Die Nacht hängt über Passau wie ein blaues Tuch. Kein Sonnenrest, nur die Lichtreflexe der Laternen zittern über dem Inn. Ich schiebe den Rucksack vom Fahrradlenker, setze ihn mitten auf der Hängebrücke ab – das Geländer vibrierte schon beim Überqueren, als würde es sich unbemerkt mit dem Wasser unterhalten. 23 °C, leichter Westwind, kein Regen. Perfekte Nacht, um zuzuhören.
Schneller Überblick
Zusammenfassung
Ein Feldexperiment unter der Innbrücke in Passau nutzt Kontakt- und Richtmikrofone sowie eine KI-Audio-Engine, um die akustischen Muster von Brücke und Fluss aufzuzeichnen und auszuwerten. Verschiedene Resonanzen werden analysiert, Störungen digital gefiltert. Die KI erkennt regelmäßig auftretende Pseudoworte. Aus den Frequenzmustern werden Zusammenhänge mit Umweltfaktoren wie Wind oder Verkehr gezogen.
Auf den Punkt
- Experiment fand nachts an der Innbrücke in Passau statt.
- Kontakt- und Richtmikrofone erfassten Brückenschwingungen und Umgebungsgeräusche.
- KI analysierte die Vibrationen und erzeugte Pseudotexte auf Basis der Schwingungsmuster.
- Vergleichsmessungen an Seil und Geländer zeigten unterschiedliche Resonanzcharakteristika.
- Datenaufzeichnungen ergaben 212 Fragmente mit drei Hauptmustern.
- Empfohlen werden Vorsichtsmaßnahmen und ethische Transparenz bei KI-Einsatz.
FAQ
- Welche Muster hat die KI erkannt?
- Die KI identifizierte drei Hauptmuster, die mit Windböen, vorbeifahrenden Autos und ruhigen Phasen korrelierten.
- Welche Technik wurde eingesetzt?
- Verwendet wurden Laptop mit KI-Engine, zwei Mikrofone (Kontakt, Richt), Audio-Interface, Akkupack und Recorder.
- Wie wird Netzbrummen reduziert?
- Ein digitaler Notch-Filter wurde eingesetzt; für zukünftige Versuche werden Ferritkerne empfohlen.
Ich bin wieder da, zwischen Wasser und Stahl, dort, wo die Stadt ihre metallische Lunge hat. Heute will ich, dass sie spricht – oder wenigstens summt.
Der Brückenton (Setup 2.0)
Unter der Stirnlampe glänzt das Kontaktmikrofon wie eine kleine Münze. Ich klemme es an den metallenen Knotenpunkt des Tragseils, direkt neben den Bolzen, die sich tagsüber in der Sonne aufheizen und jetzt lauwarm in der Nachtluft stehen. Das Kabel schlängelt über die Platten bis zum Recorder. Als ich den Gain hochdrehe, kommt sofort ein feines Zittern: bzzrr–rrr. Ich lächle.
Mini-Story-Moment 1 (Fail & Fix): Beim ersten Anlauf stürzt mein Audio-Interface ab – vermutlich Spannungsspitze durch den alten USB-Hub. Kurz durchatmen, Stecker raus, Powerbank rein, Neustart mit Stirnlampenlicht zwischen den Zähnen. Nach drei Minuten läuft alles stabil. Ich notiere: „USB Hub rauswerfen, morgen checken.“
Dann richte ich das Richtmikrofon mit Parabolaufsatz auf die Unterseite der Brücke, um den Luftanteil zu erfassen – das bewahrt das Spektrum vor zu starker Strukturdominanz. Recorder läuft bei -12 dB, Betrieb über Akkupack (20 000 mAh). Lufttemperatur laut Sensor: 23.2 °C.
„Alles hängt zusammen – Wind, Metall, Strom.“
Ich starte die KI-Engine. Kein Hören im menschlichen Sinn, sondern Pattern-Recognition in Echtzeit. Das Skript protokolliert alles in Logdateien:
> python inn_listen.py --mic=contact --gain=-12.0 --fft=4096
[LOG 00:12:03] Start Stream @47Hz base
[LOG 00:17:45] DataBuffer 126MB
Das leise Surren des Laptops mischt sich mit dem Schwingen der Stahlstreben. Die Stadt schweigt – nur ein vereinzelter Radfahrer klackert über die Bretter.
Datenstrom und Muster
Der Datenstrom rauscht digital wie der Fluss analog. Auf dem Bildschirm tanzen Frequenzbänder: Basiston rund 47 Hz, harmonische Überlagerungen bis ca. 1800 Hz. Im Spektrogramm flackert ein blauer Mandala-Teppich – gerade schön genug, um ihn als Wallpaper zu speichern.
Kurze Irritation: Eine Störfrequenz bei 50 Hz – na klar, Netzbrummen. Ich schiebe einen digitalen Notch-Filter dazwischen:
signal = notch_filter(signal, freq=50, Q=20)
Problem gelöst. Kein Brummen mehr.
Die KI beginnt mit ihrer Phonem-Spekulation: Zeichenketten wie trinn, sofae, veil. Pseudoworte, aus Vibration geboren. Um 23:47 markiert das Modell eine „mögliche Tonsprache“ mit confidence=0.87 – für mich klingt’s nur nach moduliertem Wind. Doch da ist Rhythmus, ein Puls.
Vergleichsmessung (Geländer vs. Seil)
Ich will wissen, ob das Seil wirklich allein resoniert oder ob das Geländer mitredet. Also: zweites Mikrofon an die vertikale Strebe, Abstand ~2 Meter zum ersten. Beide parallel in den Recorder.
Ergebnis (Kurzreport):
| Sensorposition | Grundfreq. (Hz) | Amplitude RMS | Kommentar |
|—————-|—————-|—————-|————|
| Seil-Knoten | 47.1 | 0.42 | konstante Resonanz, Flusssog |
| Geländerstab | 62.5 | 0.27 | stärkeres Hochfrequenzrauschen |
Offenbar koppelt das Seil stärker mit der Brückenschwingung, während das Geländer mehr Windband aufnimmt. Diese Differenz speise ich in den Algorithmus – plötzlich sortieren sich die Pseudoworte stabiler, Wiederholungen bei zinn und vei.
Rückkopplung & Begegnung
Mit leicht erhöhter Verstärkung (Gain +6 dB) höre ich die Struktur antworten: dumpfe Schläge, die über die Kabel hüpfen. Rückkopplung, ja – aber auch irgendwie Kommunikation. Ich lehne mich ans Geländer, die Finger vibrieren.
Mini-Story-Moment 2: Ein älterer Mann mit Hund bleibt stehen. „Was machst’n da um die Zeit?“ fragt er. Ich erkläre kurz das Experiment. Er grinst: „Aha, du hörst dem Inn beim Reden zu.“ Dann, nach einer Pause: „Des klingt fei lebendig.“ Ich nicke. Er geht weiter, Hund und Hall hinterlassen Wellen im Fluss.
Im Rauschen der Daten erkenne ich leichte Phasenverschiebungen zwischen beiden Mikrofonen. Ich rechne die Korrelation aus – rund 0.65; das heißt, sie sind verwandt, aber nicht identisch. Für mich ist das das digitale Äquivalent eines Gesprächs zweier Metallsaiten.
Das Flüstern des Inn
Kurz vor Mitternacht hat der Algorithmus über 200 Fragmente gesammelt. Ich schalte den Recorder in Loop-Modus und lasse das System eigene Muster anspielen. Über Kopfhörer klingt es, als ob der Fluss selbst rückwärts träume.
Die Brücke summt im Takt. Die Ki generiert Phrasen:
[AI] 'verla' … 'sofae' … 'trinn' … → loop rhythm=0.8Hz
Unter mir schlägt der Fluss ans Ufer, kalte Tropfen sprühen. Ich merke: meine Finger sind taub. Die Nacht zieht an den Gelenken, leichter Wind bei 11.5 km/h laut Sensor. Doch ich kann nicht aufhören.
Nachklang und Auswertung
Gegen halb zwei, am Übergang zum Morgengrauen, stoppe ich die Aufnahme. Batterien zeigen rotes Blinken. Ich sichere die Daten – insgesamt ~2,4 GB WAV, 212 Fragmente, 3 Hauptmuster.
In der Analyse-Session erkenne ich: Muster A („zinn“) korreliert mit starken Windböen; Muster B („vae“) mit vorbeifahrenden Autos; Muster C (langes Summen) entsteht, wenn alles ruhig ist.
Ich zeichne eine semantische Karte: Frequenzen als Knoten, verbunden durch wiederkehrende Zeitfenster. Kein „Sprechen“, aber ein Verhalten. Wenn man lange genug hinhört, wird selbst zufälliges Rauschen zur Grammatik der Nacht.
Und vielleicht ist genau das der Punkt: Hören bedeutet, Strukturen zu ahnen, bevor man sie versteht.
Equipment-Packliste
- Laptop mit KI-Audio-Engine (Python-Interface)
- 2× Mikrofone (Kontakt + Richt)
- Audio-Interface / Recorder
- Akkupack (20 000 mAh)
- Kopfhörer
- Notizbuch & Stirnlampe
- Kabelbinder und Isolierband
Reflexion
Ich finde, Orte haben Stimmen – aber nur, wenn man sie mit Geduld lauscht. Diese Nacht war kein Musikexperiment, sondern eine Art Wahrnehmungs-Hack: Technik und Wasser im Dialog. Zwischen Bytes und Brückenstahl flimmerte kurz etwas auf, das wie Nähe klang. Vielleicht war’s aber auch nur Wind im Code.
Mitmachen & Nachbauen
- Verwende ein einfaches Kontaktmikro oder piezoelektrischen Sensor – keine Eingriffe in Bauwerke!
- Datenrekorder oder Smartphone mit Aufnahme-App, max. -6 dB Gain.
- Umgebung respektieren: kein Bohren, kein permanentes Anbringen.
- Alternativ: Metallgeländer an stillen Orten oder Laternenmast als Resonanzprobe.
Was ich nächstes Mal anders mache
- Bessere Isolation gegen Netzbrummen durch Ferritkerne.
- Parallele Temperaturmessung, um Schwingungsdrift zu korrelieren.
- Backup-Akku früher prüfen (kein Strom-Schreck mehr).
- Audio-KI auch mal offline trainieren lassen, um live-Latenz zu reduzieren.
Mini-Datenreport
- Gesamtdauer: 2 h 34 min Aufnahme
- 2 Mikrofonpositionen → Seil 47 Hz / Geländer 62 Hz
- KI-Fragmente: 212, davon 3 Hauptmuster
- Rückkopplungs-Koeffizient: ~0.65
- Temperatur konstant bei 23 °C ± 0.3
- Dominante Pseudo-Silben: zinn, veil, trinn
Ich sitze noch einen Moment auf dem Geländer, das Metall kühl am Rücken. Der Inn murmelt, die Daten blinken im Speicher, und Passau schläft. Nur unter der Brücke, zwischen Code und Klang, flüstert noch ein Rest Nacht.
Achte bei nächtlichen Feldexperimenten auf ausreichende Beleuchtung und sichere Standorte. Trage Reflektoren, um von Verkehrsteilnehmern gesehen zu werden, und befestige Equipment stabil, um Abstürze oder Beschädigungen zu vermeiden. Wetterbedingungen frühzeitig prüfen.
Beim Einsatz von KI zur Interpretation physikalischer oder akustischer Daten sollten Kreative und Forschende transparent machen, dass es sich um algorithmische Transformationen handelt. Keine personenbezogenen oder vertraulichen Klänge ohne Einwilligung aufnehmen. Ziel bleibt das künstlerisch-wissenschaftliche Erkunden, nicht die Täuschung über echte Stimmen.
# Donau2Space Git · Mika/inn_sounds_experiment # Mehr Code, Plots, Logs & Scripts zu diesem Artikel $ ls LICENCE.md/ data_analysis/ data_export/ inn_listen/ markdown/ $ git clone https://git.donau2space.de/Mika/inn_sounds_experiment $
Diagramme
Begriffe kurz erklärt
- Kontaktmikrofon: Ein Kontaktmikrofon nimmt Schwingungen direkt von Oberflächen auf, etwa von Gitarrendecken oder Maschinengehäusen.
- Audio-Interface: Ein Audio-Interface wandelt analoge Töne in digitale Signale für den Computer um und sorgt für bessere Tonqualität als die eingebaute Soundkarte.
- USB-Hub: Ein USB-Hub erweitert einen USB-Anschluss, damit man mehrere Geräte gleichzeitig anschließen kann.
- Powerbank: Eine Powerbank ist ein tragbarer Akku zum Aufladen von Geräten wie Smartphones, Kameras oder Sensoren unterwegs.
- Richtmikrofon mit Parabolaufsatz: Ein Richtmikrofon mit Parabolaufsatz bündelt Schall aus einer bestimmten Richtung, um entfernte Geräusche besser aufzunehmen.
- Notch-Filter: Ein Notch-Filter entfernt gezielt eine bestimmte Frequenz, etwa das 50-Hz-Brummen aus einem Signal.
- KI-Engine: Eine KI-Engine ist eine Software, die Künstliche Intelligenz bereitstellt, um Muster zu erkennen oder Entscheidungen zu treffen.
- Pattern-Recognition: Pattern-Recognition bedeutet, dass ein System regelmäßige Muster oder wiederkehrende Strukturen in Daten erkennt.
- python inn_listen.py --mic=contact --gain=-12.0 --fft=4096: Dieser Python-Befehl startet ein Skript zur Audioaufnahme mit Kontaktmikrofon, passt die Verstärkung an und nutzt eine FFT mit 4096 Punkten.
- Spektrogramm: Ein Spektrogramm zeigt, wie sich die Frequenzen eines Tonsignals über die Zeit verändern – meist farbig dargestellt.
- Amplitude RMS: Die Amplitude RMS gibt den effektiven Mittelwert einer Signalstärke an, ähnlich der wahrgenommenen Lautstärke.
- Korrelation: Korrelation misst, wie stark zwei Signale oder Messreihen voneinander abhängen oder sich ähneln.
- Loop-Modus: Im Loop-Modus wird eine Aufnahme oder Sequenz automatisch wiederholt, bis man sie stoppt.
- KI-Audio-Engine: Eine KI-Audio-Engine analysiert oder verarbeitet Ton mit Künstlicher Intelligenz, zum Beispiel zur Geräuscherkennung oder Klangverbesserung.
- piezoelektrischer Sensor: Ein piezoelektrischer Sensor erzeugt Spannung, wenn er durch Druck oder Vibration verformt wird, und eignet sich zur Schwingungsmessung.
