Warum das Telefon so dumpf klingt – Codecs einfach erklärt

Man erkennt am Telefon sofort, dass jemand am Telefon spricht. Die Stimme klingt dünn, „s“ und „f“ lassen sich kaum unterscheiden, beim Buchstabieren braucht man „Siegfried“ und „Friedrich“. Das liegt nicht an schlechten Mikrofonen, sondern an einer Entscheidung, die vor über 50 Jahren getroffen wurde und bis heute in fast jedem Telefonat steckt.

Was ein Codec ist

Ein Codec (von Coder/Decoder) verwandelt die Stimme in Daten und am anderen Ende wieder zurück. Dabei muss er zwei Dinge gegeneinander abwägen:

• Klangqualität: Wie viel vom Original kommt an?
• Datenmenge: Wie viel Bandbreite braucht das Gespräch?

Bei VoIP handeln beide Seiten beim Anrufaufbau aus, welchen Codec sie nehmen. Jede Seite schickt eine Liste, was sie kann, und am Ende wird ein gemeinsamer gewählt. Gibt es keinen gemeinsamen, kommt der Anruf gar nicht zustande, oder eine Anlage dazwischen muss übersetzen („transkodieren“).

G.711: der Standard seit 1972

Der Klassiker heißt G.711. Die Internationale Fernmeldeunion ITU hat ihn 1972 genormt, und er ist bis heute der kleinste gemeinsame Nenner fast aller Telefonnetze. In Europa wird die Variante A-law verwendet (in SIP-Traces PCMA), in Nordamerika und Japan µ-law (PCMU).

G.711 tastet die Stimme 8.000-mal pro Sekunde ab, jeweils mit 8 Bit. Das ergibt 64 kbit/s. Wegen der Abtastrate von 8 kHz kann G.711 höchstens Frequenzen bis 4 kHz übertragen; genutzt wird das Band von etwa 300 bis 3.400 Hz.

Für die Verständlichkeit reicht das. Für den Klang nicht: Die menschliche Stimme hat wichtige Anteile bis weit über 7.000 Hz, vor allem bei Zischlauten. Genau die fehlen, deshalb klingt das Telefon dumpf und deshalb verwechselt man „s“ und „f“.

G.722: „HD-Telefonie“

G.722 stammt von 1988 und überträgt etwa 50 bis 7.000 Hz, also gut das Doppelte. Das ist das, was Anbieter als „HD Voice“ oder „HD-Telefonie“ bewerben. Der Unterschied ist deutlich hörbar: Stimmen klingen voller, Zischlaute sind klar, man erkennt Leute besser.

Der Trick: G.722 braucht trotzdem nur 64 kbit/s, genauso viel wie G.711. Es arbeitet mit der doppelten Abtastrate, codiert aber geschickter.

Opus: aus dem Internet

Opus ist ein freier Codec, 2012 von der Internet Engineering Task Force als RFC 6716 genormt. Er ist sehr flexibel: von 6 kbit/s für schmale Leitungen bis 510 kbit/s für Musik in Studioqualität, und er passt sich während des Gesprächs an die Verbindung an. Videokonferenzen im Browser und viele Messenger nutzen Opus. In klassischen Telefonnetzen und bei SIP-Providern ist er dagegen noch selten.

Und die komprimierten Codecs?

Es gibt Codecs, die mit viel weniger auskommen, zum Beispiel GSM mit 13 kbit/s (der Codec der ersten digitalen Handys) oder G.729 mit 8 kbit/s. Früher waren sie wichtig, weil Leitungen teuer und schmal waren. Heute haben sie vor allem Nachteile: Die Sprache klingt künstlicher, und alles, was keine Sprache ist, leidet. Faxe und Tastentöne in der Sprache kommen oft kaputt an; wie das aussieht, steht in meinem Beitrag über Tastentöne bei VoIP.

Wie viel Bandbreite ein Gespräch braucht

Die Zahl auf dem Papier ist nur die halbe Wahrheit. Die Sprache wird in kleine Pakete gepackt, bei VoIP üblicherweise 50 Pakete pro Sekunde, eins alle 20 Millisekunden. Jedes Paket bekommt Kopfdaten: 12 Byte RTP, 8 Byte UDP, 20 Byte IP, im lokalen Netz noch 18 Byte Ethernet. Bei kleinen Paketen fällt das stark ins Gewicht.

Ich habe das im Labor gemessen: Ein Softphone ruft eine Asterisk-Anlage an, ein Mitschnitt zählt die Pakete, die das Telefon verschickt. Opus habe ich zwischen zwei Softphones gemessen, weil die Anlage im Labor kein Opus kann.

Was man daran sieht:

• G.711 und G.722 brauchen exakt gleich viel. HD-Telefonie kostet also keine zusätzliche Bandbreite. Es gibt keinen technischen Grund, darauf zu verzichten.
• Die Kopfdaten sind teuer. Bei GSM sind die eigentlichen Sprachdaten nur 13 kbit/s, auf der Leitung werden daraus fast 30 kbit/s. Bei Opus mit 24 kbit/s werden es 41.
• Opus ist so gut, wie man ihn einstellt. Mit den Standardeinstellungen des Softphones sendete Opus in Stereo und hoher Qualität mehr als G.711. Auf Sprache begrenzt, braucht er die Hälfte.

Als Faustregel für die Planung: Ein G.711-Gespräch braucht rund 100 kbit/s pro Richtung, mit etwas Reserve. Bei einem Anschluss mit 10 Mbit/s Upload sind zehn gleichzeitige Gespräche also kein Problem, solange nicht gleichzeitig jemand große Dateien hochlädt. Wie man Sprache dann vor anderem Verkehr schützt, gehört zum Thema Latenz, Jitter und Paketverlust.

Selbst ausprobieren: Im Sprachlabor siehst du für jeden Codec das Frequenzband und die gemessene Bandbreite, kannst eine Hörprobe abspielen und ausrechnen, wie viele Gespräche in deinen Upload passen.

Warum HD-Telefonie so oft verschwindet

Eigentlich könnten heute fast alle Telefone G.722. Trotzdem klingt die Mehrheit der Gespräche nach 1972. Der Grund: Ein Gespräch ist nur so gut wie das schwächste Glied der Strecke.

• Ruft ein Telefon mit G.722 bei einem Provider an, der nur G.711 weiterreicht, wird übersetzt, und die hohen Frequenzen sind weg. Zurückholen lassen sie sich nicht.
• Zwischen verschiedenen Netzen, etwa von einem SIP-Provider ins Mobilfunknetz, läuft oft nur G.711, auch wenn beide Enden HD könnten.
• Im Mobilfunk gibt es eigene HD-Codecs (AMR-WB, bei VoLTE auch EVS). Die passen nicht direkt zu G.722, also wird übersetzt, und meist landet man wieder bei G.711.
• Alte Telefonanlagen, Gateways für analoge Geräte oder DECT-Basisstationen können G.722 oft nicht, oder es ist nicht eingeschaltet.

Innerhalb einer Firma, von Telefon zu Telefon an derselben Anlage, klappt HD dagegen fast immer. Das ist der Moment, in dem Leute zum ersten Mal merken, wie gut Telefonie klingen kann.

Was man einstellen sollte

• G.722 vor G.711 in die Codec-Liste von Telefon und Anlage, wenn beide es können. Die Bandbreite ist dieselbe.
• G.711 A-law (PCMA) immer drinlassen. Das ist der gemeinsame Nenner, ohne den manche Gespräche gar nicht zustande kommen.
• Komprimierte Codecs wie G.729 oder GSM nur bei echtem Bandbreitenmangel. Und dann nicht für Fax, Alarmanlagen oder Sprachmenüs.
• Möglichst wenig transkodieren. Jede Übersetzung kostet Qualität und Rechenzeit. Welcher Codec wo verwendet wird, steht im SDP-Teil des SIP-Traces, in den Zeilen m=audio und a=rtpmap.

Fazit

Das Telefon klingt dumpf, weil G.711 seit 1972 bei 3.400 Hz aufhört. G.722 schafft das Doppelte bei gleicher Bandbreite, kommt aber nur an, wenn die ganze Strecke mitspielt. Und Bandbreite ist bei Telefonie heute fast nie das Problem; viel häufiger sind es Verzögerung und verlorene Pakete.

Labor: Asterisk 20 und baresip 1.1 in Docker, Mitschnitt mit tcpdump. Quellen: ITU-T G.711 · ITU-T G.722 · RFC 6716 (Opus) · RFC 3550 (RTP)