfaden entworfen, und ein fester Negativ-Prompt hält Musik, Melodie, Gesang und Sprache fern.

Stable Audio 3 Small SFX hat zu jedem Prompt vier bis sechs Takes erzeugt, jeden mit einem festen Seed, sodass sich jeder Take reproduzieren lässt. Jeder Take wird vier Sekunden lang erzeugt, weil das Modell bei kürzeren Vorgaben übersteuerte. Sounds, die ein einzelnes Ereignis sein sollen, etwa ein Klopfen oder ein Ping, werden danach auf ihren ersten Anschlag gekürzt.

Danach durchlief jeder Take neun automatische Prüfungen: Stille, Übersteuerung, Gleichspannungsanteil (DC-Offset), Länge (bei kurzen Einzelereignissen), Lautstärkeform, ein Ausklang, der noch klingend abgeschnitten wurde, Hintergrundrauschen, Energie, die fast vollständig unter 60 Hz liegt, wenn es einen klareren Take desselben Sounds gibt, und Beinahe-Duplikate eines anderen Takes desselben Sounds. Von den Takes, die bestanden haben, hat ein Skript (ingest.mjs mit der Option --auto) den mit dem höchsten shapeMatch-Wert behalten, also mit der größten Übereinstimmung zwischen seiner Hüllkurve und der gewünschten Form. Die Wahl trifft das Skript, nicht das Gehör.

Der behaltene Take wurde von Stille am Anfang und Ende befreit, bekam kurze Blenden gegen Knackser, wurde auf einen Spitzenpegel von −1 dBFS gebracht und als Stereo-MP3 mit 320 kbps kodiert. MP3 ist das einzige Format, das wir veröffentlichen, deshalb halten wir die Bitrate hoch.

Die Zahlen

6.294 Prompts gingen in das Modell, 29.364 Takes kamen heraus, bei etwa einer Sekunde Rechenzeit pro Take auf einem MacBook Pro mit M4-Chip. 4.569 dieser Prompts haben mindestens einen Take geliefert, der jede Prüfung bestand, und jeder davon hat einen Sound zu dieser Seite beigetragen: insgesamt 4.569 Sounds und 229 Minuten Audio.

Warum manche Sounds fehlen

Wenn kein Take eines Prompts die Prüfungen besteht, wird dieser Sound nicht veröffentlicht. Wir füllen die Lücke nicht mit einem Platzhalter, einem synthetischen Ersatz oder einer Datei aus einer anderen Bibliothek: Jeder Play-Button auf dieser Seite spielt genau die Datei, die du auch herunterladen würdest. Gescheiterte Prompts sind Kandidaten für eine Überarbeitung und eine weitere Generierungsrunde. Deshalb fehlen ein paar beliebte Sounds wie Trommelwirbel und Explosionen vorerst oder sind nur dünn vertreten.

Wer dahintersteht

Casper, Frontend-Entwickler und Dozent aus Taiwan, baut und pflegt diese Sammlung. Er hat die Generierung auf seinem eigenen Laptop laufen lassen, betreibt diese Website und entscheidet, was veröffentlicht wird. Außerdem schreibt er einen chinesischsprachigen Blog auf casper.tw. Mehr über Casper erfährst du auf seiner Über-mich-Seite (auf Chinesisch).

Das Modell und die Lizenz

Die Sounds wurden mit Stable Audio 3 Small SFX erzeugt, einem Soundeffekt-Modell von Stability AI, das lokal auf diesem Laptop lief. Wir nutzen es unter der Stability AI Community License, deshalb steht auf jeder Seite der Hinweis Powered by Stability AI. Auf der Lizenzseite steht, wie du die Sounds verwenden darfst.

Wie die Texte auf diesen Seiten entstehen

Die englischen Texte entwirft eine KI aus den Katalogdaten, etwa Soundnamen, Tags, Längen und Prompts, und Casper prüft jede Seite, bevor sie für Suchmaschinen freigegeben wird. Die deutschen Texte und die deutschen Namen der einzelnen Sounds hat eine KI auf Grundlage der englischen Fassung und derselben Katalogdaten übersetzt, eine zweite KI hat sie gegengelesen. Anzahlen, Längen und Dateigrößen auf den Seiten werden aus den Daten berechnet, nicht von Hand eingetippt.