---
type: adr
id: "0018"
status: accepted
date: 2026-08-15
supersedes: null
superseded_by: null
related:
  - "docs/issues/0054-ki-geraeuschunterdrueckung-element-call.md"
---

# 0018 — KI-Geräuschunterdrückung in threadnet-call: client-seitig, opt-in, selbst ausgeliefert

**Status:** akzeptiert · **Datum:** 2026-08-15 · **Entscheider:** sorb

## Kontext

Der WebRTC-Standardfilter (`noiseSuppression`) schätzt ein laufendes Rauschprofil und ist
damit auf **stationäre** Störungen ausgelegt. **Transiente** Geräusche — Tastaturanschläge —
erkennt er nicht als Störung; sie werden mitübertragen. Betroffen sind ausdrücklich auch
leise Chiclet-Tastaturen, nicht nur mechanische. Push-to-Talk als Ausweg wurde verworfen
(„inakzeptabel", sorb).

`threadnet-call:docs/axion1337-fork.md` §5 hatte ML-Rauschunterdrückung bereits einmal
verworfen — allerdings **server-seitig** (LiveKit Agents), weil es dort keinen unterstützten
Weg gibt, bereinigtes Audio an andere Teilnehmer weiterzureichen. Client-seitig greift dieser
Einwand nicht; diese ADR widerspricht der damaligen Entscheidung also nicht, sondern setzt sie
fort.

Eine externe Architekturspezifikation empfahl DeepFilterNet3 via WebAssembly. Statt sie zu
übernehmen, wurde ein **Wegwerf-Prototyp** gebaut und gemessen (#0054). Das hat drei ihrer
Kernannahmen korrigiert und die Entscheidungsgrundlage von Schätzung auf Messung gestellt.

## Entscheidung

**DeepFilterNet3 wird client-seitig integriert — opt-in, nachgeladen, selbst ausgeliefert.**

1. **Modell:** DeepFilterNet3 über `deepfilternet3-noise-filter` (Apache-2.0 ODER MIT) als
   LiveKit-`TrackProcessor`. Nicht RNNoise: es ist zwar zehnmal kleiner, aber bei Transienten
   deutlich schwächer — genau dem Fall, um den es hier geht.
2. **Opt-in mit Nachladen.** Standard **AUS**. Die Assets (23,3 MB) werden **erst beim
   Einschalten** geladen. Damit zahlt nur, wer profitiert — das Größenargument entfällt für
   alle anderen.
3. **Bedienung:** Checkbox zum Aktivieren **plus Regler** für die Stärke.
4. **Standardwert 35 %**, nicht 100 %. Gemessen reicht gut ein Drittel für „Tastatur weg und
   Stimme natürlich"; weniger Dämpfung heißt weniger Artefaktrisiko.
5. **Regelung über den Modellparameter** (`setSuppressionLevel` / `atten_lim`), **nicht** über
   einen Dry/Wet-Mix.
6. **Assets werden selbst ausgeliefert.** Der Default-Pfad des Pakets lädt sie von
   `cdn.mezon.ai`; `assetConfig.cdnUrl` wird auf das eigene Deployment gezeigt.
7. **`getUserMedia`:** `noiseSuppression: false` (sonst arbeiten Browser-Filter und Modell
   gegeneinander), `echoCancellation: true`.

## Gemessene Grundlage (Prototyp 2026-08-15)

| | |
|---|---|
| Wirkung | Tastatur weg, Stimme natürlich — **bei 35 %** |
| Download je Client | **23,27 MB** (15,66 MB wasm + 7,61 MB Modell) |
| Vergleich RNNoise | 2,0–4,6 MB, also ~ein Zehntel |
| Paketpflege | 20 Versionen, 4 Maintainer, ~20k Downloads/Monat |
| CDN-freier Betrieb | im Prototyp nachgewiesen |

## Konsequenzen

- **Kein Rust/wasm-Build.** Die Spezifikation hielt ihn für nötig; das fertige Paket macht ihn
  entbehrlich. Die Fork-Anpassung bleibt dadurch klein: Abhängigkeit, `TrackProcessor`,
  Bedienelement, Assets in der Auslieferung.
- **Kein Dry/Wet-Mixer, kein Delay-Node.** Da über den Modellparameter geregelt wird, gibt es
  keinen zweiten Signalpfad — und damit weder Phasenauslöschung noch Latenzkompensation.
- **23,3 MB gehören ins Deployment.** Sie müssen mit ausgeliefert werden (Image/Ingress) und
  wachsen bei einem Modell-Update mit.
- **Dauerhafte Fork-Anpassung.** Sie muss jeden Upstream-Rebase überleben und gehört in
  `axion1337-fork.md` samt Portier-Hinweis.
- ⚠️ **Mobil ist ungeprüft.** Der Telefontest wurde bewusst ausgesetzt. Weil der Filter opt-in
  ist, ist das vertretbar: Auf schwachen Geräten bleibt er schlicht aus. Zeigt sich später,
  dass er dort unbrauchbar ist, ist das ein Folge-Issue, kein Widerruf dieser Entscheidung.
- **Neue Lieferkette.** Ein npm-Paket eines Drittanbieters liefert Code, der WebAssembly lädt.
  Die **Assets** kontrollieren wir (selbst gehostet); der 23-KB-Wrapper bleibt Fremdcode.
  Vendoring wäre möglich und wurde bewusst nicht gewählt — dann müssten wir Updates selbst
  nachziehen.

## Verworfene Alternativen

- **Push-to-Talk / bewusstes Stummschalten dokumentieren:** billigste Lösung, aber ein
  Rückschritt gegenüber dem, was Konferenzsysteme heute leisten. Ausdrücklich verworfen.
- **RNNoise** statt DFN3: ein Zehntel der Größe, aber konzeptionell schwach bei genau den
  transienten Geräuschen, die das Problem sind.
- **Server-seitige ML-Filterung:** bereits in `axion1337-fork.md` §5 verworfen — LiveKit
  bietet keinen unterstützten Weg, bereinigtes Audio an andere Teilnehmer weiterzugeben.
- **Standardmäßig AN:** beste Wirkung ohne Zutun, aber jeder Client lädt 23 MB — auch auf
  Telefonen, die ungetestet sind.
- **Dry/Wet-Mix als Regler** (Vorschlag der Spezifikation): mischt ungefiltertes Signal
  zurück, **inklusive der Tastaturanschläge**, und braucht eine Latenzkompensation, die im
  Spec-Entwurf fehlte. Der native Modellparameter leistet dasselbe ohne diese Nachteile.
- **Assets vom Anbieter-CDN laden:** würde bei jedem Call-Start die IP jedes Teilnehmers an
  einen Dritten melden und die Verfügbarkeit an fremde Infrastruktur hängen.